Неопределенные результаты многих инвестиций в ИИ резко контрастируют с доказанным влиянием ИИ на продуктивность рабочей силы. Недавнее исследование Гарвардской школы бизнеса показало, что генеративный ИИ повышает эффективность сотрудников, позволяя им выполнять задачи на 25% быстрее и достигать более качественных результатов. Более того, генеративный ИИ меняет «мягкие навыки», необходимые для современного рабочего места, что приводит к улучшению результатов работы сотрудников и удовлетворенности от работы, как подчеркивают 92% руководителей.
Способность ИИ повышать организационную продуктивность через улучшенное сотрудничество, переподготовку и заполнение новых ролей предоставляет значительное конкурентное преимущество. Стартапы, такие как 4149.AI, Arc53 и Lavender, используют эту возможность, предлагая инновационные решения на базе ИИ.
Чтобы максимизировать преимущества генеративного ИИ, организациям следует интегрировать свои собственные данные в большие языковые модели (LLM). Эта интеграция в сочетании с генерацией, дополненной извлечением (RAG), решает ограничения LLM, такие как устаревшая информация.
«Продуктивность сотрудников стала ключевой областью, где генеративный ИИ может оказать немедленное влияние на организации всех размеров», утверждает Педер Уландер, директор по маркетингу и стратегии MongoDB. «Использование оперативных данных является решающим для раскрытия полного потенциала генеративного ИИ, и MongoDB с гордостью поддерживает перспективные стартапы, такие как 4149, Arc53 и Lavender, в разработке приложений на базе ИИ, которые автоматизируют и персонализируют рутинные задачи».
4149: ИИ-команда
«Работа заключается в том, как люди объединяются и достигают целей, и генеративный ИИ представляет собой невероятную возможность для улучшения сотрудничества», утверждает Адриан Ватчинский, соучредитель и CEO 4149. 4149 представляет будущее, в котором каждая команда достигает своих целей с поддержкой ИИ-товарища, помогая с задачами от исследований до управления задачами и признавая вклад команды.
Для реализации этой концепции 4149 разработала проактивного ИИ-агента, который самостоятельно распределяет задачи в зависимости от потребностей команды. Центральным элементом этой функциональности является система рефлексии, которая позволяет ИИ обобщать коммуникации и извлекать ценные идеи из различных проектов в реальном времени. Используя индивидуальную платформу ИИ-агента с моделями от OpenAI и Anthropic, 4149 выбрала MongoDB в качестве основного решения для управления данными, используя Atlas Vector Search для оптимизации обработки данных.
Эта платформа обрабатывает проектную документацию и взаимодействия команды, классифицируя рефлексии и идеи в Atlas Vector Search для минимизации избыточности данных. Храня идеи рядом с векторными представлениями, 4149 ускоряет доступ к данным и упрощает свой технологический стек. Более высокий уровень идей попадает в поток, позволяя ИИ улучшать свои возможности принятия решений.
«Структурировав наши рефлексии как запрашиваемые данные, мы значительно повысили производительность и сократили избыточность данных», объясняет Ватчинский. «Теперь мы сосредоточены на том, чтобы взаимодействие человека и ИИ было как эффективным, так и значимым».
DocsGPT: Упрощение документации для разработчиков
DocsGPT, созданный Arc53, — это помощник по документации с открытым исходным кодом, который выступает в роли полезного чат-бота для разработчиков. Целью является упрощение создания удобных пользовательских диалогов; DocsGPT поддерживает разработчиков в создании чат-ботов и интерфейсов с естественным языком на базе своих знаний. Разработанный как гибкий инструмент, не привязанный к платформе, DocsGPT может использовать локальные LLM для повышения безопасности и конфиденциальности.
Arc53 выбрала MongoDB, чтобы решить ключевую задачу быстрой итерации по векторным индексам, которые необходимы для оценки качества извлечения по векторным представлениям. Возможности MongoDB обеспечивают быструю разработку приложений на базе генеративного ИИ с минимальными затратами и сложностями, обеспечивая синхронизированный доступ к исходным данным и метаданным через единое API.
MongoDB Atlas используется для хранения на уровне приложений, предоставляя гибкое решение для развивающихся требований инструментов. Поскольку структура данных может варьироваться, разработчики получают доступ и оптимизацию доставки решений на базе ИИ.
«Пользователи сообщили о консервативном увеличении производительности на 20% при использовании чат-ботов для документации с поддержкой ИИ», отмечает Алекс Тушинский, соучредитель Arc53. «Для успешного извлечения информации важна итерация по векторным представлениям, и векторный поиск MongoDB облегчает это».
Lavender: Эффективные продажи по электронной почте
«Lavender помогает пользователям быстро составлять персонализированные, целевые и качественные письма, увеличивая количество ответов и позволяя электронной почте быть мощным инструментом для аутричей», объясняет Джаред Смит, CISO Lavender. Составление хорошо структурированного письма может занять от 15 до 20 минут, но Lavender сокращает это время до трех- пяти минут за счет автоматизации процесса написания.
Используя модели GPT от OpenAI, Lavender выступает в качестве тренера по написанию, сотрудничая с пользователями для создания персонализированного контента писем, оптимизации форматирования и повышения общего качества через аналитику, которая оценивает и улучшает текст в процессе написания.
«Улучшая соотношение сигнала к шуму в неструктурированных письмах, мы стремимся быть стратегичными и использовать исторические данные для вовлечения в futuras взаимодействия», говорит Смит. «Вовлеченность критически важна; мы часто наблюдаем увеличение уровня ответов на 200–300 процентов».
Lavender работает на MongoDB Atlas в Google Cloud, выбирая MongoDB за его гибкую модель документных данных, которая упрощает управление данными. Эта адаптивность позволяет Lavender эффективно извлекать информацию из неструктурированных данных электронной почты, поддерживая работу с огромным объемом информации без сложных миграций схемы.
«MongoDB предоставила надежную структуру для наших неструктурированных данных, с которой реляционные базы данных не могут сравниться, успешно масштабируясь до миллиардов записей», отмечает Смит. «Atlas Vector Search улучшил наши возможности анализа сохраненных метаданных и углубления инсайтов с помощью обработки естественного языка».
Развитие LLM
«Гибкая модель документов MongoDB, в сочетании с нативными возможностями векторного поиска, способствует разработке приложений на базе RAG», отмечает Педер Уландер из MongoDB. «Наша миссия — дать каждой организации возможность внедрять инновации с помощью данных, и вдохновляет наблюдать, как 4149, Lavender и Arc53 используют генеративный ИИ для повышения продуктивности команд».
Уникальное сочетание собственных данных и передовых LLM позволяет 4149, Lavender и Arc53 открывать новые возможности. В то время как доступ к множеству LLM становится обычным делом, настоящая сила заключается в эффективном использовании организационных данных.
С инструментами, такими как MongoDB Atlas Vector Search, компании могут внедрять архитектуры RAG, которые обеспечивают актуальность и релевантность данных для приложений ИИ. Выбор правильной базы данных с мощными векторными возможностями является ключевым для оптимизации инвестиций в ИИ.
Вывод: Инновационные функции ИИ революционизируют рабочие процессы разработчиков, в то время как разработчики создают приложения ИИ, которые трансформируют глобальные операции. Успех зависит от полного использования данных.
Углубитесь: Изучите ряд инновационных приложений ИИ, созданных с помощью инструментов MongoDB, в нашей библиотеке кейс-стадиев.
Рейтинг
