Jalur tenaga kerja + model besar, tidak ada percikan imajiner

Sumber asli: Titanium Media

Sumber gambar: Dihasilkan oleh Unbounded AI

Setelah model besar diterapkan di pasar tingkat perusahaan untuk jangka waktu tertentu, itu tidak membuat percikan imajiner.

** “Ini semua data jaringan publik, dan perusahaan tidak berani menggunakannya.” Ada juga sangat sedikit skenario aplikasi praktis. Seorang pakar pra-penjualan untuk perangkat lunak tingkat perusahaan SDM mengatakan kepada Titanium Media.

Saat ini, perusahaan terutama menerapkan tiga skenario inti penemuan bakat, evaluasi resume dan pertanyaan wawancara. Media Titanium memahami bahwa pasar sekarang dapat merasakan informasi PHK perusahaan dan memperketat kebutuhan rekrutmen, tetapi ini tidak mempengaruhi aliran talenta berkualitas tinggi, terutama untuk kebutuhan rekrutmen perusahaan besar dan menengah, yang perlu meningkatkan kemampuan untuk mengidentifikasi talenta dan memanfaatkan efisiensi manusia;

Namun pada kenyataannya, tidak banyak kasus pelanggan dari perusahaan ini, dan model besar yang dilatih untuk pelanggan disebut “proses iteratif berkelanjutan”, dan biayanya direncanakan akan dibebankan dalam model berlangganan, dan pelanggan percontohan yang saat ini menerima praktik ini berasal dari 500 perusahaan multinasional teratas dunia dan perusahaan terkemuka di industri dalam negeri.

Bahkan, pasar permintaan pelanggan juga penuh dengan pendapat berbeda tentang produk AI generatif atau teknologi model besar. Titanium Media memahami bahwa, terutama untuk pelanggan perusahaan besar, meskipun banyak pelanggan perusahaan secara terbuka mengiklankan bahwa mereka secara aktif mencoba model besar, ingin menyelesaikan semua poin rasa sakit yang dihadapi dalam bisnis saat ini, tetapi pada saat yang sama, ada juga pelanggan perusahaan yang meremehkan ini, percaya bahwa pengalaman dan bakat yang telah mereka kumpulkan tidak akan hanya digantikan oleh model besar.

“Pengembangan dan pelatihan model besar masih sangat kompleks, bisakah lebih ringkas?” kata seorang pelanggan di industri energi tradisional pada pertemuan tertutup dengan produsen TIK Cina terkemuka.

Pelanggan dengan jelas menunjukkan: ** "Meskipun pencapaian tertentu telah dibuat dalam mempromosikan intelijen di masa lalu, masih ada kesenjangan yang sangat besar dengan imajinasi kita. Selain kondisi alam yang kompleks dari operasi produksi industri itu sendiri, kurangnya pemahaman intelijen oleh berbagai produsen bawahan telah menyebabkan banyak investasi, tetapi mereka masih berjuang sendiri.

Di sisi lain, model besar tidak “murah” pada tahap ini, dan perusahaan yang mampu menggunakan model besar memiliki volume produksi tertentu atau anggaran tertentu di tangan, dan percaya bahwa teknologi generatif yang dibawa oleh model besar patut dicoba dan diterapkan.

Orang yang bertanggung jawab atas perusahaan yang terdaftar di AI baru-baru ini berbicara tentang kewirausahaan model besar, menunjukkan bahwa "model besar di pasar memiliki beberapa kemampuan dasar, tetapi hanya mainan atau alat, dan model besar tidak hanya kemampuan ini, tetapi yang lebih penting, itu adalah untuk mewujudkan realisasi komersial. " "

Faktanya, apakah itu diagram Wensheng atau teks Wensheng, AI generatif yang didorong oleh teknologi model besar memang menunjukkan skenario aplikasinya yang sangat besar. Menurut statistik yang tidak lengkap dari Titanium Media, saat ini tidak kurang dari 50 perusahaan raksasa dan startup AI berpartisipasi di dalamnya, dan model besar umum juga mencoba mengakses beberapa platform cloud bagi perusahaan untuk memanggil atau menyesuaikan dan mengembangkan model pribadi.

