ホームページ > 記事 > テクノロジー周辺機器 > 責任ある生成 AI テクニックを仕事に適用する 5 つの方法を使ってみましょう
Midjourney、ChatGPT、Bing AI Chat、およびその他の AI ツールにより、生成 AI が使いやすくなり、これらのツールは豊富なアイデア、実験、創造性を生み出します。組織内で生成型 AI を使用したい場合、どこから AI を機能させ始めるか、倫理的なジレンマ、著作権侵害、事実誤認に陥ることなくそれを実現するにはどうすればよいかという問題に直面することになります。まずは、生成 AI を使用して、その分野の専門家である人々に力を与え、時間を節約し、生産性を向上させることから始めましょう。
生成 AI をすぐに使い始めることができる方法は他にもたくさんあります。生成 AI は、組織が使用しているいくつかのツールやプラットフォームにすでに統合されている可能性があります。したがって、これらのツールを試して採用する方法に関するガイドの作成を検討する必要があります。ここでは、生成 AI の使用を考慮すべき 5 つの主要な領域と、他の適切なシナリオを見つけるためのガイダンスを示します。
コーディングは芸術と科学の中間にあるとよく考えられていますが、プログラミングの作業の多くは日常的で反復的なものです。クラウド プラットフォームとモジュール リポジトリの台頭は、最新のアプリケーションの作成、コンポーネントと API の統合、既存のコードのリファクタリング、環境の最適化、パイプラインのオーケストレーションが、アルゴリズムの考案と同じくらい重要であることを意味します。この作業の多くは自動化と AI 支援の機が熟していますが、同様に、これらのツールをどこでどのように使用して、その影響と有効性を監視するかを知る必要があります。コーディング アシスタントに完全に切り替える前に、特定の一般的なタスクを高速化する 1 回限りのツールから始めることができます。
ドキュメントは重要であると同時に、見落とされがちです。生成 AI にコード ベースをドキュメント化させるだけでなく、ドキュメントにチャット インターフェイスを組み込むこともできます。これにより、開発者はインターフェイスを通じて、その仕組みについて質問できるようになります。あるいは、通常の検索ボックスを単に置き換えて、一般的なドキュメントを会話型プログラミングに変換し、AI がデータを取得してクエリをどのように作成したかを示すことができます。
テストも見落とされがちな領域であり、単体テストの自動生成はテストの範囲を拡大するのに役立ちます。サブミッション ボットは、開発者がユーザーや他の開発者を支援するのに十分な情報を含むメッセージを作成するのにも役立ちます。また、生成 AI は、アップグレードやシステムの再起動を記録する IT スタッフに対しても同様のことを行うことができます。
開発者がアプリのより興味深く創造的な部分に集中できるように、バックエンド ロジックやその他の定型文を生成する内容を AI に伝えることも重要です。また、生成 AI を活用して独自のコード モジュール (大規模なコード ベースでの反復的で時間のかかるタスクを自動化するスクリプト) を作成したり、生成 AI を活用して音声や口調を社内のスタイルに合わせて修正したりすることも必要です。 GitHub Copilot や大規模言語モデル (LLM) に組み込まれた IDE などのコーディング アシスタントは、これらすべてを実行できますが、開発者に取って代わるべきではありません。これらのコーディング アシスタントと IDE は、書かれていないコード (およびそのコンテキストを理解して評価する必要があります)コードを生成するための問題の一部またはすべてが含まれる可能性のあるリポジトリから学習しているため、セキュリティの脆弱性やパフォーマンスのボトルネック、省略、不適切な決定、または単純な間違いが含まれている場合に備えて実行されます。 AI によって生成されたコードを組織全体でどのように追跡し、監査してその有用性を評価できるかを検討する必要があります。開発者らは、GitHub Copilot を使用することで効率が向上し、フラストレーションが軽減されたと報告しており、Microsoft によると、Copilot ユーザーのコードの 40% は AI によって生成され、変更されていません。現在、開発者が IDE セッションを離れると、この来歴は失われるため、AI ツールの使用方法に関する内部ガイドラインを文書化することを検討してください。
