在生成式人工智慧成為行業潮流之前,預測性人工智慧已經透過對現有數據進行未來事件的預測,為其鋪平了道路。想像一下融合兩種技術的優勢——這就是Pecan AI的願景。
成立於八年前,Pecan AI為企業建立了一個預測分析平台,並募集了1.16億美元的資金,其中包括在2022年2月進行的6600萬美元的融資輪。
推出預測性GenAI
今天,Pecan AI推出了預測性GenAI,這是一種將生成式人工智慧的先進功能與預測性機器學習相結合的新工具。Pecan AI的首席執行官兼聯合創始人Zohar Bronfman指出:“在我們專注於經典機器學習解決方案的同時,生成式人工智慧運動在行業內展開。然而,生成式人工智慧在準確預測方面存在困難。”
儘管生成式人工智慧在內容總結和聊天機器人開發等多個任務中表現出色,但其並不專為預測而設。另一方面,預測性機器學習對用戶來說可能較為複雜。Pecan AI的預測性GenAI有效地結合了這兩種技術,使數據科學家能輕鬆創建預測模型。
使預測性人工智慧對企業可及
Pecan AI旨在簡化企業對機器學習和人工智慧的採用。傳統上,數據科學家是預測分析工具的主要使用者。Bronfman強調,Pecan AI旨在使人工智慧能力民主化,讓業務專業人士能夠在無需深入技術專業知識的情況下利用預測洞察。
預測性GenAI的關鍵特性
1. 預測聊天:此功能允許用戶與類似聊天機器人的界面互動,使用自然語言問題針對特定業務挑戰提出查詢。它直觀地指導用戶找到最相關的預測框架。
2. 預測筆記本:這個專有的基於SQL的筆記本利用生成式人工智慧,作為建立預測模型的基礎。它自動將原始公司數據轉換為可用於人工智慧的數據集,通過生成的單元處理數據查詢、結構化和聯接。用戶可以選擇自動運行這些單元,或使用SQL進行調整以加深參與。
預測性人工智慧在生成模型中的挑戰
用戶可能會發現,儘管生成式人工智慧在多項任務中表現高效,但在進行預測時卻顯得不足。據Bronfman所述,這是因為生成式人工智慧在訓練過程中依賴的數據集,並不符合預測建模所需的結構化格式。
預測數據集必須在行中具有清晰定義的實體,在列中有明確特徵及目標標籤。然而,獲取這種格式的數據通常需要大量的數據工程—這通常是由經驗豐富的數據科學家來處理。
Bronfman還強調了使用向量數據庫進行預測建模的局限性。儘管向量嵌入可以支持基本的預測功能,但其往往僅能操作有限的特徵,並要求數據科學家在特徵工程方面進行額外的勞動,以充分準備數據。
數據準備的創新
儘管預測性GenAI的對話介面可能是其最顯著的特性,Pecan AI還專注於創新自動化數據準備和特徵工程。其進步之一是針對數據洩漏的一種自動化解決方案——這是一個常見問題,可能會扭曲模型的準確性。數據洩漏是指在預測期間使用應保持隱藏的訓練數據,這對於非專家來說通常難以識別。
Bronfman解釋道:“檢測洩漏並不容易,尤其是對於非專家來說。我們提供自動化方法來識別和解決這個問題。”
通過提高可及性和準確性,Pecan AI正致力於改變企業利用預測分析的方式,為在不斷變化的人工智慧環境中做出更明智的決策鋪平道路。