מתי כדאי להשתמש ב-AI גנרטיבי או ב-AI מסורתי

המסמך הזה יעזור לכם להבין מתי כדאי להשתמש ב-AI גנרטיבי, ב-AI מסורתי או בשילוב של שניהם בתרחיש השימוש העסקי שלכם.

במסמך הזה, המונח AI מסורתי מתייחס ליכולות AI ולתרחישי שימוש ב-AI שלא בהכרח דורשים שימוש ביכולות של AI גנרטיבי, כמו חלק מתרחישי השימוש ב-AI לסיווג ולחיזוי. מודלים מסורתיים של AI מצטיינים בלמידה מנתונים קיימים כדי לסווג מידע או לחזות תוצאות עתידיות על סמך תבניות היסטוריות. מודלים של AI גנרטיבי מרחיבים את היכולות האלה כדי ליצור סיכומים, לחשוף קורלציות מורכבות שמוסתרות בנתונים או ליצור תוכן חדש – כמו טקסט, תמונות או סרטונים – שמשקף את הסגנון והדפוסים בנתוני האימון.

מתי כדאי להשתמש ב-AI גנרטיבי

באופן כללי, פתרונות AI גנרטיבי מצטיינים במשימות כמו:

  • יצירה והמלצה על תוכן.
  • הטכנולוגיה הזו מאפשרת חיפוש בממשק שיחה וצ'אט בוט.
  • התאמה של תהליך העבודה לביצוע אוטומטי של משימות שחוזרות על עצמן.
  • שימוש בהיגיון אסוציאטיבי כדי למצוא תובנות וקשרים במסמכים ובנתונים.
  • יצירת קוד ועזרה למפתחים בכתיבה, בהסבר ובתיעוד של קוד.

בקטעים הבאים מפורטות דוגמאות לתרחישי שימוש נפוצים וכלליים ב-AI גנרטיבי, שאפשר להתאים לתעשיות שונות.

יצירה והמלצה על תוכן

  • יצירת תוכן שקשור לשיווק, כמו תמונות של מוצרים, פוסטים ברשתות החברתיות ואימיילים עם תמונות רלוונטיות.
  • תרגום תוכן כמו מסמכים, תוכן של אתרים ושיחות עם צ'אטבוטים רב-לשוניים.
  • סיכום של תוכן טקסטואלי, כולל מסמכים, מאמרים, משוב מלקוחות ודוחות, כדי לעזור לכם לקבל החלטות מושכלות יותר שמבוססות על נתונים.
  • יצירת סיכומים של מידע מכמה מקורות, שיכולים לכלול טקסט, תמונות, רכיבי וידאו או אודיו.
  • יצירה אוטומטית של כתוביות לסרטונים.
  • יצירת תוכן מולטימדיה קריאייטיבי, כמו יצירת תמונות חדשות מתיאורים של פרומפטים טקסטואליים, שינוי או תיקון של תמונות באמצעות פרומפטים טקסטואליים (לדוגמה, הסרת אובייקט או שינוי ערכת הצבעים), ויצירת סרטונים קצרים או אנימציות מפרומפטים טקסטואליים או מתסריטים.
  • יצירת קולות סינתטיים ריאליסטיים לאודיו, כמו קריינות ומוזיקה.
  • ניתוח והבנה של התנהגות המשתמשים, ההעדפות, הביקורות והאינטראקציות הקודמות שלהם כדי לספק המלצות מותאמות אישית לתוכן. אפשר לשלב את הניתוח עם גורמים בזמן אמת כמו מיקום, כדי להתאים אישית המלצות לתוכן כמו מוצרים, מאמרים וסרטונים.

חיפוש בממשק שיחה וצ'אטבוטים

  • פיתוח עוזרים וירטואליים לאינטראקציות עם משתמשים, כמו תמיכת לקוחות ומכירות באינטרנט.
  • הפעלת חיפוש בממשק שיחה במאגרי ידע גדולים באמצעות שאילתות בשפה טבעית.
  • קבלת תשובות לשאלות מורכבות שמשלבות בין שאילתות טקסט לבין תמונות קשורות.

