Η IBM παρουσιάζει λύση για το πρόβλημα των μη δομημένων δεδομένων στην Agentic AI
Στην πρόσφατη εκδήλωση Think, η IBM ανακοίνωσε μια σημαντική αναβάθμιση στη διαχείριση δεδομένων για την τεχνητή νοημοσύνη. Η εταιρεία παρουσίασε την εξέλιξη του watsonx.data, το οποίο υπόσχεται να βοηθήσει τις επιχειρήσεις να προετοιμάσουν τα δεδομένα τους για την AI, προσφέροντας μια ανοιχτή και υβριδική βάση δεδομένων καθώς και διαχείριση δομημένων και μη δομημένων δεδομένων έτοιμη για επιχειρησιακή χρήση. Σύμφωνα με δοκιμές, τα αποτελέσματα δείχνουν ότι η AI είναι 40% πιο ακριβής σε σχέση με τις συμβατικές μεθόδους RAG.
Νέες δυνατότητες και προϊόντα που αναμένονται τον Ιούνιο
Μεταξύ των νέων προϊόντων που αναμένονται είναι το watsonx.data integration, ένα λογισμικό που ενορχηστρώνει την πρόσβαση και τη μηχανική δεδομένων μέσω διαφορετικών μορφών και στυλ ενοποίησης. Επίσης, το watsonx.data intelligence, που μετασχηματίζει τον τρόπο με τον οποίο οι οργανισμοί διαχειρίζονται και αξιοποιούν τα δεδομένα τους, χρησιμοποιώντας την ισχύ της AI για απλοποίηση της διακυβέρνησης δεδομένων. Επιπλέον, η προσθήκη του watsonx ως παρόχου API στο Llama Stack της Meta ενισχύει την ικανότητα των επιχειρήσεων να αναπτύσσουν γεννητική AI σε μεγάλη κλίμακα.
Η σημασία της εξαγοράς της DataStax από την IBM
Για να συμπληρώσει αυτές τις δυνατότητες, η IBM ανακοίνωσε πρόσφατα την πρόθεσή της να εξαγοράσει την DataStax, μια εταιρεία που ειδικεύεται στην αξιοποίηση μη δομημένων δεδομένων για γεννητική AI. Με την DataStax, οι πελάτες θα έχουν πρόσβαση σε επιπλέον δυνατότητες αναζήτησης με χρήση διανυσμάτων. Οι εσωτερικές δοκιμές της IBM έδειξαν ότι η χρήση του watsonx.data Premium Edition μπορεί να προσφέρει πιο ακριβείς απαντήσεις σε σχέση με τις παραδοσιακές μεθόδους RAG, σε τρεις κοινές περιπτώσεις χρήσης.
Η πρόκληση των μη δομημένων δεδομένων στις επιχειρήσεις
Οι επιχειρήσεις αντιμετωπίζουν ένα σημαντικό εμπόδιο στην ανάπτυξη ακριβούς και αποδοτικής γεννητικής AI, ειδικά στην Agentic AI. Το πρόβλημα δεν έγκειται στο κόστος επαγωγής ή στο τέλειο μοντέλο, αλλά στα δεδομένα. Οι οργανισμοί χρειάζονται αξιόπιστα, ειδικά για την εταιρεία δεδομένα για να δημιουργήσουν πραγματική αξία. Εκτιμάται ότι το 2022, το 90% των δεδομένων που δημιουργήθηκαν από επιχειρήσεις ήταν μη δομημένα, αλλά μόνο το 1% αυτών χρησιμοποιείται σε LLMs.
Η ανάγκη για μια στιβαρή βάση δεδομένων για την AI
Η διαχείριση μη δομημένων δεδομένων είναι ιδιαίτερα δύσκολη. Αυτά τα δεδομένα είναι διασκορπισμένα και δυναμικά, κλειδωμένα σε διάφορες μορφές και συχνά απαιτούν επιπλέον πλαίσιο για πλήρη ερμηνεία. Οι παραδοσιακές μέθοδοι RAG δεν είναι αποτελεσματικές στην εξαγωγή της αξίας τους και δεν μπορούν να συνδυάσουν σωστά μη δομημένα και δομημένα δεδομένα. Πολλές επιχειρήσεις εστιάζουν μόνο στο στρώμα εφαρμογής της γεννητικής AI, αντί για το ουσιαστικό στρώμα δεδομένων.
Συμπέρασμα: Η σημασία της προετοιμασίας των δεδομένων για την AI
Οι νέες δυνατότητες της IBM θα επιτρέψουν στις επιχειρήσεις να εισάγουν, να διαχειρίζονται και να ανακτούν μη δομημένα (και δομημένα) δεδομένα, και από εκεί να κλιμακώσουν την ακριβή και αποδοτική γεννητική AI. Η βελτίωση της βάσης δεδομένων είναι κρίσιμη για την επιτυχία των πρωτοβουλιών AI, και η IBM φαίνεται να παρέχει τις λύσεις που χρειάζονται οι επιχειρήσεις για να ξεπεράσουν τα εμπόδια και να αξιοποιήσουν πλήρως τις δυνατότητες της τεχνητής νοημοσύνης.
