Nieszablonowe myślenie o tym, czym jest biznes oparty na sztucznej inteligencji

Mam już absolutnie dość słuchania o pomysłach SaaS na foremki do ciastek. Poważnie, wydaje się, że wszyscy myślą o firmie „pozwól ChatGPT uczyć się na podstawie własnych danych wewnętrznych”. Jeśli jest coś, czego brakuje inżynierom oprogramowania i twórcom technologii, to jest to kreatywność.

Przedstawiam więc 2 lukratywne pomysły, które obiecuję nigdy słyszałem wcześniej. Skąd to wiem? Ponieważ sprawdziłem to w Google i nie pojawił się żaden odpowiedni wynik. Piszę ten artykuł z kilku powodów. Po pierwsze, chcę udowodnić, że Twój pomysł na biznes nie ma znaczenia. Nawet jeśli opowiem całemu światu (w tym przypadku całemu Medium) o moim lukratywnym pomyśle na biznes, nikt go nie ukradnie, mimo że jest to NIESAMOWITY pomysł! Drugim powodem, dla którego to piszę, jest chęć uzyskania opinii użytkowników: jeśli jesteś założycielem SaaS, czy kupiłbyś tę usługę?

Jeśli czytasz zrzut ekranu, prawdopodobnie widziałeś 5 słów, których nigdy nie widziałeś w tym samym zdaniu: „optymalizacja genetyczna jako usługa”. 90% populacji prawdopodobnie nie ma pojęcia, czym są algorytmy genetyczne i jak można je sprzedać jako usługę. Mamy nadzieję, że ten artykuł przekona Cię o tym, jak niesamowity jest ten pomysł! Po drodze posłużę się przykładem drugiego pomysłu SaaS, który opiera się na pierwszym pomyśle: „szybka inżynieria jako usługa”.

Optymalizacja genetyczna to algorytm sztucznej inteligencji inspirowany biologią. Jest to heurystyka poszukiwań, która naśladuje proces doboru naturalnego w celu znalezienia optymalnych rozwiązań problemów. Zaczyna się od zestawu możliwych odpowiedzi, a następnie wykorzystuje selekcję, krzyżowanie i mutację, aby iteracyjnie ewoluować te odpowiedzi w kierunku lepszych rozwiązań.

Aby zobaczyć ilustrujący przykład optymalizacji genetycznej zastosowanej w dziedzinie finansów, zapoznaj się z następującym artykułem.

Algorytmy genetyczne (GA) mogą być stosowane w innych dziedzinach, poza finansami. Można go na przykład wykorzystać jako szkielet produktu „szybkiej inżynierii w formie usługi”, co omówię w następnej sekcji.

Wyobraź sobie, że jesteś firmą SaaS i korzystasz ze sztucznej inteligencji w wielu swoich produktach wewnętrznych i zewnętrznych. Ponieważ wiele Twoich produktów jest obsługiwanych przez modele dużych języków (LLM), w bazie kodu znajduje się wiele różnych podpowiedzi. Iterowanie, ulepszanie i testowanie podpowiedzi jest niezwykle trudne i często wymaga długich cyklów kompilacji i wdrażania. Kontrolowanie kosztów i szybkości jest również prawie niemożliwe, zwłaszcza w tym samym czasie.

A teraz wyobraźcie sobie zupełnie odwrotny scenariusz. Korzystasz z usługi zewnętrznej do przesyłania wszystkich monitów i zarządzania nimi. Twoje podpowiedzi mogą być ponownie wykorzystywane w różnych usługach, można je łatwo powielać, edytować i dostosowywać do konkretnych przypadków użycia. Najlepsze jest to, że po udzieleniu początkowego monitu, nie musisz wykonywać żadnych szybkich prac inżynieryjnych! Po prostu oceniasz model za całą jego wydajność, a model uczy się z czasem stawać się coraz lepszy. Dzieje się tak dlatego, że system szybkiego zarządzania opiera się na algorytmach genetycznych!

Myśląc o algorytmie genetycznym, musisz zadać sobie pytanie „co dokładnie miałbym optymalizować?” W kontekście aplikacji inżynieryjnej do szybkiej obsługi możesz dać użytkownikom możliwość optymalizacji dowolnego aspektu podpowiedzi. Można na przykład dążyć do minimalizacji kosztów przy jednoczesnej maksymalizacji dokładności i zadowolenia użytkownika. Zaletą algorytmów genetycznych jest to, że bardzo dobrze radzą sobie z optymalizacją dowolnej dowolnej funkcji.

Mówią, że sieci neuronowe są uniwersalnymi aproksymatorami funkcji…

Następnie zastanówmy się, jak zakodować podpowiedź w naszym algorytmie genetycznym. Aby to zrobić, musimy stworzyć „jednostkę”, która jest głównie tablica liczb. Tablica ta jest obiektem, który podlega operacjom selekcji, krzyżowania i mutacji w celu stworzenia nowych potencjalnych rozwiązań.