הבנת מסמכים ונתונים

  • חילוץ נתונים וניתוח תוכן מטקסט כמו דוחות, חשבוניות, קבלות, עסקאות פיננסיות או חוזים כדי להדגיש שגיאות אפשריות או בעיות תאימות, לזהות סיכונים פוטנציאליים או לחשוף אנומליות שמצביעות על הונאה.
  • ניתוח הסנטימנט של תוכן שנוצר על ידי משתמשים, כמו פוסטים ברשתות חברתיות וביקורות על מוצרים.
  • ניתוח של שיחות מוקד טלפוני שעברו תמלול כדי לחלץ תובנות, כמו הסיבות הנפוצות ביותר לכך שלקוחות נותנים דירוג נמוך לאינטראקציות עם המוקד הטלפוני.

  • ניתוח נתוני אבטחת סייבר, כמו דוחות איומים, מאמרים ומאגרי מידע, כדי לחלץ אינדיקטורים מרכזיים לאיומים. הניתוח הזה מאפשר הגנה פרואקטיבית על הסייבר, כדי לסכם ולתעדף אסטרטגיות להפחתת הסיכון עם המלצות לתגובה מהירה יותר.

    הניתוח יכול לתרגם גרפים מורכבים של התקפות להסברים בטקסט פשוט על חשיפה. הוא יכול גם לדמות נתיבי תקיפה אפשריים כדי להדגיש נכסים מושפעים, והוא יכול להמליץ על אמצעי הגנה לפני שניתן לנצל את הנכסים.

יצירת קוד ועזרה למפתחים

‫AI גנרטיבי יכול לעזור במשימות מהסוגים הבאים בכל השלבים של מחזור החיים של פיתוח תוכנה (SDLC):

  • יצירת מפרטים ותיעוד של ממשקי API באמצעות הנחיות בשפה טבעית.
  • יצירת נכסים כמו קוד, פונקציות, פקודות בשורת הפקודה וסקריפטים של Terraform מהנחיות בשפה טבעית.
  • יצירת בדיקות והסברים לקוד, כולל הערות ותיעוד להסבר הקוד.

מידע נוסף על האופן שבו AI גנרטיבי יכול לשנות את הפעילות העסקית, כמו שירות לקוחות, פרודוקטיביות של עובדים ואוטומציה של תהליכים, זמין במאמר תרחישי שימוש עסקיים בקטע 'AI גנרטיבי ב- Cloud de Confiance'.

מתי כדאי להשתמש ב-AI מסורתי

תרחישי שימוש מסורתיים ב-AI מתמקדים בדרך כלל בחיזוי תוצאות עתידיות או בסיווג קטגוריה על סמך מודל AI שאומן על מקורות נתונים היסטוריים קיימים, כמו נתונים טבלאיים ותמונות. פתרונות AI מסורתיים מספיקים בדרך כלל כדי לטפל בכמה תרחישי שימוש של AI לסיווג ולחיזוי, כמו:

  • תרחישים לדוגמה לסיווג:
    • סינון ספאם באימייל על ידי סיווג אימיילים כספאם או כלא ספאם, על סמך מודל AI מסורתי לסיווג שעבר אימון על נתונים היסטוריים.
    • אימון מודל מסורתי לסיווג תמונות על תמונות ספציפיות של מוצרים תקינים ופגומים, כדי לעזור ביעילות בבדיקה בזמן אמת ובזיהוי פגמים בתהליך הייצור.
  • תרחישי שימוש ברגרסיה:
    • חיזוי ערכים מספריים רציפים, כמו חיזוי מחירי בתים על סמך מאפיינים ספציפיים של בתים ומיקום.
    • חיזוי ההכנסה של לקוח בפלטפורמה למסחר אלקטרוני במהלך הקשר שלו עם החברה, על סמך נתוני רכישות היסטוריים.
  • תרחישי שימוש בתחזיות של סדרות זמנים: תחזית של מכירות וביקוש.
  • תרחישי שימוש בשיטת האשכולות: ביצוע פילוח לקוחות.

מידע נוסף על שימוש ב-AI מסורתי זמין במאמר שימושים ודוגמאות לחיזוי אנליטי בקטע 'מהו חיזוי אנליטי?'.

