Los grandes modelos de lenguaje (LLM) se han apoderado del mundo empresarial y ahora todas las empresas intentan utilizar la IA generativa. Si bien herramientas como ChatGPT son claramente poderosas, no está claro cómo las empresas pueden utilizar esta tecnología de manera confiable para generar valor.
Para la mayoría de las empresas con las que he interactuado, “usando IA» significa crear un chatbot, un copiloto, un agente de IA o un asistente de IA. Sin embargo, a medida que el entusiasmo inicial por estas soluciones se desvanece, las organizaciones se están dando cuenta de los principales desafíos de la creación de sistemas en torno a los LLM.
Uno de los principales desafíos es que los LLM son inherentemente impredecibles (incluso más que los sistemas tradicionales de aprendizaje automático). Por lo tanto, es No es fácil conseguir que resuelvan un problema específico de forma predecible..
Por ejemplo, una solución al problema de las alucinaciones es tener «jueces» de LLM que revisen las respuestas del sistema para determinar su precisión y relevancia. Sin embargo, aumentar el número de LLM aumenta el costo, la complejidad y la incertidumbre del sistema.
Esto no quiere decir que no valga la pena seguir adelante con la IA generativa (y sus aliados). La IA ha enriquecido a innumerables empresas y no creo que eso vaya a detenerse pronto.
La conclusión es que el valor se genera resolviendo problemas, no utilizando la IA (por sí sola). La promesa de la IA se hace realidad cuando las empresas identificar el BIEN problemas para resolverpor ejemplo, recomendaciones personalizadas de Netflix, optimización de rutas de entrega de UPS, gestión de inventario de Walmart y muchos otros.
Si bien es fácil decir que “resolver el problema correcto” es una cosa, no es fácil hacerlo. Para ayudarte, te comparto aquí 3 casos de uso de IA para un tema que interesa a todas las empresas: las ventas. Espero despertar tu imaginación y mostrarte cómo implementarlos usando ejemplos del mundo real.
Los tres casos de uso son:
- Ingeniería de características — Extracción de características del texto.
- Estructurar datos no estructurados — Preparar el análisis de texto
- Puntuación de clientes potenciales — Identifique sus mayores oportunidades
Ingeniería destacada consiste en crear variables que puedan usarse para entrenar modelos de aprendizaje automático o realizar un análisis. Por ejemplo, de un conjunto de perfiles de LinkedIn, extraiga elementos como el puesto actual, los años de experiencia y la industria, y luego representelos numéricamente.
Tradicionalmente esto se hace de dos maneras. 1) crea funciones manualmente, o 2) compra funciones de un tercero (por ejemplo, puntajes de crédito de FICO, ingresos comerciales de D&B). Sin embargo, Los LLM han creado una tercera vía para hacer eso.
Ejemplo: extraer características de CV
Supongamos que está calificando clientes potenciales para una oferta SaaS. El software ayuda a proteger a las medianas empresas de las amenazas a la ciberseguridad. Los clientes objetivo son administradores de TI que deciden qué proveedores son los adecuados para sus negocios.
Tiene una pila de 100.000 perfiles profesionales y currículums recopilados de diversas fuentes en función de las palabras clave «TI», «ciberseguridad», «ejecutivo», «vicepresidente» y varias otras. El problema, sin embargo, es que los clientes potenciales son de baja calidad y a menudo incluyen a ejecutivos que no son de TI, profesionales de TI de nivel básico y otros que no se ajustan al perfil del cliente.
Para garantizar que los esfuerzos de ventas se centren en los clientes adecuados, El objetivo es filtrar clientes potenciales para incluir solo a los administradores de TI.A continuación se muestran algunas formas de resolver este problema.
- Idea 1: Revise manualmente los 100.000 clientes potenciales. Asunto:Poco práctico para una sola persona o un pequeño equipo de ventas
- idea 2:Escribir lógica basada en reglas para filtrar currículums. Asunto:Los CV vienen en una amplia variedad de formatos, por lo que la lógica es ineficaz.
- idea 3:Pague a un proveedor de datos por esta información. Asunto:Esto aumenta significativamente el costo de adquisición de clientes (~$0,10 por cliente potencial)
Dados los problemas con las ideas anteriores, pensemos en cómo podríamos resolver este problema con un modelo de lenguaje grande. Una estrategia simple es crear un mensaje que le pida a un LLM que extraiga la información deseada de un currículum. A continuación se ofrece un ejemplo.
