أعلنت Uniphore، الشركة العالمية الرائدة في تكنولوجيا الذكاء الاصطناعي التفاعلي والأتمتة، عن إطلاق X-Stream، وهو طبقة تحويلية في منصتها الأساسية للبيانات والذكاء الاصطناعي. يُsimplify X-Stream تطوير تطبيقات الجيل المعزز بالاسترجاع (RAG) من خلال تقديم المعرفة كخدمة، ودمج الأدوات الأساسية والروابط للتحكم في البيانات المتعددة الوسائط للشركات للاستفادة منها في تطبيقات الذكاء الاصطناعي المحددة بالنطاق.
يوفر X-Stream هيكلًا موحدًا ومفتوحًا يُsimplify عملية تحضير البيانات المناسبة للذكاء الاصطناعي، مما يعمل كحل شامل ويقضي على الحاجة إلى مجموعة من الأدوات خلال خط تطوير المشروع. صرح Umesh Sachdev، الرئيس التنفيذي لشركة Uniphore: "يتيح X-Stream للعملاء تحسين بياناتهم وتحويلها إلى معرفة جاهزة للذكاء الاصطناعي، ويمكن دمجها بسلاسة في النماذج اللغوية الصغيرة الجاهزة للإنتاج التي تقدمها Uniphore."
مواجهة تحديات البيانات لـ RAG
مع تطور الذكاء الاصطناعي التوليدي، برز مفهوم RAG – حيث تستمد الذكاء الاصطناعي المعلومات من قواعد بيانات محددة لتوفير إجابات دقيقة. تسعى الشركات جاهدة لإنشاء تطبيقات بحث ودردشة قائمة على RAG تستخدم قواعد المعرفة الداخلية الخاصة بها للحصول على استجابات دقيقة وخالية من الأوهام، مما يعزز الكفاءة عبر الوظائف المختلفة.
ومع ذلك، فإن تطوير هذه التطبيقات وتوسيعها يواجه تحديات بيانات كبيرة. غالبًا ما تكون المعلومات التي تحتاجها المؤسسات متفرقة بين مجموعة متنوعة من المصادر والصيغ، بما في ذلك الجداول المنظمة، والنصوص غير المنظمة، والمستندات، والفيديوهات. عادةً ما تلجأ الشركات لتجميع هذه البيانات من خلال مكونات متعددة وروابط بيانات، مثل Fivetran، لتوصيل مستودعات البيانات وأنظمة ERP وHCM والتطبيقات الداخلية.
بمجرد الاتصال، يجب على المنظمات تمكين تدفق RAG من خلال تقسيم البيانات، وتحويلها إلى تمثيلات، وتخزينها في قاعدة بيانات متجهة باستخدام أدوات مثل Milvus، أو Weaviate، أو Pinecone. لتحسين الدقة، قد يدمجون أيضًا قدرات RAG البيانية، مثل Neo4j.
تتحول هذه الطريقة المجزأة بسرعة إلى عبء، مما يؤدي غالبًا إلى تمديد جداول مشاريع تمتد على مدى عدة أشهر قبل تحقيق تطبيقات ذكاء اصطناعي توليدية قابلة للتوسع. "لقد سمعنا من قادة البيانات في المؤسسات عن حاجتهم إلى طريقة أكثر كفاءة لدفع تحويل المعرفة عبر الصوت والفيديو والنص، بعيدًا عن المنصات التقليدية أو المكتبات،" أوضح Sachdev.
لتعويض هذه الفجوات في البيانات، يوفر X-Stream من Uniphore هيكلًا متماسكًا يجمع جميع الأدوات والضوابط اللازمة في مكان واحد. يستوعب X-Stream البيانات المتعددة الوسائط من أكثر من 200 مصدر، مما يجعلها جاهزة للذكاء الاصطناعي من خلال دمج ذكي وتحويل. بعد المعالجة الأولية، يقوم بتقسيم البيانات، وتحويلها إلى تمثيلات، وتخزينها في قاعدة بيانات متجهة، مما يسهل الوصول إلى البيانات ذات الصلة لفِرَق الذكاء الاصطناعي ودعم نماذج Uniphore المحددة بالصناعة واستخدامات RAG.
بالإضافة إلى ذلك، ينشئ X-Stream الرسوم البيانية للمعرفة حيث يكون السياق والتفكير ضروريين ويخلق بيانات اصطناعية لتخصيص النماذج لحالات الاستخدام أو الصناعات المحددة. كما يتضمن ميزات إدارة الأدلة مثل فحص الحقائق ونسبة القطع، مما يعزز الثقة في نتائج الذكاء الاصطناعي.
يُعجل هذا الحل الشامل من خط إنتاج الذكاء الاصطناعي من إعداد البيانات إلى الناتج النهائي، مما يمكّن من تطوير تطبيقات RAG من الدرجة الإنتاجية بشكل أسرع. أضاف Sachdev: "يبرز X-Stream لسببين رئيسيين: حيث يستفيد من 16 عامًا من خبرة Uniphore في البيانات غير المنظمة المنتشرة عبر الصوت والفيديو والنص، ويقدم منصة موحدة مصممة لتلبية احتياجات الذكاء الاصطناعي المتنوعة في المؤسسات."
قيمة واعدة كبيرة
رغم أن X-Stream تم إطلاقه مؤخرًا، سلط Sachdev الضوء على إمكانيته في تحسين مكونات الذكاء الاصطناعي والبيانات، مما يسمح بنشر تطبيقات الذكاء الاصطناعي التوليدية المحددة بالنطاق باستخدام البيانات الداخلية بسرعة تصل إلى ثمانية أضعاف مع الالتزام بأعلى معايير الجودة والامتثال والحوكمة. “تتبع Uniphore نموذج تسعير قائم على الاستخدام، حيث يختبر العملاء عادةً عائدًا على الاستثمار بين 4x-6x خلال أسابيع من بدء التنفيذ”، أشار.
من الجدير بالذكر أن بعض قدرات X-Stream تتداخل مع تلك الموجودة لدى الشركات الكبيرة والناشئة، مثل Amazon Sagemaker وTonic AI وUnstructured.io. سيكون من المثير للاهتمام مراقبة قابلية توسيع هذا العرض الجديد، خاصة مع تبني المزيد من المؤسسات للذكاء الاصطناعي التوليدي للتطبيقات الداخلية والخارجية. تتعاون Uniphore مع أكثر من 1500 شركة، بما في ذلك DHL وAccenture وGeneral Insurance.
وفقًا لـ Gartner، يُتوقع أنه بحلول عام 2025، سيتم التخلي عن 30٪ من مشاريع الذكاء الاصطناعي التوليدية بعد مرحلة إثبات الفكرة بسبب رداءة جودة البيانات، أو عدم كفاية ضوابط المخاطر، أو ارتفاع التكاليف.
قائمة الترتيب
