Los grandes modelos de lenguaje (LLM) se han apoderado del mundo empresarial y ahora todas las empresas están intentando utilizar la IA generativa. Aunque herramientas como ChatGPT son claramente potentes, no está claro cómo las empresas pueden utilizar esta tecnología de forma fiable para generar valor.
Para la mayoría de las empresas con las que he interactuado, “usando IA” significa construir un chatbot, un copiloto, un agente de IA o un asistente de IA. Sin embargo, a medida que el entusiasmo inicial por estas soluciones disminuye, las organizaciones se están dando cuenta de los desafíos clave de construir sistemas en torno a los LLM.
Un desafío central es que los LLM son inherentemente impredecibles (incluso más que los sistemas de aprendizaje automático tradicionales). Por lo tanto, es No es fácil lograr que resuelvan un problema específico de manera predecible..
Por ejemplo, una solución al problema de las alucinaciones es que los “jueces” LLM revisen las respuestas del sistema para comprobar su precisión y adecuación. 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 desarrollar la IA generativa (y sus afines). La IA ha enriquecido muchísimo a innumerables empresas y no creo que eso vaya a detenerse pronto.
El punto clave es que el valor se genera a través de la resolución de problemas, no mediante el uso de la IA (en sí misma). La promesa de la IA se hace realidad cuando las empresas identificar el bien Problemas por resolverpor ejemplo, las recomendaciones personalizadas de Netflix, la optimización de rutas de entrega de UPS, la gestión de inventario de Walmart y muchas otras.
Aunque es fácil decir que se puede “resolver el problema correcto”, no es fácil hacerlo. Para ayudar con eso, aquí comparto tres casos de uso de IA para algo que le importa a todas las empresas: las ventas. Mi esperanza es hacer volar su imaginación y demostrar cómo implementarlos con ejemplos concretos.
Los tres casos de uso son:
- Ingeniería de características —Extracción de características del texto
- Estructuración de datos no estructurados — Preparar el análisis de texto
- Puntuación de clientes potenciales — Identificar sus mayores oportunidades
Con ingeniería consiste en Creación de variables que se puedan utilizar para entrenar modelos de aprendizaje automático. o realizar algún análisis. Por ejemplo, dado un conjunto de perfiles de LinkedIn, extraer datos como el puesto de trabajo actual, los años de experiencia y la industria, y luego representarlos numéricamente.
Tradicionalmente, esto se hace de dos maneras: 1) creas funciones manualmente o 2) compras funciones de un tercero (por ejemplo, puntajes crediticios de FICO, ingresos de la empresa de D&B). Sin embargo, Los LLM han creado una tercera vía Para hacer esto.
Ejemplo: extracción de características de los currículums
Supongamos que está seleccionando clientes potenciales para una oferta de SaaS. El software ayuda a proteger a las corporaciones del mercado medio contra las amenazas de ciberseguridad. Los clientes objetivo son los líderes de TI que deciden qué proveedores son los más adecuados para sus empresas.
Tiene una pila de 100.000 perfiles y currículums profesionales recopilados de varias fuentes en función de las etiquetas “TI”, “Ciberseguridad”, “líder”, “VP” y varias más. Sin embargo, el problema es que los contactos son de baja calidad y, a menudo, incluyen líderes no especializados en TI, profesionales de TI de nivel inicial y otros que no encajan en el perfil del cliente.
Para garantizar que los esfuerzos de ventas se centren en los clientes adecuados, El objetivo es filtrar los clientes potenciales solo para incluir a los líderes de TI.A continuación se muestran algunas formas de resolver este problema.
- Idea 1:Revise todos los 100.000 clientes potenciales manualmente. Problema:Poco práctico para una sola persona o un pequeño equipo de ventas.
- Idea 2:Escribir lógica basada en reglas para filtrar currículums. Problema:Los currículos vienen en una amplia variedad de formatos, por lo que la lógica funciona mal.
- Idea 3:Pague a un proveedor de datos por esta información. Problema:Esto aumenta significativamente el costo de adquisición de clientes (aproximadamente $0,10 por cliente potencial).
