Große Sprachmodelle (LLMs) haben die Geschäftswelt erobert, und jetzt versucht jedes Unternehmen, Generative AI zu nutzen. Obwohl Instruments wie ChatGPT eindeutig leistungsstark sind, ist nicht klar, wie Unternehmen diese Technologie zuverlässig nutzen können, um Antriebswert.
Für die meisten Unternehmen, mit denen ich zu tun hatte, „mithilfe von KI„“ bedeutet, einen Chatbot, Co-Piloten, KI-Agenten oder KI-Assistenten zu entwickeln. Während die anfängliche Begeisterung für diese Lösungen jedoch nachlässt, erkennen Unternehmen die zentralen Herausforderungen beim Aufbau von Systemen rund um LLMs.
Eine zentrale Herausforderung besteht darin, dass LLMs von Natur aus unvorhersehbar sind (noch unvorhersehbarer als traditionelle maschinelle Lernsysteme). Daher ist es es ist nicht einfach, sie dazu zu bringen, ein bestimmtes Drawback auf vorhersehbare Weise zu lösen.
Eine Lösung für das Halluzinationsproblem besteht beispielsweise darin, „beurteilende“ LLMs die Systemreaktionen auf Genauigkeit und Angemessenheit überprüfen zu lassen. Eine Erhöhung der Anzahl von LLMs erhöht jedoch die Kosten, die Komplexität und die Unsicherheit des Methods.
Das soll nicht heißen, dass generative KI (und ähnliche Technologien) nicht lohnenswert sind. KI hat unzählige Unternehmen sehr reich gemacht, und ich glaube nicht, dass das so bald aufhören wird.
Der entscheidende Punkt ist, dass Wert durch das Lösen von Problemen geschaffen wird, nicht durch die Nutzung von KI (an sich). Das Versprechen von KI wird erfüllt, wenn Unternehmen identifizieren Sie die Rechts Probleme zu lösenz. B. die personalisierten Empfehlungen von Netflix, die Lieferroutenoptimierung von UPS, die Bestandsverwaltung von Walmart und viele andere.
„Das richtige Drawback lösen“ ist zwar leicht gesagt, aber nicht leicht umzusetzen. Um Ihnen dabei zu helfen, teile ich hier 3 KI-Anwendungsfälle für etwas, das jedem Unternehmen wichtig ist – den Vertrieb. Ich hoffe, Ihre Vorstellungskraft anzuregen und Ihnen anhand konkreter Beispiele zu zeigen, wie Sie diese umsetzen können.
Die drei Anwendungsfälle sind:
- Funktionsentwicklung — Extrahieren von Merkmalen aus Textual content
- Strukturierung unstrukturierter Daten — Textanalyse-fähig machen
- Leadbewertung — Identifizieren Sie Ihre größten Chancen
Mit Engineering besteht aus Erstellen von Variablen, die zum Trainieren von Modellen für maschinelles Lernen verwendet werden können oder eine Analyse durchführen. Beispielsweise können aus einer Reihe von LinkedIn-Profilen Dinge wie die aktuelle Berufsbezeichnung, Berufserfahrung und Branche extrahiert und dann numerisch dargestellt werden.
Traditionell geschieht dies auf zwei Arten. 1) Sie erstellen Funktionen manuell oder 2) Sie kaufen Funktionen von Drittanbietern (z. B. Kreditscores von FICO, Unternehmensumsätze von D&B). Allerdings LLMs haben einen dritten Weg geschaffen um dies zu tun.
Beispiel: Extrahieren von Merkmalen aus Lebensläufen
Angenommen, Sie qualifizieren Leads für ein SaaS-Angebot. Die Software program hilft mittelständischen Unternehmen, sich vor Cybersicherheitsbedrohungen zu schützen. Die Zielkunden sind IT-Leiter, die entscheiden, welche Anbieter zu ihren Unternehmen passen.
Sie haben einen Stapel von 100.000 Berufsprofilen und Lebensläufen aus verschiedenen Quellen anhand der Schlagworte „IT“, „Cybersicherheit“, „Leiter“, „VP“ und einigen anderen. Das Drawback ist jedoch, dass die Leads von geringer Qualität sind und häufig Führungskräfte außerhalb der IT, IT-Einsteiger und andere Personen enthalten, die nicht zum Kundenprofil passen.
Um sicherzustellen, dass sich die Vertriebsbemühungen auf die richtigen Kunden konzentrieren, Das Ziel besteht darin, die Leads so zu filtern, dass nur IT-Leiter einbezogen werden.. Hier sind einige Möglichkeiten, dieses Drawback zu lösen.
- Idee 1: Überprüfen Sie alle 100.000 Leads manuell. Drawback: Unpraktisch für eine einzelne Individual oder ein kleines Verkaufsteam
- Idee 2: Schreiben Sie eine regelbasierte Logik zum Filtern von Lebensläufen. Drawback: Lebensläufe gibt es in den unterschiedlichsten Formaten, daher ist die Logik unzureichend.
- Idee 3: Bezahlen Sie für diese Informationen einen Datenanbieter. Drawback: Dies erhöht die Kosten der Kundenakquise erheblich (ca. 0,10 $ professional Lead).
Angesichts der Probleme mit den oben genannten Ideen wollen wir überlegen, wie wir dieses Drawback mit einem großen Sprachmodell lösen könnten. Eine einfache Strategie besteht darin, eine Eingabeaufforderung zu erstellen, die einen LLM anweist, die gewünschten Informationen aus einem Lebenslauf zu extrahieren. Ein Beispiel finden Sie unten.