ההבדלים בין AI מסורתי לבין AI גנרטיבי

עץ ההחלטות הפשוט שלמטה מספק הפניה כללית לכמה נתיבי החלטה שמבוססים על תרחישים לדוגמה. במקרים מסוימים, כדאי להשתמש גם ב-AI מסורתי וגם ב-AI גנרטיבי, כמו שמתואר בקטע הבא, 'מתי כדאי לשלב בין AI גנרטיבי לבין AI מסורתי'.

בתרשים עץ מוצג מתי כדאי להשתמש ב-AI גנרטיבי, בסיווג מסורתי או ב-AI לחיזוי, או במודל AI שאומן מראש.
בעץ החלטה מוצג מתי כדאי להשתמש ב-AI גנרטיבי, בסיווג מסורתי או ב-AI חיזוי, או במודל AI שאומן מראש.
לחצו על התרשים כדי להגדיל אותו.

עץ ההחלטות כולל את השאלות והתשובות הבאות שמבוססות על תרחישי שימוש:

  • אם התרחיש לדוגמה שלכם קשור לסיווג או לזיהוי, כדאי לבדוק אם מודל AI מסורתי שאומן מראש יכול לענות על הדרישות של התרחיש לדוגמה. מודלים מסורתיים שאומנו מראש כוללים ממשקי AI API כמו Document AI,‏ Vision AI,‏ Natural Language API ו-Video Intelligence API.

    • אם מודל שעבר אימון מראש עונה על הדרישות שלכם, כדאי להשתמש בו.
    • אם מודל שעבר אימון מראש לא עומד בדרישות שלכם, כדאי לבדוק אם יש מספיק נתונים לאימון כדי לאמן מודל בהתאמה אישית.
      • אם יש מספיק נתוני אימון, מה צריך להיות בראש סדר העדיפויות: שליטה רבה יותר באימון המודל או השגת יציאה מהירה יותר לשוק (GTM)?
        • אם אתם רוצים שליטה גבוהה באימון המודל עם התאמות אישיות כמו שימוש באלגוריתם מודל מועדף, פיתוח פונקציות הפסד משלכם, שימוש בתכונות ספציפיות של הסבר המודל, מספר השכבות במודל, קצב הלמידה והיפרפרמטרים אחרים של המודל, אתם יכולים להשתמש באימון מותאם אישית של מודל AI מסורתי. למידע על ההבדלים בין אימון מותאם אישית או אימון מודל ב-Vertex AI באמצעות AutoML, אפשר לעיין במאמר בחירת שיטת אימון.
        • אם העדיפות העסקית שלכם היא להשיג GTM מהר יותר, אתם יכולים להשתמש ב-AI גנרטיבי. אם יש לכם מקרה שימוש מיוחד, אתם יכולים לשפר את הביצועים של המודל באמצעות התאמת מודל, כמו התאמה מפוקחת לסיווג, לניתוח סנטימנטים או לחילוץ ישויות.
      • אם אין קבוצת נתונים לאימון, או אם קבוצות הנתונים הקיימות לא גדולות מספיק כדי לאמן מודל בהתאמה אישית, אפשר להשתמש במודלים של AI גנרטיבי עם הנדסת פרומפטים. אפשר לדייק עוד יותר את המודלים האלה כדי לבצע משימות מיוחדות באמצעות דוגמאות של נתונים.

  • אם התרחיש לדוגמה שלכם קשור לתרחישי שימוש ב-AI לחיזוי, השתמשו ב-AI מסורתי. ‫AI מסורתי לחיזוי יעיל במיוחד עם נתונים מובנים.

  • אם תרחיש השימוש שלכם קשור לתרחישי שימוש ב-AI גנרטיבי כמו סיכום, יצירת תוכן או תמלול מתקדם, כדאי להשתמש ב-AI גנרטיבי. השימוש ב-AI גנרטיבי כולל תרחישי שימוש שבהם נדרשת עיבוד והזנה של מידע ממגוון קטגוריות, כמו טקסט, תמונות, סרטונים או אודיו.

