Uso eficaz de la IA para los negocios

Para ayudar a las empresas a integrar esta tecnología en el aparato corporativo ya existente y evitar los riesgos asociados, ha surgido una plataforma que permite que la IA sea fácil de usar con fines corporativos, garantizar la confidencialidad de los datos, la transparencia de la facturación y el control sobre los procesos actuales.

Hoy en el programa:

El evento de hoy está dirigido por Sviatoslav Bagriy, jefe de desarrollo de la red de socios, empresa AGORA. Esta reunión está dedicada al uso de la inteligencia artificial para los negocios. Hoy analizaremos cómo las empresas y los negocios modernos pueden llevar a cabo sus procesos empresariales y utilizar eficazmente los recursos de la inteligencia artificial para resolver sus tareas empresariales reales.

Hablemos un poco de historia. ¿Qué es GPT? GPT son las siglas de Generative Pre-trained Transformer (Transformador Generativo Preentrenado). Fue desarrollado por un equipo de investigadores de OpenAI. Todo esto comenzó en 2018, cuando presentaron GPT-1. Le siguieron versiones mejoradas del modelo, como GPT-2 y GPT-3. El propio GPT llamó la atención por su capacidad para generar texto similar al humano utilizando mecanismos de aprendizaje automático y redes neuronales.

LLM es Large Language Model o "Modelo de Lenguaje Grande". Es un modelo de lenguaje que se utiliza para evaluar la probabilidad de una secuencia de palabras en el lenguaje natural. Se entrena para predecir las siguientes palabras en un texto basándose en las palabras anteriores. Normalmente, LLM se utiliza en diversas tareas para el procesamiento del lenguaje natural, incluyendo la generación de texto y la comprensión del lenguaje natural de la comunicación. Uno de los ejemplos más llamativos y conocidos de LLM es el modelo generativo GPT, más conocido como ChatGPT.

Los LLM más conocidos hasta la fecha se presentan en la diapositiva publicada anteriormente. Aquí hay dos grupos: con acceso abierto al código y con acceso cerrado. ¿Cómo surgió ChatGPT, cuando GPT aún no era muy conocido? Simplemente combinaron las posibilidades de uso del propio GPT y las consultas que se pueden dar a GPT, a través de un chat. Es decir, la combinación de dos formatos conocidos - un modelo generativo y la comunicación a través de un chat, dio lugar a ChatGPT. Y esto dio un crecimiento bastante rápido de la popularidad para el uso de la inteligencia artificial.

Lo que aporta el uso de la inteligencia artificial para los negocios hoy en día. Se ha estimado y medido que el crecimiento de la eficiencia de los procesos empresariales puede alcanzar hasta el 43%. Es decir, es un indicador tan grande y serio que deberían considerar incluso aquellas empresas que aún están considerando el uso de la inteligencia artificial en sus procesos empresariales. Lo más importante que aporta el uso de la IA es el aumento de la eficiencia y la productividad de los empleados, un uso más eficiente del tiempo de los empleados, es decir, la liberación del tiempo que antes se utilizaba para algunas tareas rutinarias. Ahora se pueden entregar a la inteligencia artificial, que resolverá y gastará este tiempo por el empleado. Y además, será un recurso muy, muy barato. Y, en realidad, el propio cambio en la interacción con Internet y con las soluciones de TI, todo esto lo aporta la inteligencia artificial.

La problemática que se plantea actualmente a las empresas en el uso de la inteligencia artificial es bastante amplia. A día de hoy, destacamos 6 puntos. Acceso incontrolado a las cuentas corporativas de inteligencia artificial. ¿Quién tiene acceso a estas cuentas? ¿Son los propios empleados o son algunos empleados de la empresa autorizada los que conceden derechos de acceso a otros empleados? ¿Qué сценарий se utiliza para estos accesos y recursos de inteligencia artificial? ¿Qué está permitido para los fondos corporativos? Estas son las preguntas que se plantean cuando intentamos controlar el uso de la inteligencia artificial. También el uso en la sombra. Estos son los riesgos de que los empleados lo utilicen para sus propios fines, para tareas que no se resuelven para la empresa, sino para, tal vez, algunos proyectos externos. Es decir, la empresa proporciona el recurso y no puede controlar su explotación y los gastos que conlleva. Procesos obsoletos e ineficaces para trabajar con la inteligencia artificial. En cada empresa, es 100% seguro que cualquier negocio puede examinar cuidadosamente sus procesos empresariales y ver que con el desarrollo histórico aparecen algunos procesos ineficaces, procesos empresariales obsoletos. Estos procesos se pueden optimizar, se puede aportar entre un 10 y un 40% de eficiencia si se resuelven estas tareas con la ayuda de la inteligencia artificial. Gastos. Cómo controlar los gastos en inteligencia artificial, especialmente si cada empleado que la utiliza tiene su propia cuenta. Es decir, hay que pagarlas de alguna manera. Todo esto es bastante poco transparente.

