3 Experimente, die die Kraft von ChatGPT freisetzen

Was diese KI antreibt, sind große Sprachmodelle (LLM). LLMs sind Werkzeuge zur Sprachvorhersage, die Texte lesen, zusammenfassen und übersetzen können, indem sie die nächsten Wörter in einem Satz vorhersagen und so neuen Text erzeugen, der der menschlichen Sprache und Schrift sehr ähnlich ist. Diese kognitiven Fähigkeiten bedeuten, dass sie weit mehr können als nur den ersten Entwurf einer E-Mail zu schreiben oder Ihre Sitzungsnotizen zusammenzufassen.

ChatGPT, das von OpenAI entwickelt wurde, hat dank seiner einfachen Konversationsschnittstelle und seiner Benutzerfreundlichkeit unglaubliche Popularität erlangt. Diese Zugänglichkeit hat mehrere Teams innerhalb von Media.Monks dazu inspiriert, mit LLMs und insbesondere mit GPT zu experimentieren, um bessere Arbeits- und Gestaltungsmöglichkeiten zu finden. Das Ergebnis ist eine Reihe von Prototyp-Innovationen, die die Fähigkeit von LLMs demonstrieren, die interne Zusammenarbeit zu unterstützen, die Informationsbeschaffung und Selbstbedienung zu rationalisieren und hochtechnische Metriken für jeden zugänglicher zu machen.

Ermöglichung der Zusammenarbeit durch Multi-User-Erfahrungen.

Die Labs.Monks, unser Forschungs- und Entwicklungsteam, das sich auf Technologie und Innovation konzentriert, hat einen Chatbot entwickelt, der das Brainstorming und die Zusammenarbeit zwischen Teams vereinfachen soll. Der charmante Bot mit dem Namen Brian (ursprünglich ein internes Wortspiel aus BrAIn, aber der Einfachheit halber umbenannt) lässt sich in Slack integrieren und dient als intelligenter, aktiver Teilnehmer in Teamkanälen. Die Idee für Brian entstand aus der Erkenntnis, dass die meisten Anwendungen von ChatGPT aufgabenbasiert sind, was das Team dazu inspirierte, andere Wege zu finden, wie LLMs Teams unterstützen können, z.B. als kreative Kollaborateure.

Brian hat zwei Modi. Im Moderationsmodus hält er Gruppen-Brainstorms in Gang, indem er Fragen stellt und Zusammenfassungen der Diskussion liefert. Im Beitragsmodus dient Brian als weiterer Mitarbeiter, der mit dem Team mitdenkt und zur Diskussion beiträgt.

"Bei einem unserer Tests konnte er uns beim Brainstorming zu einem fiktiven Briefing helfen, bei dem es darum ging, eine Erlebnisaktivierung für eine Softdrink-Marke zu entwickeln, die sich an Senioren richtet - mit einigen interessanten Ergebnissen! Obwohl wir am Ende selbst eine Idee hatten, half uns der Input von Brian, zu anderen Ergebnissen zu kommen, an die wir sonst vielleicht nicht gedacht hätten", sagt Angelica Ortiz, Senior Creative Technologist. Die Möglichkeit, eine Diskussion mit einer Gruppe von Nutzern zu führen (und sogar einzelne Personen mit Namen anzusprechen), unterscheidet Brian von anderen Chatbots, die normalerweise auf Einzelgespräche beschränkt sind.

Das Team hat Brian ursprünglich als Übung entwickelt, um praktische Kenntnisse und Erfahrungen mit LLMs zu sammeln, die im Mittelpunkt ihres jüngsten Laborberichts stehen. Jetzt prüft das Team, wie es das Tool für eine breite Nutzung durch das Media.Monks-Team einführen kann.

Eine Alternative zur Feinabstimmung von GPT.

Nachdem sie das Potenzial von LLMs erkannt haben, erkunden viele Marken die Idee der Feinabstimmung dieser Modelle, um sie besser an ihren Tonfall oder die Art der von ihnen erstellten Inhalte anzupassen. Im Allgemeinen kann die Feinabstimmung eines bestehenden Modells kosteneffektiv sein, da die Notwendigkeit entfällt, ein Modell zu trainieren, einen Chatbot zu programmieren oder neue Inhalte von Grund auf zu schreiben. Für einige Anwendungsfälle kann die Feinabstimmung jedoch unerschwinglich sein, verglichen mit einer anderen Methode, um markenindividuelle Ergebnisse zu erzielen: Prompt Engineering.