ビジネス ユーザーには AI アシスタントによって生成されたコードを評価する専門知識がありませんが、ローコードおよびノーコードコード環境は非常に制約があり、生成 AI ツールが統合されている場合、問題が発生する可能性ははるかに低くなります。
ローコード アプリケーションでは、データの頻繁な取得とフィルタリングが必要です。ローコード プラットフォームには、ルックアップ クエリを生成したり、返されたデータをクリーンアップしたり (欠落している郵便番号をプログラムで追加するなど) できる生成 AI 機能が追加されているため、データベースの専門知識を持たないビジネス ユーザーでも、永続化することなくさらに一歩先に進むことができます。プロの開発者がクエリ文字列を作成するまで待ちます。 Census GPT のようなオープンソース ツールを使用すると、大規模な公開データセットのクエリが簡単になります。
Code Assistant はプロの開発者だけを対象としたものではありません。 Wix Artificial Design Intelligence (ADI) はコード生成とジェネレーティブ デザインを組み合わせて完全な Web サイトを構築できます。Uizard は Web サイトとアプリのプロトタイプに同じことを実行できます。Fronty は画像を HTML と CSS に変換でき、アプリの Microsoft Power The Express デザイン機能は手描きのスケッチまたは Figma ファイルを実行可能なアプリケーションに変換でき、バックエンドで完了します。
企業組織にとって関心のある生成的 AI の用途のほとんどは、従業員が特定のニーズに合わせてカスタマイズできるように、ローコードの自動化されたワークフロー内で呼び出すことができるモジュールです。さらに、多くのプラットフォームは、他のコンポーネントと同様に、ChatGPT やその他の OpenAI API をすでに提供しています。ただし、生成されたテキストや画像に付随する警告やガイダンスがローコード環境で正しく表示されていることを確認してください。理想的にはフィードバックを提供する方法があり、顧客に直接表示できる場合はスタッフがポリシーを知っている必要があります。これらを確認してください。
ChatGPT のカスタマイズ バージョンと Bing を組み合わせることで、何百万人もの新規ユーザーが Microsoft の Bing 検索エンジンに導入されました。しかし、LLM の仕組みは、基本的に文や段落を自動補完してクエリ プロンプトに一致するテキストを生成するため、エラーや「錯覚」が発生する可能性があることを意味します。必要な情報が存在しない場合でも、モデルは何らかの妥当な情報を作成しようとしますが、提供された情報が正しく、その分野の専門家のほとんどの意見と一致していたとしても、答えは不完全で不完全である可能性があります。まだ専門家ではない場合は、何が欠けているのかさえわからないでしょう。これらの問題は、エンタープライズ検索とパブリック Web の両方にとって大きな問題です。Microsoft の今後の Microsoft 365 Copilot ツールは、ドキュメントとエンティティに基づいて Microsoft Graph データをクエリして参照を提供することで、この問題の解決を試みますが、一部はまだ見逃されている可能性があります。自分で追加する必要があります。
情報を顧客や他のユーザーに直接表示するのではなく、専門知識を持つ人によって内部でレビューされる、より限定されたシナリオでドキュメントや概念を説明するための生成テキストを要約および分析するために LLM を活用する機会を探し始めます。利用者。
ナレッジ グラフを生成して、さまざまなエンティティ間のつながりや関係を視覚的に表示し、プロジェクト、コミュニティ、エコシステムを理解するのに役立ちます。 Excel の Copilot ツールを使用すると、対話型の方法で洞察を得たり、基盤となるデータを変更しないサンドボックス内のデータについて質問したりできるため、間違いがあれば間違った道に進む可能性がありますが、将来の分析のために生の情報が汚染されることはありません。 。