Es decir, esta facturación poco transparente y los gastos bastante impredecibles también son un problema serio para las empresas que miran hacia el uso de la inteligencia artificial, pero no dan el paso. Las diferentes API sirven para diferentes propósitos, pero, en realidad, para utilizar diferentes redes, diferentes inteligencias artificiales, diferentes LLM, es necesario conectarse a cada una de ellas. Si hay una única ventana de entrada, un único hub, es mucho más rápido y sencillo hacerlo y no es necesario mantener cada conexión por separado. La ausencia de este hub también es un problema. Y, en realidad, la conclusión de un contrato con los proveedores de inteligencia artificial es un problema en este momento. Si hablamos precisamente de aquellos modelos que se enumeraron anteriormente, es decir, no son proveedores rusos los que están apareciendo, pero no hay muchos en este momento. Las principales posibilidades de estos modelos están fuera de las posibilidades de una rápida conclusión de un acuerdo con el proveedor de inteligencia artificial.

Hoy queríamos presentarles la nueva plataforma de acceso y gestión de la inteligencia artificial corporativa Neirohub.

Con la aparición de la inteligencia artificial, se han abierto posibilidades completamente nuevas para el ser humano. Ya muchas empresas están empezando a darse cuenta del potencial de la inteligencia artificial y están aprendiendo a utilizarla para optimizar el trabajo de los empleados en diversos ámbitos. Para ayudar a las empresas a integrar esta tecnología en el aparato corporativo ya existente y evitar los riesgos asociados, hemos desarrollado la plataforma Neirohub, que permite que la inteligencia artificial sea fácil de usar con fines corporativos, garantizar la confidencialidad de los datos importantes, la transparencia de la facturación y el control sobre los procesos actuales. Tome el control de la inteligencia artificial. Hoy les contaremos cómo funciona y cómo se puede utilizar.

Neirohub es una plataforma online única de acceso. Contiene un conjunto de servicios y una interfaz cómoda de cuentas personales con ejemplos de promts, un constructor de formularios, informes y facturación en formato de una sola ventana. La empresa se conecta a la plataforma como a un servicio. Puede haber muchas de estas empresas, y a su vez la plataforma ya está conectada a la mayoría de los modelos de lenguaje necesarios. Las principales posibilidades de la plataforma que ofrece Neirohub son la flexibilidad.

Puede elegir la inteligencia artificial de diferentes proveedores y personalizar las soluciones a través de la API. Esto es control. Establezca roles y derechos de acceso de acuerdo con las políticas de la empresa. Esto es seguridad. Utilice software intermedio para proteger los datos corporativos.

Facturación en formato de una sola ventana. Incluya los servicios de diferentes proveedores y realice los cálculos en un sistema único. La multifuncionalidad permite utilizar todas las posibilidades modernas e ir al día. El trabajo en equipo a través de la plataforma permite la unión en equipos con restricciones de acceso.

Ahora pasaremos a los casos prácticos. Analizaremos diferentes ejemplos para el trabajo de diferentes departamentos. Este es el uso de la inteligencia artificial para el departamento de pruebas. En este bloque analizaremos los principales problemas a los que se enfrenta la prueba y las opciones para resolverlos con la ayuda de la red neuronal. Empecemos por los problemas. En este momento tenemos una gran cantidad de bloques bastante amplios. Probablemente, el más notable de ellos es el gran gasto de tiempo en tareas rutinarias.

