当前位置:首页|资讯|AIGC

一文解读 AIGC 驱动高绩效商业的落地与思考

作者:神策数据发布时间:2023-06-03

原标题:一文解读 AIGC 驱动高绩效商业的落地与思考

本文根据神策数据智能业务负责人郭荣锋《AIGC 驱动高绩效商业的实践》的主题演讲整理所得,主要围绕神策对 AIGC (即 AI-Generated Content,人工智能生成内容)业务应用的理解、AIGC 的落地实践及心得体会等方面展开。

以下为本文的要点:

· 懂业务并且能够与 AI 进行对话的人,将成为公司的超级个体,发挥更大的价值

· 神策数据通过构建数据分析 copilot 和用户运营 copilot,为公司的关键角色提供支持,使其成为超级个体

· 提升 AIGC 应用效果的关键点是企业数据,AIGC 时代下,企业数据愈发重要

一、对 AIGC 业务应用的理解

关于 AIGC 的范式,我们认为一方面是LUI (即 Language User Interface,自然语言用户界面),另一方面是专家模型。比如画画,我们想画一幅“美丽的清晨”,LUI 理解需求「美丽的清晨」,画画模型把图画出来;比如让 AI 模仿孙燕姿的嗓音演唱 XX 歌曲,LUI 理解需求「演唱 XX 歌曲」,唱歌模型完成演唱。现在的大模型能比较好地理解自然语言,LUI 相对比较成熟;但目前并不是所有行业或场景都有对应的 AI 专家模型,也有一些通过传统方法来实现。随着 AIGC 能力的发展,各种 AI 专家模型会越来越成熟。引用陆奇博士的话,现在正处于「模型」无处不在的新范式拐点上,接下来的时代就是模型的世界。

从企业经营的角度看, LUI + 专家模型将带来什么样的影响?确实,它可以提升员工在特定场景下的工作效率,比如自动写会议纪要等;但从其他的视角看,有没有可能有更大的价值?

我先分享一个故事。我有个出版行业的朋友,主要给书做插画,她是自己这个小公司的 CEO,没有经过一天画画训练的她,应用 AIGC 以后成为公司里最有创造力、最有生产力的人。我问她为什么,她说:画画分成两个环节,第一个环节是设计,即要画成什么样,第二步是画出来,利用训练有素的肌肉记忆把想要的画画出来。她虽然不懂画画技巧,但多年的行业经验让她很懂客户需求和插画设计,又因为她拥有丰富的绘画知识,因此她能清晰地把设计需求表达出来给 AI,然后由 AI 完成具体创作。既懂业务又具备和 AI 对话的能力,让她变成了最厉害的生产力和最棒的创作人员。

在这个故事里,LUI + 专家模型代替了只能提供基础技能价值的画师,懂业务 & 懂得和 AI 对话的业务负责人或者资深画师和 AI 互通,直接开展业务,发挥了更大价值,成为公司内的超级个体,公司业务的效率和质量自然也有了提升。因此,从企业经营角度看,可以通过构建 LUI + 专家模型来服务公司内关键角色,打造企业内超级个体,提升业务经营效率和质量。

二、AIGC 的落地实践

关于 AIGC 业务的落地,一方面是在普通场景下如何提升工作人效?另一方面是如何赋能公司中有业务能力的人,发挥其价值,让他们成为公司的超级个体,驱动业务发展。

在感知、决策、行动、反馈构成的业务闭环中,业务负责人员作为关键角色比较关注和能发挥价值的是感知和决策,我们将这两个环节设为 AIGC 应用的重点,以帮助他们发挥价值,成就超级个体。

当前企业的工作流程大多是由分析师产出数据报表和报告,业务负责人看到数据报表,针对异常数据表现,数据分析师再进行分析和汇报,业务人员难以直接接触数据,从而限制了他们对业务全局的洞察力。此外,洞察数据后进行用户运营决策时,如何更好地理解过往策略,并基于当下目标制定新的运营策略,也有较高的门槛。针对这些情况,我们可以通过 AIGC 去赋能业务负责人。

在感知环节,重点是数据分析模型与 AI 深度融合,构建数据分析专家模型,支持对话式指标查询,在一问一答中快速查看想要的数据,帮助超级个体便捷获取数据,理解业务现状(what);支持对话式数据分析,专家模型对指标及形成进行解读,帮助进行业务归因(why)。在决策环节,重点是营销模型和 AI 融合,构建营销专家模型,支持会话式受众圈选和营销策略生成。

我们构建了一个智能助手,目前是 Demo 阶段,从数据分析场景开始,现在是浏览器插件的形式。以事件分析场景为例,在输入框中用自然语言输入要获取的数据指标,比如最近 7 天搜索点击的用户数,GPT 模型将自然语言转化为请求查询 JSON 并发起查询,并进行图形化展示。我们为什么采用 text2json 而不是 text2sql?因为这样有两个好处,一方面更容易理解,便于业务人员判断查询;另一方面更容易进行人为干预,比如生成的查询 JSON 不对,或者想换种计算方式或者查询条件看看指标怎么样,都可以快速调整。

