何时使用生成式 AI 或传统 AI

本文档可帮助您确定确定生成式 AI、传统 AI 或两者的组合何时适合您的业务应用场景。

在本文档中，传统 AI 是指可能不需要采用生成式 AI 功能的 AI 功能和应用场景，例如一些分类和预测性 AI 应用场景。传统 AI 模型擅长从现有数据学习，以对信息进行分类或根据历史模式预测未来的结果。生成式 AI 模型扩展了这些功能，以创建摘要、发现复杂的隐藏相关性，或生成反映训练数据中的样式和模式的新内容，例如文本、图片或视频。

何时使用生成式 AI

一般来说，生成式 AI 解决方案擅长以下任务：

  • 创建和推荐内容。
  • 为对话搜索和聊天机器人提供支持。
  • 扩缩和自动执行重复性任务的工作流。
  • 使用关联推理来查找文档和数据中的数据洞见和关系。
  • 生成代码并协助开发者编写、说明和记录代码。

以下部分提供了这些可针对不同行业进行自定义的常见生成式 AI 应用场景的示例。

内容创作和推荐内容

  • 生成与营销相关的内容，例如产品图片、社交媒体帖子和包含相关图片的电子邮件。
  • 翻译文档、网站内容和多语言聊天机器人对话等内容。
  • 汇总文本内容（包括文档、文章、客户反馈和报告），以帮助作出更明智的数据驱动决策。
  • 创建来自多个来源的信息摘要，其中可包括文本、图片和视频或音频组件。
  • 自动为视频添加字幕。
  • 创建创意多媒体内容，例如根据文本提示说明创建新图片、使用文本提示修改或修复图片（例如，移除对象或更改配色方案），以及根据文本提示或脚本生成短视频或动画。
  • 为音频生成真实的合成语音（例如旁白音轨和音乐）。
  • 分析和理解用户行为、偏好、评价和过去的互动，以提供个性化的内容推荐。分析可以与位置等实时因素结合，从而跨产品、文章和视频等内容定制内容推荐。

对话式搜索和聊天机器人

  • 构建用于用户互动（例如客户服务和线上销售）的虚拟助理。
  • 使用自然语言查询在大型知识库中实现对话式搜索。
  • 查找将文字查询与相关图片相结合的复杂问题的解答。

文档和数据理解

  • 从报告、账单、收据、财务交易或合同等文本中提取数据和分析内容，以突出显示可能的错误或合规性问题、识别潜在风险或发现指示欺诈的异常。
  • 分析社交媒体帖子和商品评价等用户生成的内容的情感。
  • 分析转写的呼叫中心对话，以提取数据洞见，例如客户对呼叫中心互动评分较低的最常见原因。

  • 分析信息安全数据（如威胁报告、文章和存储库）以提取关键威胁指标。此分析使主动信息安全防御能够汇总缓解策略，并确定其优先级，并提供提升响应速度的建议。

    分析可以将复杂的攻击图表转换为纯文本来解释风险。它还可以模拟可能的攻击路径，突出显示受影响的资产，并且可以在资产被利用之前提出缓解措施建议。

代码生成和开发者协助

生成式 AI 可帮助在软件开发生命周期 (SDLC) 的所有阶段完成以下类型的任务：

  • 使用自然语言提示生成 API 规范和文档。
  • 根据自然语言提示创建资源，例如代码、函数、命令行命令和 Terraform 脚本。
  • 生成测试和代码说明，包括用于说明代码的注释和文档。

如需详细了解生成式 AI 如何改变客户服务、员工工作效率和流程自动化等业务运维，请参阅“Google Cloud 上的生成式 AI”中的业务应用场景。

何时使用传统 AI

传统 AI 应用场景通常侧重于预测未来结果，或根据基于现有历史数据源（如表格数据和图片）进行训练的 AI 模型对类别进行分类。传统的 AI 解决方案通常足以满足多个分类和预测性 AI 应用场景，例如：

  • 分类应用场景：
    • 根据基于历史数据进行训练的传统分类 AI 模型，通过将电子邮件分类为垃圾邮件或非垃圾邮件来过滤垃圾邮件。
    • 针对优质产品和有缺陷的产品的特定图片训练传统图片分类模型，以有效地帮助在制造业中进行实时检查和缺陷检测。
  • 回归应用场景：
    • 预测连续数值，例如根据特定的房屋特征和位置预测房价。
    • 根据历史购买数据，预测电子商务平台的客户在与公司产生关系期间将产生多少收入。
  • 时序预测应用场景：预测销售和需求。
  • 聚类应用场景：执行客户细分。

