焦作网站seo,什么是网络营销的重要特点,网站建设空标记,怎么在阿里做网站使用生成式人工智能来改善分析体验#xff0c;使业务用户能够询问有关我们数据平台中可用数据的任何信息。 在本文中#xff0c;我们将解释如何使用新的生成式人工智能模型 ( LLM ) 来改善业务用户在我们的分析平台上的体验。假设我们为零售销售经理提供 Web 应用程序或移动应… 使用生成式人工智能来改善分析体验使业务用户能够询问有关我们数据平台中可用数据的任何信息。 在本文中我们将解释如何使用新的生成式人工智能模型 ( LLM ) 来改善业务用户在我们的分析平台上的体验。假设我们为零售销售经理提供 Web 应用程序或移动应用程序他们可以使用自然语言实时分析销售和库存行为。 这些应用程序通常具有一系列限制主要显示通用类型的分析用户可以根据某些过滤器对其进行过滤或分段并提供诸如以下的信息
销售行为通过...渠道贩卖缺货股票行为 所有这些数据无论粒度大小都可以回答某人之前确定的问题。问题在于并非所有用户都有相同的问题有时定制水平太高以至于解决方案变成了一条大鲸鱼。大多数时候信息是可用的但没有时间将其包含在 Web 应用程序中。
过去几年市场上出现了一些低代码解决方案试图加快应用程序的开发速度以尽可能快地响应此类用户的需求。所有这些平台都需要一些技术知识。LLM 模型使我们能够以自然语言与用户进行交互并将他们的问题转化为代码并调用我们平台中的 API从而能够以敏捷的方式向他们提供有价值的信息。
生成式人工智能营销平台用例
为了增强我们的销售平台我们可以包括两个用例
1. 迭代业务分析问题
允许业务用户通过以下功能询问有关我们数据平台中的数据的迭代问题
能够用自然语言提问可以是交互式的但也必须允许用户保存他的个性化问题。答案将基于更新的数据。
2. 讲故事 当您向业务用户提供有关销售共享的数据时一个基本部分是讲故事。这可以增强理解并将数据转化为有价值的信息。如果我们能够让用户能够以自然语言获得这种解释而不是用户必须解释指标那就太好了。
实例设计聊天营销
概述 这是一个实现起来非常简单的想法并且为用户带来了很多商业价值我们将训练我们的 LLM 模型使其能够提出问题以了解哪个数据服务提供信息。为此我们的架构必须满足三个要求
所有数据均通过API公开。 所有数据实体均已定义并记录。 我们有一个标准化的 API 层。 下图显示了该高级解决方案的架构 Merchandising AI Web Platform基于Vue的网络渠道通过用户使用聊天推销。数据服务它提供API Rest来消费数据平台中可用的业务数据实体。 Chat Merchandising EnginePython后端服务执行前端和LLM服务之间的集成在本例中我们使用 Open AI API。开放人工智能它提供了一个 Rest API 来访问生成式人工智能模型。业务数据域和数据存储库新一代数据仓库例如 Snowflake以业务实体可用的数据域为模型。 在此 PoC 中我们使用了 OpenAI 服务但您可以使用任何其他 SaaS 或部署您的 LLM另一个重要的一点是在这个用例中我们不会向 OpenAI 服务发送任何业务数据 因为 LLM 模型所做的只是将用户以自然语言发出的请求转换为对我们数据服务的请求。
营销人工智能网络平台 通过 LLM 和生成式UI前端获得了新的相关性、用户与其交互的方式以及前端如何响应交互现在我们有一个新的参与者即生成人工智能它需要与前端交互来管理用户请求。 前端需要为用户消息提供上下文并能够以用户想要的方式显示响应。在此 PoC 中我们将从模型中得到不同类型的响应
要在表中显示的数据数组 要在图表中显示的数据数组 前端需要知道模型或用户希望在响应中看到的内容如何按要求行事例如如果用户请求一个图表前端需要渲染一个图表如果它要求一个表格前端应该渲染一个表格如果它刚刚经过测试则显示文本即使存在错误我们也应该以不同的方式显示它。
我们输入聊天商品引擎响应在后端和前端
export interface TextChatResponse {type: texttext: string
}export interface TableDataChatResponse {type: table-datadata: TableData
}export interface ChartChatResponse {type: chartoptions: EChartOptions
}export interface ErrorChatResponse {type: errorerror: string
}export type ChatResponse TextChatResponse | TableDataChatResponse | ErrorChatResponse | ChartChatResponse
这就是我们决定显示哪个组件的方式。
div classchat-messagestemplate v-for(message, index) in messages :keyindex q-chat-messagev-ifmessage.type text:avatarmessage.avatar:namemessage.name:sentmessage.sent:textmessage.text/ div classchart v-ifmessage.type chartv-chart :optionmessage.options autoresize classchart//divdiv classtable-wrapper v-ifmessage.type table-dataq-table :columnsgetTableCols(message.data) :rowsmessage.data dense/q-table/div/template
