大型语言模型（LLM）正在对企业产生变革性影响，因为它们能够以独特的方式处理和解读海量数据。
企业可能会想要一步到位地引入这一机器学习工具，以发挥LLM的能力；如果无法进行系统全面改造，又可能因此却步。
为避免错失LLM带来的影响，小型解决方案和循序渐进的整合或许能帮助企业利用该技术，而无需在登月计划上耗费大量资金。
大型语言模型（LLM）正在改变当今的商业运作方式。这些人工智能（AI）模型基于海量且多样的数据集训练而成，能够对人类输入（或称提示词）作出令人瞩目的回应。它们可以创作打油诗和代码，概括庞大的信息语料库，甚至能够理解蛋白质和分子结构。
面对这类技术，我们的本能是追求宏大。许多公司确实这样做了。但必须认识到，技术进步并不一定要具有开创性才能产生影响。最重大的变革往往通过稳健、渐进的步骤实现。
以下是如何将LLM作为现有运营的战略性增强手段加以利用的方法，在推动切实投资回报的同时，培育拥抱AI及其所带来变化的企业文化。
借助AI实现更优质的医疗服务
设想一家拥有数十万名患者的医疗服务机构，它面临一个常见问题：员工疲于应付，有时会导致重要信息被遗漏。
在这一真实案例中，遗漏的信息是关键的患者数据。当患者前来体检时，医生会记录下后续步骤的备注。在此案例中，这些信息需要录入由护士及医院其他工作人员核查的多个系统。有时，医生会建议患者六个月后复诊，但却没有留下任何记录。患者因此错过了关键的后续随访，可能对其健康造成严重后果。
他们借助LLM解决了这一问题。该模型的操作十分简单：它对医生备注中的文本进行概括，特别留意那些后续就诊记录，并逐一标记。结果，数以千计的患者前来体检，而这些患者原本可能会错过。LLM的这一应用简单却十分有效，它表明LLM能够发挥的作用，尤其是在与现有系统相连接、且无需对系统进行彻底改造的情况下。而且，它今天正在挽救生命。
部署LLM的战略框架
LLM能够创造价值的例子不胜枚举，但该医疗案例研究提供了一个很好的参考范式，可供他人借鉴：利用现有数据解决重要问题，而非重复造轮子。具体而言，以下是将LLM作为工具来解决您已有问题的框架：
从需求出发，而非从技术出发：寻找可在最小干扰下显著提高效率的运营领域。许多企业优先关注沟通、数据处理或内容生成等瓶颈环节；不过，也不必害怕更广泛地思考。
保持务实：从易于管理、能够迅速见效的项目入手。例如，与其为客户服务构建一个完整的聊天机器人，不如考虑对消息进行分类，使LLM能够有效地进行分诊，并在小问题演变为大问题之前加以解决。
与现有系统整合：确保您的LLM解决方案能够补充并提升当前的流程和工具，而非完全取代它们。
注重投资回报：机器学习工程师通常出身于研究背景，并希望进行探索。这固然值得赞赏，但未必总是明智之举。应优先选择那些有清晰路径可实现切实回报的项目。
减少恐惧与障碍：值得承认的是，一些员工可能会对AI整体以及LLM尤其感到威胁。规模较小、能够让他们参与其中并从中受益的项目，尤其是那些允许他们更深入地发挥自身专长的项目，有助于缓解这些担忧。
什么是算法偏见？
未来是融合的
在20世纪，互联网逐渐普及之时，您或许曾见过设有“互联网部门”的公司。这一做法如今看来颇为过时，但它颇具启示意义：当时的企业将这一强大的新技术视为需要加以隔离和限制的事物，而非将其广泛融入现有基础设施。对一些企业而言，普遍的观念是：如果不上网，那便等同于不存在。
这并不意味着，正如奈飞（Netflix）以敏捷模式崛起时百视达（Blockbuster Video）所遭遇的情况，尚未拥抱AI的大型企业也将重蹈覆辙。它们也不太可能设立“机器学习部门”。现实是，企业将在业务的几乎每个环节融入机器学习。您或许无需成为机器学习的早期采用者，但最终必然要迈入这一领域。
LLM正是实现这一转型的最佳途径。开始使用LLM的方式有很多，包括利用市面上可获得的商用API（应用程序编程接口）、基于您独有的数据对开源模型进行微调，甚至从零开始构建自有LLM。
通过避免高昂的登月计划，您可以逐步建立组织能力，从而实施能够释放员工产能、让其工作更轻松并提升业务效率的LLM解决方案。LLM可以像对待其他任何项目一样处理——评估其构建所需的投入及其所能带来的价值。然而，关键在于迈出第一步，从小处着手，以免最终完全不采用LLM。