如需详细了解如何使用传统 AI，请参阅“什么是预测分析？”中的预测分析的用途和示例。

在传统 AI 和生成式 AI 之间做出选择

以下简化的决策树为一些基于应用场景的决策路径提供了大致参考。在某些情况下，最好同时使用传统 AI 和生成式 AI，如下一部分“何时将生成式 AI 与传统 AI 结合使用”中所述。

决策树显示了何时使用生成式 AI、传统分类或预测式 AI 或预训练 AI 模型。

决策树包含以下应用场景驱动型问题和回答：

  • 如果您的应用场景与分类或检测相关，请检查预训练的传统 AI 模型能否满足您的用例要求。预训练的传统模型包括 Document AI、Vision AI、Natural Language API 和 Video Intelligence API 等 AI API。

    • 如果预训练模型符合您的要求，请使用预训练模型。
    • 如果预训练模型无法满足您的要求，请检查您是否有足够的训练数据可用于自定义训练模型。
      • 如果有足够的训练数据可用，您应该优先考虑什么：对模型训练有更多控制权，还是更快地进入市场 (GTM)？
        • 如果您需要通过自定义对模型训练进行严格控制，例如使用任何首选模型算法、开发自己的损失函数、使用模型可解释性的特定功能、模型中的层数、学习速率和其他模型超参数，请使用传统 AI 模型的自定义训练。有关自定义训练或使用 AutoML 在 Vertex AI 中训练模型之间的差异的信息，请参阅选择训练方法。
        • 如果您的业务优先事项是更快的 GTM，请使用生成式 AI。如果您的应用场景较为特殊，您可以使用监督式调优等模型调优来进行分类、情感分析或实体提取。
      • 如果训练数据集不可用，或者可用数据集不够大，无法自定义训练模型，请将生成式 AI 模型与提示工程搭配使用。使用数据示例，可以进一步对这些模型调优，以执行专业任务。

  • 如果您的应用场景与预测性 AI 应用场景相关，请使用传统 AI。传统的预测性 AI 对结构化数据尤其有效。

  • 如果您的应用场景与生成式 AI 应用场景（例如汇总、内容生成或高级转写）相关，请使用生成式 AI。生成式 AI 的使用包括需要处理和输入来自多种模态（例如文本、图片、视频或音频）的信息的应用场景。

虽然数据科学家和机器学习工程师通常会引导模型选择流程，但也请务必考虑关键利益相关方（例如企业领导者、产品所有者、领域专家和最终用户）的意见。例如，这些利益相关方可能会通过以下方式互动：

  • 业务领导者和决策者：在选择与业务优先级保持一致时批准选择。
  • 产品所有者：可能需要影响或更好地控制模型行为，使其与产品优先级保持一致。
  • 领域专家：运用其领域专业知识来提高模型有效性。
  • 最终用户：可能需要了解模型的输出，以及如何整合输出以做出更明智的决策。

何时将生成式 AI 与传统 AI 结合使用

传统 AI 和生成式 AI 并不互斥。在某些业务应用场景中，它们可以互为补充，以实现最终的业务目标。例如，您可以将传统 AI 模型的输出用作生成式 AI 模型的提示的一部分。以下是结合使用传统和生成式 AI 功能的一些应用场景：

  • 传统预测 AI 可以分析历史数据来预测客户流失概率。此分析可以与 LLM 或依托生成式 AI 的聊天机器人集成，使销售团队能够使用自然语言对话来探索预测结果。您还可以通过与聊天机器人进行简单的对话来生成商业智能 (BI) 信息中心。
  • 传统预测 AI 可以预测特定应用场景的风险，而生成式 AI 可以模拟不同的场景，以帮助制定可能的缓解策略。
  • 传统的预测式 AI 可以识别客户细分，以帮助进行个性化营销和制作广告系列。然后，您可以使用生成式 AI 生成专为每个所识别细分量身定制的个性化营销内容。
  • 传统 AI 计算机视觉可以检测手语并对其进行分类，以将视频输入转换为文本。生成式 AI 可以增加对手语中语境和细节的理解，从而以更好的质量转换为书面文本（包括多种语言）。生成式 AI 还可以根据文本翻译生成语音输出，从而实现手语使用者和非手语使用者之间的无缝双向交际。
  • 传统 AI 可以执行视频分析，并使用视频智能功能从视频资产中提取重要的数据洞见和特征。例如，它可以从视频资产中执行对象检测、人员动态检测、文本检测和提取。然后，生成式 AI 可以使用这些数据洞见来打造新颖的体验，例如聊天机器人、列表、报告或文章。

为了最大限度地提高生成式 AI 和传统 AI 投资的业务优势，请优先考虑必要的业务成果和用户需求（业务驱动且以用户为中心的 AI 解决方案）。这种方法可确保解决方案保持相关性、推动采用、提高效率并促进创新。在依托 AI 的解决方案中优先考虑用户体验有助于调整预期并带来有意义的结果。

后续步骤