MicroStrategy ابزار تجزیه و تحلیل Self-Service مبتنی بر هوش مصنوعی را منتشر می کند

در آنچه که می‌تواند نگاهی اجمالی به آینده ادغام هوش مصنوعی در شرکت‌ها باشد، MicroStrategy روز سه‌شنبه افزوده‌ای جدید به پلتفرم خود اعلام کرد که دسترسی به داده‌های تجزیه و تحلیل تجاری در سازمان‌ها را ساده می‌کند.

MicroStrategy Auto یک ربات هوش مصنوعی تطبیقی ​​است که به گفته این شرکت، راه سریع‌تر و آسان‌تری برای ارائه هوش تجاری به همه افراد یک سازمان ارائه می‌کند. Auto آخرین پیشرفت هوش مصنوعی MicroStrategy است که در اکتبر 2023 منتشر شد، راه حلی برای ساخت سریع برنامه های هوش مصنوعی بر روی داده های قابل اعتماد.

شرکت یادداشت می‌کند که Auto را می‌توان به‌عنوان یک برنامه مستقل استفاده کرد یا در برنامه‌های شخص ثالث جاسازی کرد و سفارشی‌سازی کامل را ارائه می‌دهد. ظاهر، سبک زبان و سطح جزئیات آن را می توان با مشخصات کاربر تنظیم کرد.

از آنجایی که هوش مصنوعی مولد به Auto قدرت می دهد، کاربران می توانند با استفاده از زبان طبیعی با ربات تعامل کنند.

Saurabh Abhyankar معاون اجرایی MicroStrategy و مدیر ارشد محصول توضیح داد: “ما از GPT4 برای Backend استفاده می کنیم – برای اینکه بفهمیم کاربر چه می پرسد و چگونه به سوال پاسخ دهد.”

او به دیجیتال تو گفت: «تفاوت بین MicroStrategy و یک مدل بزرگ زبانی همه‌منظوره در این است که علاوه بر مهارت‌های شناختی که LLM دارد، ساختار داده‌های تحلیلی را اضافه می‌کنیم. بنابراین اگر بپرسید چند کلاه در فروشگاه X دارم، LLM متوجه می‌شود که کاربر چه می‌پرسد و لایه MicroStrategy پرس و جو را اجرا می‌کند، داده‌ها را برمی‌گرداند و امنیت و قوانین را برای محاسبه موجودی اعمال می‌کند.

او افزود: «شما به هر دوی این موارد در یک سناریوی تجزیه و تحلیل سازمانی نیاز دارید، زیرا یک ربات چت مانند ChatGPT زمینه، دانش تجاری، امنیت و حاکمیت لازم برای پاسخ به چنین سؤالی را ندارد.

باز کردن قفل ارزش کاربر

این شرکت ادعا می‌کند که Auto با استفاده از هوش مصنوعی می‌تواند موانع تصمیم‌گیری سریع و کارآمد را با هوشمند کردن برنامه‌ها و قرار دادن تجزیه و تحلیل سازمانی در دست کاربران، بدون توجه به سطح مهارت یا برنامه‌ای که استفاده می‌کنند، از بین ببرد.

نیازی به استفاده از داشبورد پیچیده برای به دست آوردن بینش نیست، و کاربران می توانند اطلاعات را به زبان ساده درخواست کنند، و این امر به کارگیری هوش تجاری در تصمیم گیری تجاری را آسان تر می کند.

ما معتقدیم که استفاده از هوش مصنوعی MicroStrategy با ارائه بینش‌های عمیق‌تر به کاربران مختلف که قبلاً برای درک آن نیاز به کلیک‌های بیشتر و جزئیات بیشتر داشت، ارزش فوق‌العاده‌ای را باز می‌کند.» ننا پیدسکالنی، مدیر استراتژی زنجیره تامین و برنامه‌ریزی فدرال تعاونی‌های محدود، در بیانیه‌ای گفت: این برای خود سرویس مصرف‌کننده قدرتمند است.

او افزود: “ارائه دسترسی بیشتر کارمندان به داده های هوش تجاری می تواند با ارتقای تصمیم گیری آگاهانه در بخش ها، انعطاف پذیری در پاسخ به تغییرات بازار و پرورش فرهنگ تصمیم گیری مبتنی بر داده ها، برای شرکت مفید باشد.” و تحلیلگر ارشد SmartTech Research در سن خوزه، کالیفرنیا.

او به دیجیتال تو گفت: «با این حال، دسترسی آسان‌تر به داده‌های هوش تجاری می‌تواند منجر به آسیب‌های احتمالی مانند نقض داده‌ها، سوء استفاده از اطلاعات حساس، و مزیت رقابتی به خطر بیفتد، اگر به درستی مدیریت و ایمن نشود.»

Rob Enderle، رئیس و تحلیلگر اصلی در Enderle Group، یک شرکت خدمات مشاوره در Bend، Ore، خاطرنشان کرد: ربات‌های AI مولد سفارشی نسبت به ربات‌های همه منظوره مانند ChatGPT، Gemini و Claude مزایایی دارند. او به دیجیتال تو گفت: «آنها عموماً تمرکز بیشتری دارند و می توانند یک یا چند کار را به خوبی و به طور بالقوه بهتر انجام دهند. آنها همچنین می توانند به صورت محلی اجرا شوند زیرا از کتابخانه های کوچکتر استفاده می کنند.

Enderle اضافه کرد که ربات های سازمانی سفارشی نیز می توانند ایمن تر از ربات های همه منظوره باشند. او توضیح داد: «معمولاً آنها مشتقات LLMهای بزرگ هستند، اما از آنجایی که آنها کوچکتر و متمرکزتر هستند، در تئوری کمتر احتمال دارد کارهایی را انجام دهند که شما نمی خواهید.»

