ChatGPT的驚人功能(néng)已經(jīng)占據了頭條新聞，但企業現在面(miàn)臨的問題是，如何使用這(zhè)些強大的工具來優化客戶或員工體驗。

開(kāi)發(fā)ChatGPT的OpenAI公司在網站展示了摩根士丹利進(jìn)行的一個案例研究。其主題是“摩根士丹利财富管理部署GPT-4來組織其龐大的知識庫。”該案例研究援引摩根士丹利分析、數據與創新主管Jeff McMillan的話說，“該模型將(jiāng)爲一個面(miàn)向(xiàng)内部的聊天機器人提供動力，該機器人將(jiāng)對(duì)财富管理内容進(jìn)行全面(miàn)搜索，并有效地解鎖摩根士丹利财富管理的累積知識”。

McMillan進(jìn)一步強調說：“采用GPT-4，你基本上立刻就擁有了财富管理領域最博學(xué)的人的知識……可以把它想象成(chéng)我們的首席投資策略師、首席全球經(jīng)濟學(xué)家、全球股票策略師，以及全球其他每一位分析師，并且每天都(dōu)在待命。我們相信，這(zhè)對(duì)我們公司來說是一種(zhǒng)變革能(néng)力。”

這(zhè)是知識管理的終極目标——將(jiāng)企業的知識和專長(cháng)體現在與客戶交互的系統、過(guò)程和工具中的能(néng)力。

那麼(me)真的達到這(zhè)個目标了嗎？生成(chéng)式人工智能(néng)是知識訪問、檢索和應用的答案嗎？在宣布戰勝信息混亂之前，考慮一些基本元素和注意事(shì)項是很重要的。

首先，生成(chéng)式人工智能(néng)可以克服知識管理挑戰的認知背後(hòu)有一個假設，即知識以明确的、記錄的形式存在。然而，在大多數企業中，知識被(bèi)鎖定在員工的頭腦中，如果以數字形式存儲，它就會分散在部門、技術和存儲庫的生态系統中的孤島中。OpenAI公司在其網站進(jìn)一步指出，摩根士丹利每年發(fā)表數千篇論文，其内容涉及資本市場、資産類别、行業分析和全球經(jīng)濟區域……這(zhè)些知識财富爲摩根士丹利公司創建了一個獨特的内部内容庫，可以使用GPT-4進(jìn)行處理和解析，同時也可以進(jìn)行内部控制。摩根士丹利擁有的知識可以構成(chéng)使用ChatGPT大型語言模型的基礎。如果企業内容和知識資源不可獲取，質量很差，或者與客戶和員工的需求不一緻，ChatGPT將(jiāng)無法訪問響應這(zhè)些需求的特定知識。

第二，生成(chéng)式人工智能(néng)創造内容。它不是一個檢索機制。那麼(me)原始知識庫是如何使用的呢？這(zhè)是一個棘手的領域。ChatGPT正在尋找内容和概念關系中的模式，以便它可以根據提示預測應該顯示哪些文本。提示符是一種(zhǒng)信号，就像搜索詞是一種(zhǒng)信号一樣(yàng)。搜索引擎不僅根據術語，而且還(hái)根據與查詢場景相關的其他信号(例如，行業或搜索者的角色)預測應該顯示哪些信息。可以在提示中以事(shì)實或文檔的形式向(xiàng)ChatGPT提供場景，也可以通過(guò)指向(xiàng)作爲響應基礎的特定信息以編程方式提供場景。

大型語言模型——同義詞庫

大型語言模型是包含在信息體中的術語、概念和關系的數學(xué)表示。大型語言模型的強大之處在于它們能(néng)夠理解用戶的意圖——無論請求是如何表達的，用戶都(dōu)在尋找什麼(me)内容，以及預測最有可能(néng)響應用戶意圖的單詞模式。該模型“理解”用戶的請求，并對(duì)應該返回的内容做出預測。搜索引擎也會根據用戶的查詢做出預測，盡管是通過(guò)不同的機制。搜索引擎可以用于生成(chéng)人工智能(néng)場景中的檢索。使用語義搜索或神經(jīng)搜索引擎檢索内容，并使用大型語言模型爲用戶格式化響應。

同義詞庫將(jiāng)非首選術語映射爲首選術語(例如，“SOW”和“Statement of Work”映射爲“Proposal”，即标記文檔的首選術語)。把大型語言模型的一個方面(miàn)看作是“同義詞庫”，但不僅僅是單詞，而且是短語和概念。用戶可以用許多不同的方式提出相同的問題。這(zhè)種(zhǒng)意圖分類并不新鮮，它是將(jiāng)短語變化解析爲特定動作的聊天機器人的基礎。語言模型是意圖解析和分類功能(néng)的基礎。

大型語言模型還(hái)能(néng)理解提示符後(hòu)面(miàn)的單詞模式。這(zhè)就是啓用ChatGPT會話流暢性的方式。使它們對(duì)企業具有實用性的關鍵是根據特定的内容或知識體來調整模型(摩根士丹利在實施ChatGPT時就是這(zhè)樣(yàng)做的)，并吸收企業獨有的術語。