Si la prueba manual directa pudimos acelerarla hace tiempo mediante la automatización, entonces el bloque restante de trabajos preparatorios y de finalización, que existen tanto en la prueba manual como en la automatizada, que incluyen la elaboración de casos de prueba y listas de verificación, una gran cantidad de diagramas, esquemas y otra documentación, la preparación de datos de prueba, la elaboración de informes de errores, sigue siendo, en gran medida, reducible solo a costa de una reducción artificial del tiempo. Es decir, este tipo de actividad o bien no se lleva a cabo en absoluto, y nos quedamos sin documentación, o bien la llevamos a cabo parcialmente, y en tal caso sería mejor no escribirla en absoluto, o bien se gasta el 50-70% de todo el tiempo en la prueba. Sí, tenemos herramientas, posibilidades de preparar, por ejemplo, plantillas, o de hacer diagramas no desde cero con la ayuda de algunas herramientas de construcción. Pero, sin embargo, requieren reelaboraciones y reelaboraciones bastante voluminosas y importantes gastos de tiempo. Junto a él, inseparablemente relacionado con él, un bloque que también requiere una gran cantidad de tiempo, es una tarea que requiere razonamiento y análisis.

Análisis de las técnicas utilizadas, búsqueda de nuevas herramientas, análisis de los resultados de las pruebas. Todos entendemos perfectamente que antes del análisis directo hay que prepararse para él, luego llevarlo a cabo, preparar los documentos de finalización, согласовать, si es necesario. Y este proceso requiere muchos recursos. Junto con esto, como resultado del análisis, si elegimos alguna herramienta y se enfrenta a la elección de cómo implementarla, hay, por supuesto, muchas soluciones, pero la mayoría de las veces es la contratación de un especialista o la formación de los empleados actuales. Al contratar a un especialista independiente, existe el riesgo de que la herramienta no nos convenga, y en tal caso habrá que resolver un mayor número de problemas.

Si decidimos formar a los empleados actuales, alargamos el proceso de implementación de algunas nuevas tecnologías. Cómo puede ayudarnos la red neuronal a resolver los problemas enumerados y muchos otros.

En la diapositiva se presentan las posibilidades, pero no todas, que pueden, si no completamente, sí en mayor medida, cubrir los costos de tiempo de las actividades mencionadas anteriormente. La red neuronal no solo es capaz de generar datos en varios formatos, sino también de ajustar la información a plantillas, preparar datos de prueba y, lo que es muy importante, cercanos a los reales. Y todos conocemos, por supuesto, los casos de preparación de varios scripts y solicitudes que necesitamos no solo en la automatización, sino que también serán útiles para los especialistas en pruebas manuales. También es necesario mencionar la posibilidad de proporcionar un análisis detallado de las causas de los errores, proporcionar instrucciones adicionales para el diagnóstico, realizar análisis de los resultados de las pruebas, formar tablas comparativas y mucho más. Además, es importante tener en cuenta que todo esto funcionará no solo con especialistas de baja cualificación o principiantes, sino también con empleados que trabajan desde hace bastante tiempo.

Propongo considerar varios casos para una mayor comprensión de cómo el chat se enfrenta a una u otra tarea. Y el primero de ellos es el caso con la tabla comparativa.

Como ya dije antes, al analizar es necesario recopilar todos los datos, sobre cuya base se construirá directamente el análisis. En este caso, se trataba de las herramientas más populares para las pruebas de carga, que era necesario proporcionar en forma de tabla. Es decir, en lugar de pasar un par de horas elaborando la tabla por mi cuenta, o buscando una ya hecha o combinándola de alguna manera, en realidad obtenemos en cuestión de minutos la información que posteriormente utilizaremos para el análisis por nuestra cuenta, o también con la ayuda de la red neuronal.

El siguiente caso es bastante cercano, pero aun así diferente, es la elaboración de documentación. En este caso, es un test-case. Y a diferencia de la elaboración de tablas comparativas, aquí, al formar la tabla comparativa, solo se especificó el formato de nuestro informe, y al elaborar directamente los test-case, trabajamos con una plantilla simplificada, pero no obstante. Es decir, además del formato, ahora también tenemos una plantilla, y al dar datos mínimos de la aplicación, pudimos obtener el volumen de todos los casos de prueba necesarios. Es posible que requieran alguna modificación, porque en cualquier caso el especialista está más inmerso en el área temática, pero, sin embargo, en la redacción de la mayor parte de los casos de prueba, en realidad reducimos el tiempo.