/div 通过这种方法前端可以以结构化的方式接收消息并知道如何显示数据作为文本、作为表格、作为图表或任何你能想到的东西并且对于后端也非常有用因为它可以获取侧通道的数据。 对于图表您可以在 JS 对象中配置与图表相关的所有内容对于任何类型的图表因此在 PoC 的下一次迭代中您可以向模型询问该对象它可以告诉我们如何渲染图表甚至是更适合数据的图表类型等。
聊天营销引擎 我们在引擎中的逻辑非常简单它的职责只是充当前端、开放人工智能服务和我们的数据服务之间的网关。这是必要的因为开放人工智能模型没有在我们的服务环境中进行训练。我们的引擎负责提供该上下文。如果模型经过训练我们在该引擎中包含的小逻辑将位于前端服务层。 我们使用 Python 实现了这项服务因为Open AI提供了一个库来促进与其 API 的集成。我们正在使用聊天完成 API型号 gpt-3.5-turbo但我们可以使用新功能函数调用型号 gpt-3.5-turbo-0613。
# Initial context
messages[{role: system, content: API_description_context},{role: system, content: load_openapi_specification_from_yaml_to_string()},{role: system, content: entities},]# Add User Query to messages array
messages.append({role: user, content: user_input})# Call Open AI API
response openai.ChatCompletion.create(modelgpt-3.5-turbo,messagesmessages,temperature0
)# Get messagesgenerated_texts [choice.message[content].strip() for choice in response[choices]]
我们用自然语言描述组成了上下文其中包括一些示例、API 规范和 API 的定义。
Merchandasing Data Service is an information query API, based on OPEN API 3,
this is an example of URL http://{business_domain}.retail.co/data/api/v1/{{entity}}.Following parameters are included in the API: fields to specify the attributes of the entity that we want to get;
filter to specify the conditions that must satisfy the search;For example to answer the question of retrieving the products that are not equal to the JEANS family a value
would be products that are not equal to the JEANS family a value would be filterfamilyName%%20ne%%20JEANS
我们解析响应并使用正则表达式获取生成的 URL尽管我们可以选择使用一些特殊引号的另一种策略。
def find_urls(model_message_response):# Patrón para encontrar URLsurl_pattern re.compile(rhttp[s]?://(?:[a-zA-Z]|[0-9]|[$-_.]|[!*\\(\\),]|(?:%[0-9a-fA-F][0-9a-fA-F])))urls re.findall(url_pattern, model_message_response)return urls 我们还要求模型在 URL 中添加一个片段例如 #chart以便我们了解用户期望在前端看到什么 该解决方案比在用户输入中搜索字符串要好得多因为用户可以在不使用图表词即模型的情况下请求图表该模型“理解”谁决定使用图表表示的问题。 最后我们将此答案发送回前端因为对数据服务的调用是从前端本身进行的这允许我们使用用户自己的 JWT 令牌来使用数据服务。
结论 在过去的几年里许多组织和团队致力于拥有敏捷的架构、良好的数据治理和 API 策略使他们能够以敏捷的方式适应变化。生成式人工智能模型可以提供巨大的商业价值并且只需很少的努力就可以开始提供价值。 我们在几个小时内开发了这个 PoC您可以在视频中看到使用 Vue3、Quasar Ui 作为基本组件和表格并使用 Echarts 来渲染图表和 Open AI。毫无疑问算法是新趋势也将是数据驱动战略的关键从标准化和敏捷架构开始的组织在这一挑战中处于领先地位。