データを使ってストーリーを伝えることは、主要な傾向や AI 分析を伝えるためのもう 1 つの効果的な方法です。たとえば、Power BI のスマート ナラティブでは、異常や影響を与える要因を見つけて、それらをグラフや自動生成された説明で説明できます。これにより、線形回帰などの AI モデルによって洞察が得られ、言語モデルによって記述されるため、LLM が直面する数学的問題が回避されます。この統合されたアプローチはさらに一般的になる可能性があります。同様に、セキュリティ ツールは、AI によって検出された脅威、異常、潜在的な侵害の証拠を説明する言語生成を使用し始めており、その意味と対応方法を明確でパーソナライズされた言語で伝えます。将来的には、これらのツールに質問し、ツールが提供する提案を解釈できるようにしたいと考えています。
また、キーワードや固定応答コンテンツから、応答コンテンツをより自然に聞こえるようにし、ナレッジ ベースの更新時に自動的に組み込まれるようにするなど、既存のチャットボットをよりスマートかつ柔軟にすることもできます。同様に、顧客満足度を向上させ、コストを削減するために、生成 AI を使用して顧客と直接対話することは魅力的ですが、これは組織内で生成 AI を使用して福利厚生やその他の人事問題に関する有用な情報を明らかにするよりもリスクが高くなります。流行のチャットボットは一部のブランドに適していますが、顧客が危険なアドバイスを受けた、またはチャットボットによって侮辱されたという理由で見出しを作りたくありません。生成 AI を使用してエージェント支援を提供すると、リスクを軽減しながら生産性を向上できます。
会議はビジネス上の意思決定が行われ、知識が共有される場所であるべきですが、会議の価値は会議室から出ることはありません。 Microsoft Teams Premium、Dynamics 365 Copilot、Slack 用 ChatGPT アプリなどの AI ツールは、概要を生成し、出席者や会議室にいないため自分の責任が分からない人に割り当てられたタスクのエントリを記録できます。これは、タスクの回避にも役立ちます。誰がメモをとるように求められ、誰が他の「日常的な事務作業」を行うのかをめぐる綱引きに関する質問。
毎日の Slack の忙しいペースに追いつくことができれば、生産性とワークライフ バランスも向上しますが、計画や意思決定を行う人は、AI によって生成された概要、アクション アイテム、およびタスクの正確性を確保する責任を負う必要があります。タイムライン。顧客との電話の内容を要約するAIツールは、管理者が従業員を監督したり、教育したりするのに役立ちます。これは財務アドバイザーやコールセンターの従業員にとっては便利かもしれませんが、従業員の生産性を監視するツールは共感を持って使用し、職場の監視によって引き起こされる懸念を回避する必要があります。ユーザーからのフィードバックや製品レビューは役に立ちますが、情報の量が多すぎて圧倒され、有用な情報が奥深くに隠れている可能性があります。
生成 AI は、対応するコンテンツを分類、要約、分類して、吸収しやすい集約されたフィードバックを提供できます。長期的には、レビューのページを自分でスクロールする必要がなくなり、パーソナル ショッピング アシスタントが購入したい商品を推奨し、その商品に関する質問に答えてくれるということは容易に想像できます。しかし同様に、企業は、攻撃的または中傷的な意見を引き出す可能性のあるツールの導入や、否定的な反応を排除することに過度に熱心なツールの導入にも注意する必要があります。生成 AI ツールは、長い文書を読んで要約し、その情報を使用して新しい文書の草案を作成できます。契約書から期日や成果物を抽出できる Docugami のようなツールはすでに存在しており、国際法律事務所アレン・アンド・オーヴェリーは契約分析と規制遵守を支援するプラットフォームを試験的に導入している。覚書、契約書、作業明細書などの半構造化文書を生成すると、ビジネス プロセスが高速化され、一部のビジネス用語をプログラムで標準化できる可能性がありますが、このプロセスには多大な柔軟性と監視が必要になることが予想されます。
アイデアのブレインストーミング、コピーの作成、画像やデザインの作成を支援するために、執筆プロセス全体を AI に引き渡す必要はありません。まもなく、生成 AI に Office 365 や Google ドキュメントを介してドキュメント、電子メール、スライドの作成を依頼できるようになるため、このコンテンツを誰かと共有する前にその正確性をチェックする方法についてポリシーを整備する必要があります。同様に、監視できるタスクと内部使用をより限定したものから始める必要があります。