למרות שמדעני נתונים ומהנדסי למידת מכונה מובילים בדרך כלל את תהליך בחירת המודל, חשוב לקחת בחשבון גם את התובנות של בעלי עניין מרכזיים כמו מנהלים עסקיים, בעלי מוצרים, מומחים בתחום ומשתמשי קצה. לדוגמה, בעלי העניין האלה יכולים לפעול בדרכים הבאות:

  • מנהלים עסקיים וקובעי מדיניות: מאשרים את הבחירה אם היא תואמת לסדרי העדיפויות העסקיים.
  • בעלי מוצרים: יכול להיות שירצו להשפיע על התנהגות המודל או לקבל עליה שליטה רבה יותר כדי להתאים אותה לסדרי העדיפויות של המוצר.
  • מומחי דומיין: משתמשים במומחיות שלהם בתחום כדי לשפר את היעילות של המודל.
  • משתמשי קצה: יכול להיות שהם יצטרכו להבין את הפלט של המודל, ואיך לשלב אותו כדי לקבל החלטות מושכלות יותר.

מתי כדאי לשלב AI גנרטיבי עם AI מסורתי

אין סתירה בין AI מסורתי לבין AI גנרטיבי. במקרים מסוימים של שימוש עסקי, אפשר להשתמש בהם יחד כדי להשיג את המטרה העסקית הסופית. לדוגמה, אתם יכולים להשתמש בפלט ממודל AI מסורתי כחלק מההנחיה למודל AI גנרטיבי. הנה כמה דוגמאות לתרחישי שימוש שבהם אפשר לשלב בין יכולות של AI מסורתי לבין יכולות של AI גנרטיבי:

  • ‫AI מסורתי לחיזוי יכול לנתח נתונים היסטוריים כדי לחזות את הסבירות לנטישת לקוחות. אפשר לשלב את הניתוח הזה עם מודל שפה גדול (LLM) או עם צ'אטבוט מבוסס-AI גנרטיבי, כדי לאפשר לצוות המכירות לבדוק את התחזיות באמצעות שיחות בשפה טבעית. אפשר גם ליצור לוחות בקרה של בינה עסקית (BI) באמצעות שיחה פשוטה עם הצ'אטבוט.
  • ‫AI מסורתי לחיזוי יכול לחזות סיכונים בתרחיש שימוש ספציפי, בעוד ש-AI גנרטיבי יכול לדמות תרחישים שונים כדי לעזור לגבש אסטרטגיות אפשריות לצמצום הסיכונים.
  • ‫AI מסורתי לחיזוי יכול לזהות פלחי לקוחות כדי לעזור ליצור שיווק מותאם אישית וקמפיינים. לאחר מכן תוכלו להשתמש ב-AI גנרטיבי כדי ליצור תוכן שיווקי מותאם אישית לכל פלח שזוהה.
  • ראייה ממוחשבת מסורתית מבוססת-AI יכולה לזהות ולסווג שפת סימנים כדי לתרגם קלט וידאו לטקסט. ה-AI הגנרטיבי יכול להוסיף הבנה של הקשר וניואנסים בשפת הסימנים, וכך לאפשר תרגום אופטימלי יותר לטקסט כתוב, כולל בשפות שונות. ‫AI גנרטיבי יכול גם ליצור פלט קולי מתרגום הטקסט, וכך לאפשר תקשורת דו-כיוונית חלקה בין אנשים שמסמנים בשפת הסימנים לבין אנשים שלא מסמנים.
  • ‫AI מסורתי יכול לבצע ניתוח של סרטונים ולהשתמש ביכולות של ניתוח וידאו כדי לחלץ תובנות ותכונות חיוניות מנכסי וידאו. לדוגמה, היא יכולה לבצע זיהוי אובייקטים, זיהוי בני אדם, זיהוי טקסט וחילוץ מנכסי וידאו. לאחר מכן, AI גנרטיבי יכול להשתמש בתובנות האלה כדי ליצור חוויות חדשות כמו צ'אטבוטים, כרטיסי מוצר, דוחות או מאמרים.

כדי למקסם את היתרונות העסקיים של השקעות ב-AI גנרטיבי וב-AI מסורתי, חשוב לתת עדיפות לתוצאות עסקיות ולצרכים של המשתמשים (פתרונות AI שמבוססים על העסק ומתמקדים במשתמשים). הגישה הזו מבטיחה שהפתרונות יישארו רלוונטיים, יגבירו את השימוש, ישפרו את היעילות ויקדמו חדשנות. כשמתמקדים בחוויית המשתמש בפתרונות מבוססי-AI, אפשר להתאים את הציפיות ולהשיג תוצאות משמעותיות.

המאמרים הבאים