Perlu disebutkan bahwa pada konferensi pengembang pertama yang diadakan pada 6 November, OpenAI menjelaskan arah upaya selanjutnya, termasuk: memperkuat panjang input teks, mode output yang sesuai dengan mode yang telah ditentukan, data pelatihan berkualitas lebih banyak dan lebih baik, lebih banyak multimodalitas, pengetahuan domain dan logika bisnis, dan harga yang lebih menguntungkan.

Ini adalah kabar baik bagi pengembang atau pengguna AI lainnya, tetapi ini adalah pedang yang menggantung di atas untuk Anda semua yang merupakan pengusaha teknologi model besar.

Pada saat yang sama, tinjauan kepatuhan dan keamanan privasi konten generatif juga merupakan prasyarat yang diperlukan untuk model besar atau teknologi AI generatif untuk dipopulerkan di pasar.

Di Cina, pada 11 Oktober, situs web resmi Komite Teknis Standardisasi Keamanan Informasi Nasional merilis “Persyaratan Dasar untuk Keamanan Layanan AI Generatif” (draf untuk komentar) untuk meminta pendapat dari publik. Ini adalah rancangan pertama dari rancangan peraturan khusus untuk bidang keamanan AI generatif di China, dan juga merupakan dukungan untuk “Tindakan Sementara untuk Manajemen Layanan AI Generatif” yang diluncurkan oleh tujuh departemen termasuk Administrasi Cyberspace China pada bulan Juli.

Dibandingkan dengan hiruk-pikuk dan hiruk pikuk ketika model besar tiba, pada tahap pendaratan nyata, eksplorasi dan pengujian bagaimana menerapkan model besar secara mendalam di industri baru saja dimulai.

Apakah setiap produk layak diulang dengan model besar?

“Setiap produk layak untuk diperbaiki dengan model besar”, ini adalah narasi umum untuk perusahaan yang baru mengenal lapisan aplikasi model besar.

Tetapi sebelum kita mengulang produk, ada pertanyaan yang lebih mendasar: di mana model besar dapat digunakan?

Di pasar B-end, pertanyaan ini mungkin lebih sulit untuk dijawab, atau mungkin sulit untuk memiliki satu jawaban.

Dari model open source seperti seri LLaMA Meta, seri StableLM Stability AI, MPT dan model lainnya, serta pengujian internal model besar umum domestik untuk API tingkat perusahaan, lebih banyak startup telah dirangsang untuk menindaklanjuti dan mencoba.

Jika serangkaian proses rekrutmen dibongkar menjadi pengumpulan resume, penyaringan, evaluasi, wawancara, penawaran, dan orientasi, di seluruh rantai, teknologi interaksi bahasa alami yang didorong oleh model besar paling langsung tercermin dalam meningkatkan efisiensi rekrutmen SDM dan meningkatkan pengalaman pengguna.

Sebagai perusahaan perangkat lunak manajemen rekrutmen yang cerdas, MOKA mendukung transformasi sistem sumber daya manusia inti dengan AI. Pada akhir Juni tahun ini, MOKA mengumumkan peluncuran Eva, solusi produk pintar berdasarkan model besar, termasuk penyaringan resume, pertanyaan wawancara yang disesuaikan, ulasan penulisan AI, BI percakapan, dan chatBot karyawan. Misalnya, fungsi chatbot karyawan digunakan bagi karyawan untuk menyelesaikan tugas yang berkaitan dengan rekrutmen dan sumber daya manusia serta memperoleh informasi yang relevan, mirip dengan asisten AI yang memberikan konsultasi. BI percakapan berinteraksi dengan antarmuka bahasa alami, memberi karyawan akses cepat ke database, menanyakan metrik utama, dan mendukung pengambilan keputusan dan manajemen bisnis.

Demikian pula, Beisen pertama kali mengumumkan fungsi pengujian internal berdasarkan model besar Wenxin Yiyan Baidu - penulisan rekrutmen JD dan produksi poster rekrutmen. Pada konferensi musim semi di bulan Mei, Beisen juga meluncurkan produk AI baru, Tuan Sen, pelatih kepemimpinan pribadi, untuk transformasi dan adaptasi pemimpin baru, manajemen tim, pengembangan pribadi, umpan balik kinerja, dll. Menurut Ji Weiguo, CEO Beisen, wawancara AI, robot layanan karyawan, dan robot sparring semuanya akan menjadi skenario yang dapat dikombinasikan dengan model besar.