有許多帶有示例代碼的教程說明了如何使用具有特定内容的大型語言模型。例如，其視頻引導開(kāi)發(fā)人員完成(chéng)使用語言模型(如GPT-4)并將(jiāng)聊天機器人指向(xiàng)特定知識和内容的過(guò)程。

面(miàn)向(xiàng)企業的知識專用機器人

在回顧了這(zhè)些教程之後(hòu)，有一些觀察結果：

定制的、特定于知識的聊天機器人可以使用大型語言模型來理解用戶的要求，然後(hòu)從指定的知識來源返回結果。開(kāi)發(fā)人員指出，需要將(jiāng)内容“分塊”成(chéng)“語義上有意義”的部分。爲回答特定問題而設計的組件化内容需要完整且符合場景。重要的是要注意，知識通常不存在于這(zhè)種(zhǒng)狀态。要進(jìn)行組件化，必須將(jiāng)大型文檔和文本主體分解成(chéng)塊。例如，用戶手冊可以按章、節、段和句子分成(chéng)若幹部分。在技術文檔領域，這(zhè)已經(jīng)做到了——DITA (達爾文信息類分類架構)等标準使用了基于主題的方法，非常适合回答問題。

開(kāi)發(fā)人員談論“語義”以及語義的重要性。這(zhè)是什麼(me)意思?語義學(xué)是關于意義的。語義豐富的内容用元數據标記，元數據有助于精确檢索所需的信息和信息的場景。例如，如果用戶使用特定型号的路由器，并且該路由器發(fā)出錯誤代碼，那麼(me)當請求支持機器人幫助時，可以檢索标有這(zhè)些标識符的内容。這(zhè)個過(guò)程在聊天機器人領域也被(bèi)稱爲“插播”。

自定義内容被(bèi)攝取到所謂的“向(xiàng)量空間”中，這(zhè)是另一種(zhǒng)信息數學(xué)模型，它將(jiāng)文檔放在多維空間中(這(zhè)是一種(zhǒng)數學(xué)構造)，允許對(duì)類似的文檔進(jìn)行聚類和檢索。這(zhè)被(bèi)稱爲“嵌入”。嵌入可以包含元數據和标識符(例如參考源)，這(zhè)些元數據和标識符有助于記錄向(xiàng)用戶提供特定答案的原因。這(zhè)對(duì)于法律責任和監管目的以及向(xiàng)用戶提供正确、最權威信息的保證都(dōu)很重要。

訓練人工智能(néng)的定義

關于“訓練”有幾個觀點。ChatGPT和大型語言模型在大量内容上進(jìn)行了訓練，使它們能(néng)夠理解用戶的查詢，并以格式良好(hǎo)且具有會話性的最佳答案進(jìn)行響應。訓練該工具的一種(zhǒng)方法是在提示符中包含内容，“根據以下信息回答這(zhè)個問題……”

但在這(zhè)裡(lǐ)有兩(liǎng)個問題：

首先，ChatGPT在其提示符中隻能(néng)處理一定數量的内容，這(zhè)種(zhǒng)提問方式將(jiāng)非常有限。可以將(jiāng)内容攝取到工具中，這(zhè)將(jiāng)支持額外的訓練。然而，將(jiāng)内容添加到ChatGPT中也會將(jiāng)該内容合并到公共模型中。因此，企業的知識産權將(jiāng)受到損害。這(zhè)種(zhǒng)風險導緻許多企業禁止使用ChatGPT和其他因無意中上傳企業機密而丢失知識産權的人工智能(néng)工具。

另外，還(hái)有另一種(zhǒng)訓練内容的方法。大型語言模型可以使用企業特定知識作爲訓練語料庫的一部分，但這(zhè)需要提供一個防火牆後(hòu)面(miàn)的版本。幸運的是，大型語言模型正在迅速實現商品化，有些甚至可以在筆記本電腦上本地運行。這(zhè)種(zhǒng)類型的訓練在計算上也很昂貴。另一種(zhǒng)機制是使用大型語言模型來解釋用戶的目标(他們的意圖)，然後(hòu)使用向(xiàng)量嵌入以編程方式提供來自特定數據或内容源的場景。

然後(hòu)，語言模型對(duì)響應進(jìn)行處理和格式化，使其具有對(duì)話性和完整性。通過(guò)這(zhè)種(zhǒng)方式，知識與大型語言模型分開(kāi)，使企業的商業秘密和知識産權不會受到損害。

所有這(zhè)些因素都(dōu)表明需要知識管理和知識架構，將(jiāng)信息組織成(chéng)組件，以便用戶可以獲得特定問題的答案。大型語言模型和ChatGPT的革命性本質可以提供所需的會話流暢性，以近乎人類的互動水平來支持積極的客戶體驗。關鍵因素是獲得企業中結構良好(hǎo)的知識。ChatGPT看起(qǐ)來很神奇，但它是基于信息的統計處理和模式預測。如果正确地組織和整合信息，將(jiāng)會成(chéng)爲企業數字化轉型的重要組成(chéng)部分。