Unsere Tech-Services-Praxis hat eine Methode des Prompt-Engineering entwickelt, mit der es einfach ist, einen GPT-gestützten Chatbot zu erstellen, der Fragen auf der Grundlage von Inhalten aus einem bestimmten Bereich beantworten kann. Als Beispiel wird das interne Wiki eines Unternehmens in einen Assistenten verwandelt, der den Mitarbeitern das Suchen und Durchforsten langer Dokumente erspart, um die benötigten Informationen zu finden. Die Schlüsseltechnologie hinter dieser Methode sind die Einbettungen von OpenAI, eine Funktion, die es ermöglicht, Benutzeranfragen mit Antworten aus den relevantesten Quellinhalten abzugleichen.

Einbettungen ermöglichen einige unglaubliche Funktionen. Die Nutzer können Fragen stellen und erhalten Antworten in der Sprache ihrer Wahl, unabhängig von der Originalsprache des Quellinhalts, d. h. eine Lokalisierung ist nicht erforderlich. Sie sind auch nicht auf exakte Wortübereinstimmungen angewiesen. Wenn jemand unseren hypothetischen Unternehmens-Wiki-Bot nach "Urlaubszeit"-Richtlinien fragt, weiß der Bot, dass er Informationen aus einem Dokument über "bezahlte Freizeit" ziehen muss Das Hinzufügen weiterer Inhalte zum Chatbot ist ebenfalls einfach, da ein einfacher Webhook genügt, damit der Bot Fragen zu neuen Inhalten beantworten kann, sobald diese veröffentlicht werden.

Wenn Sie mehr darüber erfahren möchten, wie Sie Einbettungen verwenden können, um einen eigenen Bot zu entwickeln, lesen Sie den vollständigen Bericht. Dort finden Sie auch eine Video-Demo, die Ihnen zeigt, wie Einbettungen die oben genannten Ergebnisse erzielen.

Schnelles Verdauen von Informationen.

Das Durchsuchen von Daten kann überwältigend sein - vor allem, wenn Zahlen nicht Ihre Stärke sind. Deshalb hat unser Team für Unternehmensautomatisierung Turing.Monk entwickelt, einen Chatbot, der liebevoll nach Alan Turing benannt ist, dem Informatiker des 20. Jahrhunderts, der den Turing-Test entwickelte, der die Fähigkeit eines Computers testet, intelligentes Verhalten zu zeigen. Turing.Monk hilft den Teams, schnell die Antworten zu finden, die sie für ihre Kampagnen benötigen, indem er Anfragen in drei Formaten beantwortet: listen, Zusammenfassungen und Diagramme.

Der Bot funktioniert ähnlich wie ein Marketing-Assistent, der Marketingfachleuten hilft, Rückschlüsse auf die Leistung einer Kampagne zu ziehen. Möchten Sie sehen, wie sich die Mediakosten Woche für Woche verändert haben? Bitten Sie Turing.Bot einfach, eine schriftliche Zusammenfassung der Entwicklung der Medienkosten für die betreffende Kampagne zu erstellen. So einfach ist das.

Durch die Möglichkeit, Fragen in natürlicher Sprache zu stellen, können auch diejenigen im Team, die keine SQL- oder Python-Kenntnisse haben, Analysen und Datenwissenschaft nutzen. "Wir befinden uns noch in einem frühen Entwicklungsstadium, aber schon heute kann ein Kundenbetreuer die Eingabeaufforderung immer weiter verfeinern, um das gewünschte Ergebnis zu erzielen", sagt Michael Balarezo, Global VP of Enterprise Automation. "Wir arbeiten jetzt daran, die analytischen Fähigkeiten des Tools zu verbessern und die Leistung der LLMs zu nutzen, um die Nuancen der Anfrage zu verstehen und diese in komplexere Einblicke zu übersetzen

Es muss noch mehr Potenzial freigesetzt werden.

Es wurde zwar schon viel über die Fähigkeiten von LLMs bei der Texterstellung gesagt, aber ihre Fähigkeit, Anfragen zu interpretieren und hilfreiche, kontextbezogene Informationen zu finden - und das alles in einem Gesprächsformat - wird sie zu einem unglaublichen Werkzeug am Arbeitsplatz und darüber hinaus machen. Von der Erleichterung der kreativen Zusammenarbeit über die einfache Zugänglichkeit von Informationen für alle bis hin zur Verleihung von Superkräften an Menschen, indem sie ihnen leicht verdauliche Daten zur Verfügung stellen - das Potenzial für LLMs wie GPT ist groß, und Sie können darauf wetten, dass wir weiter experimentieren und noch mehr Anwendungen und Anwendungsfälle finden werden, die unserem Team und den Marken, mit denen wir zusammenarbeiten, zugute kommen.