Yonyou dan Kingdee memilih untuk mengintegrasikan kemampuan model besar umum dan menggabungkannya dengan data domain pribadi mereka sendiri untuk melatih model domain tingkat perusahaan yang diterapkan untuk memproses skenario perangkat lunak seperti sumber daya manusia, keuangan, dan rantai pasokan.

Bao Fei, arsitek aplikasi senior Yonyou, menunjukkan ketika berkomunikasi dengan Titanium Media, "Pada tahap ini, model besar masih jauh dari industri, dan pelanggan paling peduli tentang nilai seperti apa yang dapat diberikannya kepada industri. "

Saat ini, daftar aplikasi model domain yang didukung oleh Yonyou YonGPT meliputi: wawasan bisnis perusahaan, pembuatan pesanan cerdas, pengendalian risiko pemasok, pengoptimalan inventaris dinamis, penemuan bakat cerdas, rekrutmen cerdas, analisis anggaran cerdas, kontrol biaya perjalanan bisnis cerdas, pembuatan kode, dll.

Kingdee Sky GPT saat ini terutama digunakan di bidang keuangan, sumber daya manusia, dan skenario penelitian dan pengembangan program. Misalnya, model keuangan pertama Kingdee mirip dengan asisten AI keuangan, menyediakan layanan seperti Tanya Jawab keuangan, penggantian biaya, persetujuan kontrak, pembuatan laporan, analisis, dan perkiraan.

Titanium Media sebelumnya melaporkan bahwa Zhao Yanxi, wakil presiden eksekutif dan manajer umum platform R&D Kingdee China, menemukan bahwa perusahaan memang memiliki minat yang kuat pada model besar selama survei, tetapi dua umpan balik yang paling banyak disebutkan adalah “kecemasan AI”, takut jika Anda tidak menggunakan AI, Anda akan tertinggal, dan yang lainnya adalah “AI bingung” dan tidak tahu bagaimana menggunakannya dalam bisnis. Strategi Kingdee adalah menemukan sekelompok pelanggan prototipe untuk melakukan verifikasi percontohan skenario bisnis, yang lebih dekat dengan bisnis perusahaan yang sebenarnya.

Dalam pandangan Wang Jingfei, CTO iHR, “hal terpenting bagi pelanggan bukanlah model besar mana yang digunakan, tetapi model besar apa yang membantu bisnis.” **Bos akan memperhatikan indikator bisnis, seperti output per kapita, analisis input, optimalisasi biaya, dll., Dan SDM akan memperhatikan pengalaman karyawan dan efisiensi kerja, seperti proses personalia yang lebih lancar (masuk, transfer, lembur, dll.). "

Berfokus pada personel inti + efisiensi manusia, personel saya juga bekerja sama dengan DingTalk untuk meluncurkan tiga jenis solusi cerdas untuk efisiensi operasional, manajemen risiko, dan pakar bisnis, yang tujuannya adalah untuk memecahkan masalah yang paling dikhawatirkan oleh pemilik bisnis: menggunakan metode paling ilmiah dan premis risiko terendah untuk mewujudkan strategi perusahaan dengan paling efisien.

Dalam hal efisiensi operasional, melalui kemampuan model skala besar, dapat memberi karyawan 7*24 jam konsultasi, proses, dan dukungan SDM lainnya; pakar manajemen risiko personel dapat mengelola risiko yang mungkin terjadi dalam sumber daya manusia, seperti peringatan dini potensi risiko dalam isi kontrak kerja, dan mengajukan saran koreksi dan rencana risiko; pakar kinerja di antara pakar bisnis dapat memandu karyawan tentang cara menyelesaikan pembongkaran, penyelarasan, dan peninjauan OKR tujuan.

Menemukan skenario percontohan dan pelanggan prototipe juga merupakan strategi sebagian besar produsen aplikasi model skala besar.