Teniendo en cuenta los problemas que plantean las ideas anteriores, pensemos en cómo podríamos resolver este problema con un modelo de lenguaje amplio. Una estrategia sencilla consiste en crear un mensaje que indique al estudiante de maestría en derecho 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) analiza cada cliente potencial en busca de información específica como si se tratara de una persona, (2) está automatizada por un programa informático y (3) paga menos dinero (aproximadamente $0,001 por cliente potencial).
**Prima**: Para aquellos interesados en implementar algo como esto, comparto un ejemplo de script en Python. 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 todos ejemplos de datos no estructuradosEsto 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 preparados para el análisis, lo que dificulta la obtención de información. Esto contrasta con datos estructurados (es decir, números organizados en filas y columnas) La traducción de datos no estructurados a un formato estructurado es otra área en la que los avances recientes en el procesamiento del lenguaje natural (PLN) y el aprendizaje profundo pueden ayudar.
Ejemplo: Traducir currículums en números (significativos)
Considere el mismo caso de negocios del ejemplo anterior. Supongamos que seleccionamos con éxito 10 000 líderes de TI de entre 100 000 clientes potenciales. Si bien su vendedor podría comenzar a levantar el teléfono y redactar correos electrónicos, primero debe ver si puede destilar la lista Priorizar clientes potenciales similar a clientes anteriores.
Una forma de hacer esto es definir características adicionales que proporcionen más granularidad al perfil del cliente ideal (por ejemplo, industria, requisitos de cumplimiento, pila tecnológica, ubicación geográfica), que podrían extraerse de manera similar al Caso de uso 1. Sin embargo, Identificar dichos indicadores puede ser un desafíoy el desarrollo de procesos automatizados adicionales tiene un coste.
Un enfoque alternativo es utilizar los llamados incrustaciones de textoUna incrustación de texto es simplemente una representación numérica de un fragmento de texto que tenga un significado semántico. Piense en esto como traducir un currículum a un conjunto de números.
El valor de las incrustaciones de texto es que traducen texto no estructurado en una tabla estructurada de números, que es mucho más adecuada para los enfoques analíticos y computacionales tradicionales. Por ejemplo, en este contexto, se pueden utilizar incrustaciones de texto para Evaluar matemáticamente qué clientes potenciales son más similares a los clientes anteriores. y cuales son más diferentes.
El caso de uso final es puntuación de liderazgoque consiste en Evaluar la calidad de un cliente potencial Basado en predictores clave (por ejemplo, puesto de trabajo, ingresos de la empresa, comportamiento del cliente, etc.). Si bien esto no es nada nuevo, los avances recientes en IA han permitido una mejor capacidad para analizar datos no estructurados que se pueden incorporar a modelos de calificación de clientes potenciales.
Ejemplo: Calificación de clientes potenciales en función de la calidad
Para concluir nuestro caso de negocio en curso, analicemos cómo podemos Utilice incrustaciones de texto para priorizar a los clientes potencialesSupongamos que tenemos una lista de 1000 clientes potenciales anteriores, 500 de los cuales compraron y 500 no. Para cada cliente potencial, tenemos un perfil que incluye información clave como el puesto de trabajo, la experiencia laboral, la empresa actual, el sector y las habilidades clave.
Estos datos se pueden utilizar para entrenar un modelo predictivo que calcule la probabilidad de que un cliente compre el producto en función de su perfil. Si bien existen muchos matices para desarrollar un modelo como este, la idea básica es que Podemos utilizar las predicciones de este modelo para definir calificaciones para cada cliente potencial. (por ejemplo, A, B, C, D), que se pueden utilizar para categorizar y priorizar los 10.000 nuevos.
**Prima**:Para los lectores más técnicos que buscan implementar estos enfoques, en este artículo repaso los tres casos de uso aplicados a datos de ventas del mundo real de mi negocio. videoAdemás, el código de ejemplo está disponible gratuitamente en GitHub.
La IA tiene un enorme potencial para las empresas. Sin embargo, para aprovechar ese potencial es necesario identificar las bien Problemas a resolver con él.
Con la ubicuidad de herramientas como ChatGPT, las ideas de solución pueden limitarse fácilmente al paradigma del asistente de IA. Para ayudar a ampliar el espacio de posibilidades, compartí tres casos prácticos de uso de IA que utilizan enfoques alternativos.
Más sobre IA para empresas 👇