Jak więc zakodować nasz znak zachęty w tablicy liczb? Kiedy wykonujemy szybką inżynierię, jakie rzeczy możemy zmienić w podpowiedzi? Pamiętaj, że większość dobrych podpowiedzi ma następujący format.

Rola: Kim jest model? Na przykład „jesteś generatorem AI JSON dla firmy FinTech”.

Kontekst i ograniczenia: Jakie są informacje na temat przestrzeni problemowej i jakich ograniczeń powinien przestrzegać model? Na przykład: „zawsze musisz odpowiadać w poprawnym składniowo formacie JSON”

Przykłady: Jakie są przykładowe rozmowy, które moglibyśmy przeprowadzić?

Dodatkowo możemy zwiększyć liczbę parametrów do optymalizacji wprowadzając algorytmy przetwarzania języka naturalnego (NLP). Na przykład możemy przeprowadzić stemming, lematyzację, wprowadzić parametr określający maksymalną długość, parametr określający liczbę przykładów i potencjalnie wprowadzić potok RAG (Retrieval Augmented Generation). Gdybyśmy naprawdę chcieli wykazać się kreatywnością, moglibyśmy również zoptymalizować hiperparametry potoku RAG, ale nie będziemy o tym teraz rozmawiać.

Proces optymalizacji byłby prosty. „Osoba” to po prostu zachęta, która przeszła różne etapy wstępnego przetwarzania i użyła różnych modeli (open source vs GPT-3 vs GPT-4). Funkcją celu byłaby maksymalizacja dokładności modelu lub minimalizacja czasów reakcji. I pamiętaj, algorytmy genetyczne mogą optymalizować wiele funkcji jednocześnie.

Z czasem to zrobisz dosłownie opracuj idealny monit w oparciu o konkretny przypadek użycia! Nie będziesz musiał od razu zajmować się inżynierią: algorytm genetyczny zrobi to za Ciebie! Po prostu daj mu początkowy monit i pozwól, aby model działał powoli i z czasem stawał się coraz lepszy. Ma to wpływ obniżenie kosztów sztucznej inteligencji I zwiększenie dokładności i trafności odpowiedzi jednocześnie przy wdrażaniu tych modeli.

Aby wdrożyć aplikację, dodałbym ją jako funkcję mojej platformy szybkiego zarządzania NexusGenAI. NexusGenAI to platforma do konfiguracji AI i szybkiego zarządzania. Obsługuje czat AI w NexusTrade i pozwala użytkownikom tworzyć unikalne, konfigurowalne zautomatyzowane strategie inwestycyjne.

Bezpośrednim skutkiem jest to, że Chatbot AI stanie się mądrzejszy i zacznie wolniej uczyć się, jak zapewniać lepsze odpowiedzi. Wtedy koszty również by spadły, ponieważ podpowiedzi byłyby bardziej usprawnione i wydajne. Mógłbym powoli budować arsenał samodoskonalących się agentów AI. To jest szalone!

Hej ty! Czy jesteś właścicielem firmy lub twórcą treści? Czy użyłbyś któregoś z tych produktów w swojej firmie? ? Skomentuj poniżej!??

Jeśli dotarłeś tak daleko w artykule, prawdopodobnie zadajesz sobie pytanie: skąd mam wiedzieć, że ten SaaS będzie lukratywny. Nie przeprowadzałem badań produktów. Nie przeprowadzałem wywiadów z założycielami SaaS i nie pytałem ich, czy kupiliby to. Ale nadal mam niezachwianą pewność siebie. Dlaczego?

Zacznijmy od tego, że użytkownicy tak naprawdę nie wiedzą, czego chcą. Cytując Steve’a Jobsa: „Ludzie nie wiedzą, czego chcą, dopóki im tego nie pokażesz”. Nikt nie zrozumie, co oznacza „algorytm optymalizacji genetycznej” ani dlaczego „platforma szybkiej inżynierii” jest najlepszą rzeczą od czasu krojonego chleba. Trzeba je po prostu pokazać. I wtedy to dostaną.

Po drugie i najważniejsze, jestem pewien, że te pomysły SaaS odniosą sukces, ponieważ zapewnią dużą wartość. Prawie każda firma będzie wdrażać modele sztucznej inteligencji w niektórych aspektach swojej działalności. Możliwość zarządzania wszystkimi różnymi modelami w scentralizowanym miejscu i ciągłego doskonalenia ich bez konieczności szybkiego projektowania? Każda firma będzie chciała kupić ten produkt; po prostu nie będą wiedzieć, że tego chcą, dopóki tego nie zobaczą tuż przed nimi.

Rozpoczynając ten artykuł, postanowiłem zrobić dwie rzeczy. Po pierwsze, chciałem Cię przekonać, że algorytmy genetyczne jako usługa to najfajniejszy pomysł na biznes od czasów ChatGPT ?! Po drugie, chciałem udowodnić, że sam pomysł na biznes nie jest wart ani grosza.

Liczy się wykonanie.