Ini adalah masalah kotak hitam teknologi, dan juga dilema investasi riil

Namun, ketika datang ke pengguna akhir, karena berbagai logika bisnis perusahaan dan bentuk organisasi, masih ada tingkat kebingungan tentang apakah model besar adalah ChatGPT atau “ChatPPT” dari “pengujian” ke “pendaratan penuh”.

"Kami tidak mengatakan bahwa kami telah melakukannya, tetapi kami dapat membuat referensi teknis untuk pelanggan ketika mereka kebetulan memiliki permintaan yang kuat, karena terkadang teknologinya terlalu mutakhir, dan manajemen pelanggan tidak dapat mengikuti, yang hanya dapat membuat pelanggan mengeluarkan air liur. Seorang pemimpin tim SaaS SDM A mengatakan kepada Titanium Media. Perusahaan saat ini berencana untuk menggabungkan kemampuan model besar AI pihak ketiga ke dalam versi SaaS, dan ketika ditanya apakah itu telah diterapkan, orang yang bertanggung jawab tidak berkomitmen.

Dalam deskripsi produk uji internal dari produsen yang berbeda di atas, paradigma aplikasi model besar di bidangnya masing-masing tidak membawa perubahan subversif, tetapi lebih banyak telah menambahkan satu lagi pilihan metode interaksi untuk tautan yang berbeda, dan standar pengukuran tidak lebih dari “apakah cukup untuk memahami bahasa manusia dan apakah itu dapat menghasilkan tindakan cerdas yang relevan”. Dengan kata lain, tingkat kecerdasan tidak ditentukan oleh perangkat lunak, tetapi oleh model besar yang digunakan di belakangnya.

Secara obyektif, model besar adalah model probabilistik, dan jenis konten apa yang dihasilkan benar-benar berubah, dan keinginan untuk mencapai hasil yang lebih akurat dibatasi oleh data, skenario, bakat, biaya, dan masalah lainnya, yang semuanya terkait dengan investasi kondisi nyata. Selain itu, produsen aplikasi juga akan memilih untuk mengembangkan di beberapa model, untuk mengurangi potensi risiko yang disebabkan oleh operasi dan kebijakan perusahaan model.

Ini adalah masalah yang harus dipertimbangkan sebagai model besar untuk pasar.

Menurut Oracle Cloud HCM Product Owner, sekitar 80% iterasi produk Oracle didorong oleh kebutuhan pelanggan. Oracle telah mengidentifikasi lebih dari 100 skenario bernilai tinggi untuk AI yang dihasilkan AI, seperti authoring yang dibantu, rekomendasi, ringkasan, dan banyak lagi, dan baru saja dimulai.

Oracle Cloud HCM dibangun di atas OCI Cloud Platform dan memiliki kemampuan AI generatif yang tertanam di dalamnya. Di satu sisi, pelanggan dapat menggunakan data mereka sendiri untuk mengoptimalkan model, dan platform memberikan perlindungan untuk informasi sensitif dan kepemilikan pelanggan, dan pada saat yang sama, menghasilkan konten yang lebih sesuai dengan kebutuhan pengguna melalui permintaan bawaan, sambil mengurangi kesalahan dan bias faktual.

Untuk menerapkan model besar ke skenario tingkat perusahaan sebanyak mungkin, Bao Fei menunjukkan bahwa solusi Yonyou saat ini adalah mengandalkan pengalaman ahli sebagian dan juga mewujudkan kontrol proses berorientasi bisnis, termasuk menambahkan lapisan kontrol ke lapisan atas model besar untuk mengontrol keandalan dan kepatuhan hasil yang dihasilkan.

Setelah diperkenalkannya peraturan model besar pada bulan Agustus, iHR akan memprioritaskan model besar domestik dan model besar open source. Untuk beberapa informasi umum, seperti data publik seperti undang-undang dan peraturan di “Asisten Hukum”, model besar domestik akan digunakan untuk menyelesaikan pelatihan dan fine-tuning, sedangkan untuk informasi yang berkaitan dengan perusahaan dan karyawan, model open source akan dipertimbangkan untuk menyelesaikan pelatihan secara mandiri untuk memastikan keamanan informasi pribadi.