Generative AI は、顧客対応メール、お礼状、物流上の問題の警告に何を書くべきかを、メール内で、またはプラットフォームの一部として Salesforce、Zoho、Dynamics 365 などの CRM 内で、またはサードパーティ経由で実装することで提案できます。パーティーツール。 AIをマーケティングに活用することにも大きな関心が寄せられていますが、ブランドリスクもあります。これらのオプションは、送信をクリックする前の最終バージョンではなく、単なる開始方法として考える必要があります。
AI が生成したテキストは完璧ではないかもしれませんが、埋める必要のあるギャップがたくさんある場合は、何もしないよりはマシです。たとえば、Shopify Magic は、製品に関する詳細な基本情報を取得し、オンライン ストアフロント用に SEO に調整された一貫した製品説明を作成できます。コンテンツを作成したら、それを改善できます。さらに、Reddit と LinkedIn は、Azure Vision Services を使用して画像のキャプションと代替テキストを作成し、ユーザーがこのコンテンツを自分で追加しない場合のアクセシビリティを向上させます。トレーニング ビデオの大規模なライブラリがある場合は、自動的に生成された概要が従業員の時間を最大限に活用するのに役立つ可能性があります。テキストから画像を生成することは非常に強力であり、Microsoft Designer アプリのようなツールを使用すると、Discord サーバーを使用して Midjourney にアクセスすることに抵抗があり、Photoshop を使用する専門知識を持たないビジネス ユーザーの手に画像伝播モデルを提供できます。 . 安定した拡散プラグイン。しかし、ディープフェイクや不気味の谷効果から、トレーニングデータの起源や有名アーティストの作品を無料で使用する倫理に至るまで、AIが生成した画像を巡る論争もある。組織は、明らかな落とし穴を避けるために、生成された画像の使用に関して非常に明確なポリシーを持つことを望むでしょう。
ご覧のとおり、カスタマー サポート、小売業から物流、法的サービスに至るまで、キュレーションのために信頼できる情報源を活用したいあらゆるやりとりにおいて、すべての人に次のような機会があります。生成 AI の恩恵を受けます。
生成 AI を責任を持って使用するには、出力コンテンツを専門家が作成し、人による発見とレビューを行う必要がある非顧客対応シナリオの分類、要約、テキスト生成などの自然言語処理から始めます。間違いや偽情報を修正する専門知識を備えており、このプロセスを単に提案を受け入れるよりも簡単かつ自然にするインターフェイスを備えています。人間の関与を省略して時間とお金を節約したい誘惑にかられますが、生成されたコンテンツが不正確、無責任、または攻撃的である場合、ビジネスへの損害は重大になる可能性があります。
多くの組織は、競合他社を支援する可能性のあるモデルにデータが漏洩することを懸念しています。 Google、Microsoft、OpenAIはいずれもデータ使用ポリシーを公表しており、企業が使用するデータとヒントはモデルのトレーニングにのみ使用され、各顧客に提供されるコアモデルには使用されないと述べた。しかし、従業員が公共の生成 AI ツールにコピーできる情報に関するガイドラインはまだあります。
メーカーはまた、ユーザーがモデルの入力と出力の所有権を持っていると述べました。これは理論的には良い考えですが、著作権や盗作の問題、および ChatGPT のようなモデルに関しては、生成 AI の複雑さを反映していない可能性があります。引用符は含まれていないため、生成 AI によって返されたテキスト コンテンツが正しいのか、それとも他の人からコピーされたのかはわかりません。言い換えは厳密には盗作ではありませんが、他人のオリジナルのアイデアや洞察を盗むことは、どのようなビジネスにとっても決して良いことではありません。
組織にとって、AI リテラシーを開発し、生成型 AI の出力の使用と評価に従業員を慣れさせることも重要です。重要ではない領域から小さなことから始めて、有効な領域から学ぶ必要があることを忘れないでください。
以上が責任ある生成 AI テクニックを仕事に適用する 5 つの方法を使ってみましょうの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。