这个要怎么实现?首先要让 GPT 理解我们数据的 schema 以及任务,所以我们要做的事情是把我们 schema 传给 GPT,但因为存在长度限制,我们要解决的第一个问题就是如何让 prompt 更短,我们先从报表的上千个字段中筛选出进入到 prompt 的字段。其次,筛选出来的 schema 会有很多的字段,字段多了也会影响 GPT 的正确率和精准度,因此需要跟 GPT 进行交互,让它挑选出哪些字段与产品有关。最后再通过 GPT 进行 JSON 的生成,而对于复杂的查询,可以先让它生成一个结构,在这个结构下把内容填充进去。因此,这个查询的过程相对比较复杂。

此外,还可以辅助进行 SQL 的编写,有些分析用 JSON 查询不好做,就用 SQL 来做自定义查询。在输入框中用自然语言写入想要的查询,GPT 模型将自然语言转化为 SQL,并发起查询。如果 SQL 不对的话,还可以做修改,或是通过多轮对话的方式对其进行优化。

在分析模型外,我们还做了帮助问答助手,帮助业务人员更快速学会用产品。用户可以用自然语言问一些产品问题,GPT 基于我们的产品帮助手册来回答问题。比如输入 Session 分析可以做什么,上面就列出了回答,并引用了我们产品帮助文档的参考。GPT 做查询并基于查询做摘要生成,摘要效果和相关性比传统的搜索效果要好。比如:查询「概览和书签有什么关系」,在这个场景中,GPT 摘要详细对比描述了概览和书签的定义以及关系,而普通的搜索没有这样的能力。

三、关于 AIGC 实践的认知总结

上面介绍了我们围绕 AIGC 开展的一些应用,接下来探讨一下我们遇到的问题和实践过程中得到的认知。

首先来谈谈模型精准性。相比于摘要生成模型、图片生成模型,数据分析模型非常要求精准性。摘要生成的好坏、图片生成的好坏可以直观判断,而数据指标的对错难以直观判断,因此对精准性要求很高。而影响模型精准性的因素有哪些呢?

第一,模型的应用方式,我们要知道 prompt 怎么写影响性能和效果,比如要不要 step by step,要不要自我校准,JSON 生成要不要先生成结构等。

第二,模型的推理能力。最常见的有最近 7 天、同比、环比以及一些聚合统计的逻辑不对,比如「在过去 7 天做过成功拍照事件行为且次数超过 10 次的用户数」这一类的查询。

第三,prompt 长度约束问题。我们的事件、属性等组合起来可能有大几百,甚至上千个字段,不能将所有的表信息塞到 prompt 中,要先进行一次事件和属性的选择。

第四,字段理解问题。要让 GPT 理解事件和属性,就要给模型足够的信息,比如事件 show_take_photo_guide_popup,我们要让模型知道这是「首次拍照后弹窗引导」。

第五,业务理解问题。业务理解有两类,一类是业务指标的理解,比如转化率,不同公司的转化率定义(分子、分母)不一样,需要让模型知道业务指标的含义;另一方面是具体字段和属性的选择,有些元数据的描述很相近,比如统计照片上传成功数量,需要确定用「照片上传成功」事件还是用「服务端照片上传成功」事件。

如何解决以上问题?一方面我们需要等大模型能力的提升,或是自己去做某个领域的模型。另一方面关于字段理解和业务理解,如何积累数据变得很关键。在 LUI 的情况下,数据完备性非常重要。除了更多的数据积累,还需要知识,比如语义相近的两个字段到底选哪一个?这不是数据,而是需要知识才能解决的问题,因此要构建企业的元数据知识图谱。比如企业中已有的 1000 张报表,到底哪些字段和属性已经用过,这些字段、属性、指标之间构成了什么关系?这些可以构建出来,并用来做事件和属性的选择推理。

我们再来看看产品的设计与评估。LUI 之后,产品的设计将从场景和功能驱动,变成用户问题驱动。这随之带来两方面的影响,一方面是用户引导的方式发生改变,需要引导用户变得会问问题、正确地问问题,用户引导贯穿提问前、提问中、提问后;另一方面产品的评估方式发生变化,由「有没有某个功能」变成「能否正确回答某些问题」。这些问题的解决一方面要提高对用户的引导能力,另一方面需要建设行业问题以及相关问题的知识库。

基于前面的讨论,我们总结了 AIGC 应用方法。企业在进行决策时,是由技术可行性和业务需求双向决定的。从业务上来说,不能因为要做 AIGC 而做 AIGC,一定要有业务上的抓手,需从场景和业务应用出发。从技术上来说,数据是重要的,它可以提升大模型在特定场景下的精准性。总结起来就是:应用场景是抓手,数据是核心,大模型是支撑。


Copyright © 2024 aigcdaily.cn  北京智识时代科技有限公司  版权所有  京ICP备2023006237号-1