Questo post è stato scritto insieme a Stela Gazheli – Area Lavoro Unione Italiana Commercialisti
Commercialisti e consulenti del lavoro sono tra i professionisti più direttamente interessati dalle evoluzioni dell'intelligenza artificiale generativa, che, come noto, offre risposte di testo basate su modelli linguistici di grandi dimensioni (LLM, Large Language Model) e viene addestrata attraverso un numero enorme di dati. Le informazioni utilizzate per generare la risposta sono, tuttavia, limitate a quelle usate per addestrare l'intelligenza artificiale, quindi generiche.
I dati del LLM potrebbero non essere aggiornati e nel caso di un chatbot aziendale potrebbero non includere informazioni specifiche sui prodotti o servizi dell’organizzazione. Ciò può generare risposte errate o parziali. La Retrieval Augmented Generation (RAG) è una tecnica in grado di fornire risultati più accurati alle domande rispetto a un modello linguistico generativo di grandi dimensioni in quanto utilizza conoscenze esterne ai dati già contenuti nel LLM. La RAG migliora l’LLM con informazioni mirate senza modificare il modello alla sua base. Quelle informazioni mirate possono essere più aggiornate rispetto al LLM, ma anche più precise nel caso di organizzazioni e settori specifici. Ciò significa che il sistema di intelligenza artificiale generativa può fornire risposte più appropriate ai prompt, e basare tali risposte su dati estremamente attuali.
Per queste ragioni, l’intelligenza artificiale e le sue applicazioni in ambito professionale saranno rivoluzionate dalla Retrieval Augmented Generation, che è in grado di considerare tutte le informazioni di cui dispone un'organizzazione: i database strutturati, i PDF e altri documenti non strutturati, i blog, i feed delle notizie. Modelli come ChatGPT saranno notevolmente migliorati dalla RAG che consentirà loro di attingere informazioni da fonti esterne per fornire risposte più precise e dettagliate. Per i professionisti dell’area contabile, commercialisti e consulenti del lavoro, sarà possibile integrare modelli di linguaggio avanzati con le proprie basi di dati e conoscenze specifiche, raggiungendo un'efficienza e un'efficacia senza precedenti nelle interazioni con i clienti e nell'automazione dei processi interni. In uno studio professionale l'AI generativa utilizza la RAG partendo dai dati aziendali incorporati in un repository di conoscenze (archivi dei programmi gestionali).
Quando il professionista esegue una query, il database recupera informazioni contestuali pertinenti. Queste informazioni contestuali, insieme alla query, vengono inviate al modello linguistico di grandi dimensioni, il quale utilizza il contesto per creare una risposta più aggiornata e accurata. I software gestionali per la contabilità e il payroll potranno integrare workflow (basati su RAG) facilitando l'accesso ai dati a livello di account e l'elaborazione di nuovi e più efficienti flussi di lavoro. Questo consentirà di generare dinamicamente contenuti di intelligenza artificiale in una varietà di applicazioni, dalla creazione di documenti PDF alla personalizzazione di report contabili specifici. La RAG può essere usata anche per automatizzare e ottimizzare i workflow di studio, monitorando i dati della catena di archiviazione dei documenti in tempo reale, prevedere problemi potenziali e suggerire azioni correttive, ottimizzando così i servizi di consulenza e riducendo i tempi di inattività. Non solo la capacità di generare testo in modo intelligente è fondamentale, ma anche la capacità di informarsi e adattarsi in base a un universo di dati in continua evoluzione.
Segui i temi
Commenta con i lettori I commenti dei lettori
Suggerisci una correzione Questo post è stato scritto insieme a Stela Gazheli – Area Lavoro Unione Italiana Commercialisti
Commercialisti e consulenti del lavoro sono tra i professionisti più direttamente interessati dalle evoluzioni dell'intelligenza artificiale generativa, che, come noto, offre risposte di testo basate su modelli linguistici di grandi dimensioni (LLM, Large Language Model) e viene addestrata attraverso un numero enorme di dati. Le informazioni utilizzate per generare la risposta sono, tuttavia, limitate a quelle usate per addestrare l'intelligenza artificiale, quindi generiche.
