GPT-4如何与流数据融合为实时生成式AI赋能？
如今，几乎所有企业都希望把ChatGPT纳入业务场景，但如何不会“竹篮打水一场空”，让技术真正为业务服务呢？实践说明，将ChatGPT的通用能力与企业自有数据需求结合在一起，是最快捷的落地方式！
大模型VS传统机器学习建模
试想一下，如果一家航空公司引入了人工智能技术，智能客服会在任何时间任意地点实时响应客户服务。比如：乘客要问把滑雪板带上飞机要多少钱？按照传统的服务方式，要转好几个流程，等很久，但ChatGPT可以在几秒钟给出答复。再具体一点，如果乘客的问题是，我的航班延误了吗? 我可以升级到头等舱吗? 我明天的班机还在候补名单上吗?传统的服务方式是，系统首先要确定你是谁，你要乘飞机去哪里，预订什么时候的机票?你订了哪家航空公司的机票?没有几分钟的时间，根本搞不定！但是通过OpenAI创新，无论多个性化的服务，都可以提供服务。
值得一提的是，单纯引入ChatGPT通用模型，并不能直接服务于业务，因为企业的个人数据无法与开放数据连接，自然无法应用于具体的业务场景，这也是很多企业基于通用模型建立私域模型的根本原因。所以，行业大模型的难点在于，如何安全地将内部数据提供给ChatGPT。
在传统机器学习建模中，大多数的数据工程都在模型创建阶段，企业需要一个特定的数据训练环境，并通过特征工程来获得正确的模型，一旦训练完成，企业就有了一个一次性的模型，它可以完成手头的任务，但除此之外别无其他用处。并且，大多数针对特定问题的经验和智慧，都是在实际训练时形成的。由于训练通常是批处理的，所以数据流也是批处理的，需要从数据湖、数据仓库或其他面向批处理的系统中输出。
但是对于大语言模型环境中，模型和数据的关系恰恰相反，大模型通常由一个巨大的通用数据集产生，通过深度学习算法进行一次端到端学习来构建，从而产生一个具有广泛能力和可重用性的模型。
这意味着OpenAI和Google提供的服务主要是基于可重用的预训练模型提供功能，而不是要求为每个问题重新创建模型。这就是为什么ChatGPT对这么多开箱即用的东西很有帮助的根本云原因。在这个范例中，当企业想要根据模型构建一些特定的应用时，可以在每个提示符中进行操作，数据工程必须在时间允许范围内进行操作。如此一来，数据流问题也从批处理转向实时处理。
数据流从批处理到实时处理的转换
那么，ChatGPT到底是如何与数据结合，进行工作的呢？ChatGPT，或者真正的GPT模型，基本上是一个非常大的神经网络，通过来自互联网的文本进行训练。也就是说，通过对大量数据的训练，GPT已经能够学会如何像人类一样交谈，并且非常聪明。
ChatGPT最吸引人的一个方面是，它可以记住之前的对话。例如，如果你问它“意大利的首都是什么?”，它会正确地回答“罗马”。如果你接着问“它成为首都有多久了?”，它就能推断出“it”指的是罗马作为首都，并正确地回答为1871年。它是如何做到的呢?
ChatGPT有一个叫做上下文窗口的东西，它就像工作记忆的一种形式。OpenAI的每个模型都有不同的窗口大小，由输入和输出命令的总和限制。当命令数量超过窗口大小时，最旧的命令将从后面删除。
但是回到前文所述的航空业务场景，我们建立智能客服大模型之前，必须收集所有可能与每个客户相关的信息。包括：客户的身份、即将为客户预订的航班、分配给该航班的飞机座位布局、当前航班的载客量、免费升级奖励积分等等，对于大多数公司来说，这些数据分布在不同的系统中，有不同的数据库、数据仓库、SaaS应用程序、队列和文件系统承载，其中大部分数据都不是为了以低延迟进行交互式查询而构建的，而且没有一个数据是为了便于整合而安排的。这些系统之间的通信是点对点的，因此很难获得统一的数据视图。
所以，Kafka事件流是将所有这些系统结合在一起的一个很好的解决方案。通过在每个客户发生变化时访问信息提要，我们可以构建每个客户的统一视图，并且该视图易于以低延迟的方式进行查询。Confluent的连接器可以很容易地从这些孤立的系统中读取数据。由于这些事件流通常包含一些原始信息，因此我们可以将这些数据处理成更精细的视图。流处理可以将单个流转换、过滤和聚合到更适合不同访问模式的视图中，最终将该视图放入关系数据库、键/值存储或文档存储中。
有人可能会说，我们为什么不使用矢量数据库，通过矢量数据库来360度展示数据，这样做不是更简单吗？答案是，对矢量数据库的查询基于嵌入之间的距离检索数据，这不是最容易调试和调优的事情。换句话说，当客户开始与智能客服聊天时，您绝对希望客服知道客户预订的所有航班信息。而不是想让它碰运气，得到一个不确定的回复。因此，在这个案例中，最好只按客户ID查询客户360视图，并将检索到的数据放在第一位。
当然，采取矢量数据库策略，也不是不可以。企业有这个技术能力，通过矢量数据库处理数据，获取正确的信息就变得简单多了。但是，在将提示发送到GPT之前，要对提示本身进行嵌入。然后，使用该嵌入并查询矢量数据库以获取相关信息。该查询的结果成为您添加到提示符前的一组事实，这有助于保持上下文窗口较小，因为它只使用相关信息。