رسیدگی به نگرانی ها در مورد هوش مصنوعی

ربات‌های AI تولید سفارشی می‌توانند نگرانی‌های تجاری در مورد اشتراک‌گذاری داده با ربات‌های چت بزرگ را نیز برطرف کنند. ویل دافیلد، تحلیلگر سیاست در Cato گفت: «همیشه این نگرانی وجود دارد که اگر اطلاعات اختصاصی خود یا مشتریانتان را به ابزاری ارائه دهید که این داده‌ها را پردازش می‌کند و به‌طور بالقوه آن‌ها را به نوعی در آینده ارائه می‌کند.» موسسه، یک اندیشکده واشنگتن، ناحیه کلمبیا.

او به دیجیتال تو گفت: «ربات‌های روبه‌روی مصرف‌کننده به کسب‌وکارهای پشت سرشان اجازه می‌دهند تا از مکالمات شما برای بهتر کردن ربات‌ها استفاده کنند». “این مورد در مورد بسیاری از این ابزارهای تجاری صدق نمی کند زیرا نحوه استفاده از اطلاعات در قرارداد مشخص خواهد شد.”

ابیانکار افزود: “شرکت ها نمی خواهند تمام داده های خود را به یک LLM همه منظوره ارسال کنند.” آنها نمی خواهند LLM ها را با داده های خود آموزش دهند زیرا خطر لو رفتن آن داده ها وجود دارد.

او توضیح داد که با MicroStrategy، داده ها در محیط مشتری ذخیره می شوند. فقط بیت هایی از ابرداده به LLM ما ارسال می شود و LLM با این داده ها آموزش نمی بیند. او توضیح داد: «ما می‌توانیم این کار را انجام دهیم، زیرا MicroStrategy محاسبات را انجام می‌دهد، و از آنجایی که LLM مجبور نیست این کار را انجام دهد، به همه داده‌ها نیاز ندارد».

به همین دلیل، LLM را می توان با توهمات پیشگیری کرد. ابیانکار گفت: «LLM ها ذاتاً احتمالی هستند. شما می توانید از او سؤالاتی بپرسید، اما می توانید برای یک سؤال پاسخ های متفاوتی دریافت کنید. این برای یک سناریوی تجاری ایده آل نیست.”

او معتقد است با اجرای محاسبات در لایه MicroStrategy و انجام آنها بر اساس منطق تجاری که مشتری در پلتفرم ما کدگذاری کرده است، می توانیم از مسائل احتمالی جلوگیری کنیم.

وی افزود: «بنابراین چالش‌های به اشتراک‌گذاری داده‌ها و توهم‌ها تا حد زیادی به دلیل استفاده از LLM برای مهارت‌های شناختی و استفاده از داده‌های مشتری در لایه MicroStrategy به روشی قابل اعتماد، حذف می‌شوند.»

افزایش بهره وری

در دسترس قرار دادن هوش تجاری برای کارکنان شرکت می تواند مزایای بهره وری داشته باشد. اندرل گفت: “این باید تصمیم گیرندگان را قادر سازد تا تصمیمات بهتر و به موقع تری اتخاذ کنند که منجر به موفقیت عملیاتی بیشتر شود.”

تحلیلگران داده، به ویژه، باید دستاوردهای بهره وری را از جنبه سلف سرویس MicroStrategy Auto ببینند. ابیانکار گفت: «این کار تحلیلگران داده را بهره‌ورتر می‌کند، زیرا آنها می‌توانند کارهای بیشتری را در مدت زمان مشابه انجام دهند. این یک افزایش بهره وری برای آنها است.»

او ادامه داد: «وقتی کاربر نهایی بتواند به خود خدمت کند، مزایای کلیدی را برای تحلیلگر فراهم می کند.

شاراد ورشنی، مدیر عامل OvalEdge، یک مشاور مدیریت داده و ارائه دهنده راه حل های کاتالوگ داده سرتاسر در آلفارتتا، جورجیا، خاطرنشان کرد که فناوری های هوش مصنوعی مولد تأثیر عمیقی بر تجزیه و تحلیل داده ها در همه جا دارند. او به دیجیتال تو گفت: «آن‌ها پیچیدگی کشف داده‌ها را از بین می‌برند و به تیم‌هایی مانند بازاریابی یا منابع انسانی که به طور سنتی بر تجزیه و تحلیل متمرکز نیستند، اجازه می‌دهند تا به راحتی از دارایی‌های داده شرکت استفاده کنند.

او گفت: «با این حال، داده‌های حاصل باید دقیقاً مدیریت شوند. در حالی که ابزار هوش مصنوعی مولد می‌تواند به سرعت داده‌ها را بیابد و زمینه‌سازی کند، کیفیت، منشأ یا دسترسی داده‌ها را در نظر نمی‌گیرد.»

وی ادامه داد: «پس از کشف داده‌ها، باید سیاست‌هایی وجود داشته باشد تا اطمینان حاصل شود که کاربر درخواست کننده داده‌ها مجوز دسترسی مناسب برای بازیابی آن را دارد. سپس قبل از طبقه‌بندی و فهرست‌بندی باید اندازه‌گیری‌های کیفی مختلفی را برای تکرار، ناسازگاری و سایر عوامل انجام دهد. تنها در این صورت برای تحلیل مناسب خواهد بود.

وی افزود: “خوشبختانه ابزارهایی در دسترس هستند که می توانند این فرآیندهای مدیریتی و ابزارهای دیگری را که تجزیه و تحلیل و تجسم داده ها را بسیار آسان می کنند، خودکار کنند.”