Wang Jingfei menunjukkan bahwa dalam proses pelatihan model, tidak dapat dihindari untuk membutuhkan data “domain pribadi” yang terakumulasi, dan untuk memastikan kepatuhan data perusahaan melatih model besar, penyedia model besar model dasar yang mendasari saat ini menyediakan beberapa kemampuan akses, memungkinkan database pribadi untuk mengakses model besar dan menggunakannya dalam kombinasi dengan model besar. Selain itu, sebagian besar model besar domestik memberikan dukungan dalam aspek keamanan data lainnya.

Pada saat yang sama, vendor aplikasi tidak dapat mengakses model besar dengan lancar.

Orang yang bertanggung jawab atas produk SaaS SDM mengatakan kepada Titanium Media, "Vendor SDM berbeda dari vendor AI, di masa lalu, kedua belah pihak berada dalam tahap di mana mereka saling mengharapkan, tetapi kerja sama itu relatif mendalam. Masalah terbesar bagi vendor AI adalah mereka memiliki algoritme yang sangat baik, tetapi mereka tidak memiliki data yang terkait dengan bisnis vertikal, dan sisi bisnis memiliki sejumlah besar data, dan kemampuan AI relatif kurang. Data perusahaan AI dan data perusahaan bisnis semacam itu akan digabungkan secara perlahan, dan saya pikir ini jelas merupakan tren. "

Misalnya, sebelum munculnya model besar, perusahaan ini sudah bereksperimen dengan wawancara AI, meskipun banyak perusahaan mencoba hal baru ini, tetapi penerapannya tidak terlalu luas. Perusahaan percaya bahwa keputusan apakah akan memilih wawancara AI sebagai skenario aplikasi tergantung pada posisi yang direkrut dan kredibilitas kemampuan wawancara AI, dll., "Dalam skenario sebenarnya, pengusaha memiliki keraguan tentang kemampuan wawancara AI untuk mengevaluasi kandidat, dan kriteria untuk mengevaluasi kandidat secara sistematis berbeda, dan apakah mereka objektif dan kredibel perlu diverifikasi, dan akan membutuhkan waktu untuk menerimanya. " "

Orang yang bertanggung jawab atas perusahaan start-up A yang disebutkan di atas juga menunjukkan bahwa pada tingkat produk, ia akan bekerja sama dengan teman atau penelitian dan pengembangan independen, dan beberapa perusahaan Internet akan merapat dan langsung mengemas solusi teknis mereka.

"Penerapan AI di bidang HR SaaS relatif terbatas. "Produk AI yang terlibat dalam perusahaan ini terutama meliputi: analisis resume, identifikasi otomatis kartu ID / kartu bank, pengenalan wajah, dan tanda tangan elektronik, dan tautan aplikasi terutama berkisar pada modul pencocokan pekerjaan dan rekrutmen.

Dalam tautan gaji, sistem gaji banyak perusahaan besar dan menengah masih relatif kompleks, termasuk perhitungan komisi dan bonus, jika itu adalah metode pengiriman kerja yang fleksibel, sistem gaji tepat waktu, dan beberapa dihitung per potong, dan pada saat yang sama, dalam proses praktik, ada banyak sumber data ini, yaitu, ada banyak sistem, jika Anda tidak dapat melakukan antarmuka (pajak, jaminan sosial, bank, pemerintah), maka Anda memerlukan teknologi lain untuk menyinkronkan data.

"**Biaya model besar saat ini masih relatif tinggi, jadi untuk skenario frekuensi tinggi dan bernilai rendah serta skenario frekuensi rendah dan bernilai tinggi, perbedaan kinerja biaya akan relatif besar. ** iHR saat ini meluncurkan asisten hukum personalia, analisis risiko kontrak kerja, dan pakar pembinaan kinerja, yang termasuk dalam skenario frekuensi rendah dan bernilai tinggi, dan pada saat yang sama, kami juga secara aktif mengeksplorasi skenario pengguna frekuensi tinggi dan bernilai tinggi. Wang Jingfei memberi tahu Titanium Media.