Y el análisis de los resultados de las pruebas. Dado que la red neuronal es capaz de procesar datos de imágenes, entre otras cosas, en este caso proporcionamos un gráfico con los resultados de las pruebas de estrés y una solicitud de análisis de los resultados, emitiendo recomendaciones sobre el procesamiento exitoso de las solicitudes. Y, en consecuencia, la respuesta fue una descripción y las posibles causas de los datos presentados en el gráfico, cálculos de los resultados, a los que se pueden sacar conclusiones sobre la carga necesaria y recomendaciones de datos adicionales que también deben tenerse en cuenta. Cuando hablamos de posibilidades, es imprescindible, por supuesto, hablar también de eficiencia.

En las diapositivas se presentan dos grandes grupos: indicadores cualitativos y cuantitativos. Si hablamos directamente de cifras, en primer lugar, se trata de una reducción significativa del tiempo.

Los mayores indicadores de reducción, del 40 al 50%, se observan en las actividades regulares del probador, es decir, la preparación de datos de prueba y la preparación de documentación, que también incluye instrucciones técnicas y de usuario. Indicadores menores, pero no obstante muy notables, de hasta el 15%, son el trabajo con errores y la implementación de nuevas soluciones. Pero aquí es importante tener en cuenta que al calcular, por ejemplo, con respecto al trabajo con errores, se tuvo en cuenta el tiempo total por la sencilla razón de que es bastante difícil separar, por ejemplo, el análisis del error y su corrección directamente. También es muy difícil dividir las pruebas y el desarrollo, porque, de hecho, el análisis puede ser realizado tanto por especialistas del departamento de pruebas como por especialistas del departamento de desarrollo. Y, por lo tanto, si dividiéramos y habláramos solo de pruebas, probablemente no sentiríamos estos cambios, simplemente porque la reducción ya pasaría al departamento de desarrollo, y allí el tiempo podría reducirse en un porcentaje, probablemente, hasta el 50%, seguro. En consecuencia, también teniendo en cuenta que muchos procesos pueden ir en paralelo. Pero debido a que muchos procesos, incluido, por ejemplo, la implementación de nuevas soluciones, puede estar enmarcado por procesos de negocio que pueden complicar o simplificar toda esta implementación, podemos notar aquí indicadores significativamente más altos. Por ejemplo, si la mayor parte de la implementación implica la comunicación con nuestros colegas, o algunas formalidades, un componente burocrático, entonces las cifras serán de hasta el 15%. En el caso de que nuestro componente burocrático no sea tan estricto, entonces las cifras también pueden aumentar hasta el 30%. Y, por supuesto, los indicadores cualitativos, que son muy difíciles de evaluar, pero, sin embargo, están presentes. Los indicadores cualitativos pueden incluir una alta tasa de crecimiento de la cualificación de los probadores, porque en lugar de ir, por ejemplo, seis meses a cursos, pueden reducir este tiempo debido a que la red neuronal les proporciona tanto diagnóstico como la capacidad de analizar y, en general, emitir algunas soluciones ya hechas, en las que se puede aprender muy rápidamente tanto el propio especialista, como también mejorar la calidad del producto fabricado, producido, y la posibilidad de implementar nuevos tipos de pruebas sin atraer a nuevos empleados y sin riesgos adicionales.

Ahora pasemos al siguiente caso. Aplicabilidad para el departamento de análisis de sistemas. Por supuesto, comenzaremos con la preparación para la entrevista y la recopilación de requisitos. Veremos cómo se pueden registrar los requisitos en formato User Story, realizar la validación de las especificaciones técnicas, construir un modelo de datos, crear diagramas de secuencia o desarrollar documentación de API. Propongo analizar cada punto con más detalle.

Antes de comenzar el proceso de análisis de sistemas, es importante prepararse adecuadamente para las entrevistas con los clientes o stakeholders. Y en este caso, el uso de la red neuronal puede facilitar significativamente este proceso. El chat puede formular preguntas que pueden convertirse en un punto de partida para la recopilación de requisitos, o preparar una agenda, escribir una carta para el cliente, ayudar a identificar algunas necesidades clave o formar las expectativas iniciales de los usuarios.

Después de recopilar los requisitos, es necesario estructurarlos de tal manera que sean comprensibles para todos los participantes del proceso. Uno de estos formatos es User Story.