Analyze the next textual content extracted from a resume and decide whether or not the
individual works within the IT trade. Return a `0` if the individual doesn't work in
theIT trade, and a `1` in the event that they do. Then, present a short rationalization for
your conclusion.Resume Textual content:
{resume textual content}
Diese Lösung ist eine perfekte Mischung der drei oben genannten Ideen. Sie (1) überprüft jeden Lead auf spezifische Informationen, z. B. eine Individual, (2) wird durch ein Computerprogramm automatisiert und (3) Sie zahlen weniger Geld (ca. 0,001 USD professional Lead).
**Bonus**: Für diejenigen, die daran interessiert sind, so etwas umzusetzen, teile ich ein Beispiel-Python-Skript Hier das unter Verwendung der OpenAI-API die Anzahl der Berufsjahre aus einem LinkedIn-Profil extrahiert.
Daten aus E-Mails, Help-Tickets, Kundenbewertungen, Social-Media-Profilen und Anruftranskriptionen sind alles Beispiele für unstrukturierte DatenDas bedeutet einfach es ist nicht in Zeilen und Spalten organisiert wie eine Excel-Tabelle oder eine CSV-Datei.
Das Drawback mit unstrukturierten Daten ist, dass sie nicht für Analysen bereit sind, was es schwierig macht, Erkenntnisse zu gewinnen. Dies steht im Gegensatz zu strukturierte Daten (dh, Zahlen in Zeilen und Spalten angeordnet). Die Übersetzung unstrukturierter Daten in ein strukturiertes Format ist ein weiterer Bereich, in dem die jüngsten Fortschritte in der Verarbeitung natürlicher Sprache (NLP) und im Deep Studying hilfreich sein können.
Beispiel: Lebensläufe in (aussagekräftige) Zahlen übersetzen
Betrachten Sie den gleichen Geschäftsfall wie im vorherigen Beispiel. Angenommen, wir haben erfolgreich 10.000 IT-Leiter aus den 100.000 Leads ausgewählt. Während Ihr Vertriebsmitarbeiter anfangen könnte, zum Telefon zu greifen und E-Mails zu verfassen, möchten Sie zunächst sehen, ob Sie die Liste destillieren um Leads zu priorisieren ähnlich wie frühere Kunden.
Eine Möglichkeit hierfür besteht darin, zusätzliche Merkmale zu definieren, die das ideale Kundenprofil detaillierter gestalten (z. B. Branche, Compliance-Anforderungen, Technologie-Stack, geografischer Standort), die ähnlich wie in Anwendungsfall 1 extrahiert werden könnten. Die Identifizierung solcher Indikatoren könnte eine Herausforderung seinund die Entwicklung zusätzlicher automatisierter Prozesse ist mit Kosten verbunden.
Ein alternativer Ansatz ist die Verwendung von sog. TexteinbettungenEine Texteinbettung ist einfach eine numerische Darstellung eines Textblocks das ist semantisch sinnvoll. Stellen Sie sich das so vor, als würden Sie einen Lebenslauf in eine Zahlenreihe übersetzen.
Der Wert von Textual content-Embeddings besteht darin, dass sie unstrukturierten Textual content in eine strukturierte Zahlentabelle übersetzen, die für traditionelle analytische und rechnerische Ansätze viel besser geeignet ist. In diesem Zusammenhang kann man beispielsweise Textual content-Embeddings verwenden, um Mathematisch auswerten, welche Leads früheren Kunden am ähnlichsten sind und welche sich am meisten unterscheiden.
Der letzte Anwendungsfall ist Leadbewertungbestehend aus Bewertung der Qualität eines Leads basierend auf wichtigen Prädiktoren (z. B. Berufsbezeichnung, Unternehmensumsatz, Kundenverhalten usw.). Dies ist zwar nichts Neues, aber die jüngsten Fortschritte in der KI haben eine bessere Fähigkeit ermöglicht, unstrukturierte Daten zu analysieren, die in Lead-Scoring-Modelle eingespeist werden können.
Beispiel: Bewerten von Leads nach Qualität
Zum Abschluss unseres laufenden Enterprise Instances wollen wir besprechen, wie wir Verwenden Sie Texteinbettungen, um potenzielle Kunden zu priorisieren. Angenommen, wir haben eine Liste mit 1.000 früheren Leads, von denen 500 etwas gekauft haben und 500 nicht. Für jeden Lead haben wir ein Profil, das wichtige Informationen wie Berufsbezeichnung, Berufserfahrung, aktuelles Unternehmen, Branche und Schlüsselqualifikationen enthält.
Diese Leads können verwendet werden, um ein Vorhersagemodell zu trainieren, das die Wahrscheinlichkeit schätzt, dass ein Kunde das Produkt basierend auf seinem Profil kauft. Obwohl es bei der Entwicklung eines solchen Modells viele Nuancen gibt, besteht die Grundidee darin, dass Wir können die Vorhersagen dieses Modells nutzen, um Noten für jeden Lead zu definieren (z. B. A, B, C, D), anhand derer die 10.000 neuen kategorisiert und priorisiert werden können.
**Bonus**: Für die technisch versierteren Leser, die diese Ansätze umsetzen möchten, gehe ich in diesem Artikel alle drei Anwendungsfälle anhand realer Verkaufsdaten aus meinem Unternehmen durch. Video. Außerdem ist der Beispielcode kostenlos verfügbar auf GitHub.
KI birgt ein enormes Potenzial für Unternehmen. Um dieses Potenzial auszuschöpfen, müssen jedoch die Rechts Probleme, die damit zu lösen sind.
Angesichts der Allgegenwärtigkeit von Instruments wie ChatGPT können Lösungsideen leicht auf das KI-Assistentenparadigma beschränkt werden. Um den Spielraum der Möglichkeiten zu erweitern, habe ich 3 praktische KI-Anwendungsfälle vorgestellt, die different Ansätze verwenden.
Mehr zu KI für Unternehmen 👇