Untuk tujuan ini, iHR pertama-tama memilih tautan kinerja, aspek biaya adalah salah satu pertimbangan, dan yang lebih penting, iHR didasarkan pada pertimbangan peran digital “ahli manajemen sumber daya manusia”. Manajemen kinerja, terutama OKR, membutuhkan banyak metodologi dan praktik untuk melakukannya dengan baik. iHR akan menyediakan sejumlah besar ahli, dan dengan memberdayakan AI untuk memberdayakan para ahli ini, pengaruh para ahli akan dimaksimalkan.

Dalam pandangan Wang Jingfei, jika pihak aplikasi ingin menggunakan model besar dasar dengan aman dan nyaman, itu harus dimulai dari level berikut:

(1) Database vektor digunakan dengan model besar. Database vektor yang dibangun sendiri digunakan untuk menyimpan data pelanggan, yang hanya disimpan di server iHR dan tidak akan terbuka untuk model eksternal.

(2) Mengadopsi model besar yang dibuat sendiri. Untuk model besar di beberapa bidang vertikal, seperti “Asisten Hukum SDM”, yang membutuhkan banyak dokumen dan akumulasi data, lebih tepat untuk membangun model yang dibuat sendiri + penyempurnaan. Berdasarkan model yang dibangun sendiri, personel personel disesuaikan berdasarkan karakteristik hukum.

(3) Desensitisasi data. Beberapa data harus dianalisis oleh model besar eksternal, dan data dapat didesensitisasi dan ditransmisikan ke model besar. Setelah data bertopeng, model besar hanya memiliki serangkaian angka dan ID acak untuk mengidentifikasi pemilik data, dan model besar mengembalikan ID yang sesuai ke sistem personel i setelah menyelesaikan analisis, dan kemudian personel i mengembalikannya ke pelanggan setelah menyelesaikan pemetaan internal.

Anti-Pemikiran

Bahkan, tidak hanya jalur SDM, tetapi industri lain juga menghadapi masalah pendaratan model skala besar.

Pada bulan April, DingTalk adalah yang pertama menunjukkan pencapaian cerdasnya: dengan mengakses model Ali Tongyi, ia menyadari kemampuan “tongkat ajaib” AI dalam empat skenario frekuensi tinggi seperti obrolan grup, dokumen, konferensi video, dan pengembangan aplikasi. Dilihat dari hasil baru-baru ini, setelah pengujian internal lebih dari 500.000 perusahaan, “Tongkat Sihir AI” DingTalk secara resmi diluncurkan, dan 17 produk dan 60+ skenario seperti obrolan DingTalk, dokumen, basis pengetahuan, peta otak, flash, dan Teambition sepenuhnya terbuka untuk pengujian.

Berbicara tentang proses mengakses model besar, Ye Jun berbicara tentang dua poin dalam pertukaran sebelumnya dengan Titanium Media: satu di lapisan interaksi, koneksi antara antarmuka aplikasi setiap produk DingTalk dan API model besar Qianwen, dan yang lainnya adalah docking antara model, dan model besar Qianwen membutuhkan beberapa teks umum dari dokumen basis pengetahuan.

Dalam pandangan Ye Jun, tidak sulit untuk terhubung dengan model besar, tetapi bagaimana menghubungkan sistem bisnis yang berbeda pada platform DingTalk dengan model besar. "Sekarang banyak data di DingTalk memiliki implikasi bisnis, dan model docking lebih rumit, secara teoritis ini bukan model besar dalam pengertian tradisional, tetapi model berukuran sedang dengan karakteristik industri tertentu, atau struktur sistem aplikasi tertentu. Oleh karena itu, saya pikir jangka waktu untuk integrasi akan lebih lama, yang juga merupakan perbedaan besar antara aplikasi perusahaan dan pencarian umum tradisional. "

Mengenai komersialisasi, Ye Jun mengatakan bahwa DingTalk akan mempertimbangkan dua model: satu untuk layanan komersial bernilai relatif tinggi, langsung melakukan pengisian langganan, dan menggabungkannya ke dalam basis DingTalk Professional Edition, Exclusive Edition, dan Special Edition;

Karena DingTalk sendiri terhubung ke banyak aplikasi ekologis, bagaimana membiarkan startup SaaS secara langsung memanggil kemampuan model platform melalui DingTalk dan mengubah produk SaaS adalah sesuatu yang dapat dibawa sebagai aplikasi platform. Kerja sama yang disebutkan di atas antara DingTalk dan personel saya mungkin menjadi salah satu jalur khas di masa depan.