Utilizando la red neuronal, podemos describir los requisitos en formato User Story. Como puede ver en la diapositiva, la red neuronal devolverá un título para la User Story y devolverá el formato habitual. Yo, como usuario, quiero obtener y los criterios de aceptación. User Story no es el único formato. También se puede, con la ayuda de la red, describir los requisitos en formato Use Case o simplemente en forma de una lista de requisitos funcionales o no funcionales.

Después de elaborar las especificaciones técnicas, es importante realizar su validación para asegurarse de la integridad y el cumplimiento de todos los requisitos. El uso del chat también para el análisis de las especificaciones técnicas puede ayudar a identificar algunos problemas o contradicciones potenciales en la etapa de creación. Al establecer un contexto determinado, puede realizar la validación tanto desde el punto de vista del negocio y verificar algunos requisitos más empresariales, como desde el punto de vista técnico, donde la red neuronal puede ofrecerle mejoras en el marco del modelo de datos o la integración de API, o algunos otros parámetros.

Una de las etapas clave del análisis de sistemas es la construcción de un modelo de datos. El chat en este caso puede utilizarse para analizar los requisitos y construir un modelo de datos preliminar. Además de que se puede construir, выделять некие сущности, прописать их атрибуты, también la red neuronal devolverá la respuesta en la forma en que le sea más familiar. Por ejemplo, para las bases de datos relacionales, es muy común describir en forma de tabla, como se presenta en la diapositiva.

El diagrama de secuencia juega un papel importante en la visualización y la interacción entre diferentes sistemas y usuarios. Aquí también la red neuronal puede ayudar a crear automáticamente diferentes tipos de diagramas. Por ejemplo, en la diapositiva hay un ejemplo de diagrama de secuencia.

La red neuronal forma muy bien en formato para plantUML. Tiene su propia sintaxis. Después de la formación, solo queda copiar el código proporcionado, insertarlo en el lugar correspondiente y obtendrá los diagramas necesarios. Y, por último, para muchos proyectos, el desarrollo de documentación de API es una parte integral del proceso.

En la diapositiva se presenta cómo la red neuronal formó un método para la integración de 1C con una plataforma por REST API en formato json. Además de que la red neuronal puede desarrollar documentación de API, también puede validar un método ya existente, formar entidades para almacenar datos de este método y registrar los mapeos.

Hemos analizado los aspectos clave de la aplicación de la red neuronal en el análisis de sistemas, que pueden acelerar el trabajo del analista del 20 al 40%.

Ahora resumamos. Los principales departamentos donde se puede aplicar Neurohub, donde se puede aplicar la IA, son el equipo técnico, el equipo de desarrolladores y analistas. Si tiene tales empleados, entonces este equipo escribirá código y casos de prueba, elaborará especificaciones técnicas y realizará análisis preliminares más rápido con la ayuda de la inteligencia artificial. Si tiene especialistas en marketing, y los hay en cualquier empresa donde trabajen al menos 10 empleados, entonces generarán creatividades, generarán textos publicitarios, utilizarán diferentes tipos de inteligencia artificial y obtendrán información. El departamento de ventas, si no es una empresa de una sola persona, especialmente si se trata de ventas complejas, ventas de proyectos, tal vez sea la venta de desarrollo a medida. En realidad, la inteligencia artificial ayudará a realizar un análisis de los requisitos del cliente, asesorar sobre la funcionalidad o las propiedades del producto existentes, ayudar con la navegación por la documentación existente. El soporte técnico, que tiene la empresa, que presta servicios o algún servicio, utiliza la inteligencia artificial para la navegación por la documentación, asesora sobre cuestiones técnicas, jurídicas, sobre cuestiones de productos. Creemos que el uso de la inteligencia artificial es ahora imprescindible. Es como cuando cada empresa debía tener un sitio web para simplemente existir y estar a la vista, y simplemente declararse como empresa. Ahora estamos entrando en una era en la que cada empresa utiliza los recursos de la inteligencia artificial para sus propios procesos de negocio. Si está listo para la implementación, vaya a Telegram, envíe la palabra Neirahub. Le contaremos, le asesoraremos con más detalle, qué podemos hacer, cómo Neurohub ayudará en sus procesos concretos, realizaremos un análisis de sus problemas existentes. La implementación tarda de 1 a 3 semanas. Podemos personalizar, podemos implementar en diferentes formatos. Esto puede ser el uso del acceso a la plataforma, así como la instalación en el contorno de su empresa con alguna personalización o en forma de caja.