Analyze the following text extracted from a resume and determine whether the
person works in the IT industry. Return a `0` if the person does not work in
theIT industry, and a `1` if they do. Then, provide a brief explanation for
your conclusion.Resume Text:
{resume text}
Esta solución es una combinación perfecta de las tres ideas anteriores. (1) examina cada cliente potencial en busca de información específica, como una persona, (2) está automatizado mediante un programa informático y (3) usted paga menos (~$0,001 por cliente potencial).
**Principal**: Para aquellos que quieran implementar algo como esto, les comparto un script de Python de muestra. aquí que extrae años de experiencia de un perfil de LinkedIn utilizando la API OpenAI.
Los datos de correos electrónicos, tickets de soporte, reseñas de clientes, perfiles de redes sociales y transcripciones de llamadas son ejemplos de datos no estructurados. simplemente significa no está organizado en filas y columnas como una hoja de cálculo de Excel o un archivo .csv.
El problema con los datos no estructurados es que no están listos para ser analizados, lo que dificulta la obtención de información. Esto contrasta con datos estructurados (es decir, números organizados en filas y columnas). Traducir datos no estructurados a un formato estructurado es otra área en la que pueden ayudar los avances recientes en el procesamiento del lenguaje natural (PLN) y el aprendizaje profundo.
Ejemplo: traducir CV en números (significativos)
Tomemos el mismo caso de negocio que en el ejemplo anterior. Digamos que logramos seleccionar 10.000 administradores de TI entre 100.000 prospectos. Aunque su representante de ventas pueda comenzar a levantar el teléfono y escribir correos electrónicos, primero desea ver si puede destilar la lista priorizar las perspectivas similar a clientes anteriores.
Una forma de lograrlo es definir características adicionales que brinden más granularidad al perfil del cliente ideal (por ejemplo, industria, requisitos de cumplimiento, pila de tecnología, ubicación geográfica), que podrían extraerse de la misma manera que en el caso de uso 1. Sin embargo, identificar tales indicadores puede ser difícily el desarrollo de procesos automatizados adicionales tiene un costo.
Un enfoque alternativo es utilizar lo que se llama incrustaciones de texto. Una incrustación de texto es simplemente una representación digital de un fragmento de texto lo cual es semánticamente significativo. Piense en ello como traducir un currículum a un conjunto de números.
La belleza de las incrustaciones de texto es que traducen texto no estructurado en una tabla estructurada de números, que es mucho más adaptable a los enfoques analíticos y computacionales tradicionales. Por ejemplo, en este contexto, se pueden utilizar incrustaciones de texto para evaluar matemáticamente qué prospectos son más similares a clientes anteriores y cuáles son los más diferentes.
El caso de uso final es puntuación de clientes potencialesque consiste en evaluar la calidad de un cliente potencial basado en factores predictivos clave (por ejemplo, puesto de trabajo, ingresos de la empresa, comportamiento del cliente, etc.). Si bien no son nuevos, los avances recientes en IA han permitido una mayor capacidad para analizar datos no estructurados que pueden integrarse en modelos de puntuación de clientes potenciales.
Ejemplo: clasificar leads según su calidad
Para concluir nuestro estudio de caso actual, analicemos cómo podemos Utilice incrustaciones de texto para priorizar a los clientes potenciales.Digamos que tenemos una lista de 1000 prospectos anteriores, de los cuales 500 compraron y 500 no compraron. Para cada prospecto, tenemos un perfil que incluye información clave como puesto, experiencia laboral, empresa actual, industria y habilidades clave.
Estos clientes potenciales se pueden utilizar para entrenar un modelo predictivo que estime la probabilidad de que un cliente compre el producto en función de su perfil. Si bien existen muchos matices al desarrollar un modelo como este, la idea básica es la siguiente: Podemos usar las predicciones de este modelo para definir las calificaciones de cada pista. (por ejemplo, A, B, C, D), que se puede utilizar para categorizar y priorizar los nuevos 10.000.
**Principal**:Para lectores más técnicos que quieran implementar estos enfoques, en este artículo reviso los tres casos de uso aplicados a los datos de ventas del mundo real de mi empresa. video. Además, el código de muestra está disponible de forma gratuita en GitHub.
La IA tiene un enorme potencial para las empresas. Sin embargo, para explotar este potencial es necesario identificar BIEN Problemas que resolver con ella.
Con la ubicuidad de herramientas como ChatGPT, las ideas de soluciones pueden limitarse fácilmente al paradigma del asistente de IA. Para ayudar a ampliar el espacio de posibilidades, he compartido tres casos prácticos de uso de IA que utilizan enfoques alternativos.
Obtenga más información sobre la IA para empresas 👇