"Untuk aplikasi perusahaan, model besar perlu dilatih, tidak hanya agar efisien dan akurat, yang sama sekali berbeda dari menulis esai atau percakapan manusia-mesin sederhana. Ketika berbicara tentang pengalaman praktis Oracle di bidang HCM, Wu Chengyang, wakil presiden dan direktur pelaksana Oracle China, mengatakan kepada Titanium Media. Dia percaya bahwa Oracle dicirikan oleh fakta bahwa ia sudah bekerja sama dengan perusahaan model besar seperti Cohere, dan pada tingkat data, itu akan menggabungkan pencarian vektor dengan data bisnis pelanggan yang disimpan dalam database Oracle, ditambah dengan teknologi AI generatif seperti arsitektur RAG, “Hanya ketika teknologi ini digabungkan akan ada perubahan yang mengganggu.” "

Semua perangkat lunak layak untuk ditulis ulang dengan model besar - kesimpulan seperti itu idealis dan optimis, tetapi dalam skenario aktual dan bisnis perusahaan, ada juga pertimbangan praktis “apakah itu sepadan”.

Kembali ke kombinasi SaaS SDM dan model besar, informasi resume, informasi wawancara, evaluasi kompetensi, dan informasi lain yang sangat terkait dengan “orang”, jika model besar dapat dilatih dengan data kepemilikan yang lebih akurat, maka sistem SaaS SDM ini akan menjadi terminal manajemen perusahaan yang paling efisien, tetapi apakah data yang berisi privasi pribadi tingkat tinggi ini disahkan oleh individu untuk pelatihan? Risiko dan manfaat yang harus ditanggung semuanya dipertimbangkan oleh produsen, daripada mengejar teknologi canggih secara membabi buta.

Saat ini, banyak platform rekrutmen secara aktif mengakses atau bekerja sama dengan produk/layanan model besar, tetapi tidak banyak skenario aplikasi yang relatif matang, seperti skenario rekrutmen, adegan sparring wawancara, dan skenario penilaian bakat, data dari skenario ini hanya antara data publik dan data kepemilikan, yang disebut penggunaan cerdas tingkat data yang sesuai untuk skenario ini yang menguntungkan perusahaan dan pewawancara di kedua arah. **

Perlu disebutkan bahwa meskipun perusahaan dapat mengakses platform open source untuk melatih model besar, mereka terikat untuk mematuhi kepatuhan yang lebih ketat dan pedoman perlindungan keamanan. Saat ini, industri sudah waspada terhadap risiko mematikan teknologi open source. Menghubungkan ke platform sumber terbuka, atau bahkan secara pribadi menggunakan GPT untuk pengujian internal, mengambil risiko besar.

Saat ini, tampaknya vendor HRSaaS perlu mencoba dan membuat kesalahan satu per satu dalam ribuan skenario dalam “pemilihan, penggunaan, pendidikan, retensi, dan keberangkatan” skenario SaaS SDM, dan biaya ini mungkin tidak jauh berbeda dengan menulis ulang satu set produk.

Selain itu, apakah itu dapat dikomersialkan adalah proposisi akhir dari AI generatif, setidaknya di pasar ToB, esensi teknologi adalah untuk melayani bisnis.

Apakah itu pilihan distilasi model besar open-source atau panggilan API pihak ketiga, perusahaan dan produsen sangat ingin mencoba, tetapi penerapan model besar AI pada akhirnya adalah untuk menyediakan aplikasi skenario kepada karyawan. AI secara luas diharapkan dapat membebaskan personel garis depan dari tugas yang membosankan, berbahaya, dan berulang, tetapi pada tahap ini, AI generatif terutama hanya menambahkan pengalaman fungsional baru di bidangnya masing-masing. Di masa depan, akan ada lebih banyak teknologi AI, tetapi seberapa besar nilai ekonominya bagi perusahaan, dan apakah itu cukup untuk memenangkan saling pengakuan dan pembayaran pelanggan dan karyawan garis depan … Eksplorasi aplikasi AI baru saja dimulai.