I dati del LLM potrebbero non essere aggiornati e nel caso di un chatbot aziendale potrebbero non includere informazioni specifiche sui prodotti o servizi dell’organizzazione. Ciò può generare risposte errate o parziali. La Retrieval Augmented Generation (RAG) è una tecnica in grado di fornire risultati più accurati alle domande rispetto a un modello linguistico generativo di grandi dimensioni in quanto utilizza conoscenze esterne ai dati già contenuti nel LLM. La RAG migliora l’LLM con informazioni mirate senza modificare il modello alla sua base. Quelle informazioni mirate possono essere più aggiornate rispetto al LLM, ma anche più precise nel caso di organizzazioni e settori specifici. Ciò significa che il sistema di intelligenza artificiale generativa può fornire risposte più appropriate ai prompt, e basare tali risposte su dati estremamente attuali.
Per queste ragioni, l’intelligenza artificiale e le sue applicazioni in ambito professionale saranno rivoluzionate dalla Retrieval Augmented Generation, che è in grado di considerare tutte le informazioni di cui dispone un'organizzazione: i database strutturati, i PDF e altri documenti non strutturati, i blog, i feed delle notizie. Modelli come ChatGPT saranno notevolmente migliorati dalla RAG che consentirà loro di attingere informazioni da fonti esterne per fornire risposte più precise e dettagliate. Per i professionisti dell’area contabile, commercialisti e consulenti del lavoro, sarà possibile integrare modelli di linguaggio avanzati con le proprie basi di dati e conoscenze specifiche, raggiungendo un'efficienza e un'efficacia senza precedenti nelle interazioni con i clienti e nell'automazione dei processi interni. In uno studio professionale l'AI generativa utilizza la RAG partendo dai dati aziendali incorporati in un repository di conoscenze (archivi dei programmi gestionali).
Quando il professionista esegue una query, il database recupera informazioni contestuali pertinenti. Queste informazioni contestuali, insieme alla query, vengono inviate al modello linguistico di grandi dimensioni, il quale utilizza il contesto per creare una risposta più aggiornata e accurata. I software gestionali per la contabilità e il payroll potranno integrare workflow (basati su RAG) facilitando l'accesso ai dati a livello di account e l'elaborazione di nuovi e più efficienti flussi di lavoro. Questo consentirà di generare dinamicamente contenuti di intelligenza artificiale in una varietà di applicazioni, dalla creazione di documenti PDF alla personalizzazione di report contabili specifici. La RAG può essere usata anche per automatizzare e ottimizzare i workflow di studio, monitorando i dati della catena di archiviazione dei documenti in tempo reale, prevedere problemi potenziali e suggerire azioni correttive, ottimizzando così i servizi di consulenza e riducendo i tempi di inattività. Non solo la capacità di generare testo in modo intelligente è fondamentale, ma anche la capacità di informarsi e adattarsi in base a un universo di dati in continua evoluzione.
Rag, la nuova frontiera dell’intelligenza artificiale per i professionisti dell’area contabile
5
1
09.01.2024
Questo post è stato scritto insieme a Stela Gazheli – Area Lavoro Unione Italiana Commercialisti
Commercialisti e consulenti del lavoro sono tra i professionisti più direttamente interessati dalle evoluzioni dell'intelligenza artificiale generativa, che, come noto, offre risposte di testo basate su modelli linguistici di grandi dimensioni (LLM, Large Language Model) e viene addestrata attraverso un numero enorme di dati. Le informazioni utilizzate per generare la risposta sono, tuttavia, limitate a quelle usate per addestrare l'intelligenza artificiale, quindi generiche.
I dati del LLM potrebbero non essere aggiornati e nel caso di un chatbot aziendale potrebbero non includere informazioni specifiche sui prodotti o servizi dell’organizzazione. Ciò può generare risposte errate o parziali. La Retrieval Augmented Generation (RAG) è una tecnica in grado di fornire risultati più accurati alle domande rispetto a un modello linguistico generativo di grandi dimensioni in quanto utilizza conoscenze esterne ai dati già contenuti nel LLM. La RAG migliora l’LLM con informazioni mirate senza modificare il modello alla sua base. Quelle informazioni mirate possono essere più aggiornate rispetto al LLM, ma anche più precise nel caso di organizzazioni e settori specifici. Ciò significa che il sistema di intelligenza artificiale generativa può fornire risposte più appropriate ai prompt, e basare tali risposte su dati estremamente attuali.
Per queste ragioni, l’intelligenza artificiale e le sue applicazioni in ambito professionale saranno rivoluzionate dalla Retrieval Augmented Generation, che è in grado di considerare tutte le informazioni di cui dispone un'organizzazione: i database strutturati, i PDF e altri documenti non strutturati, i blog, i feed delle notizie. Modelli come ChatGPT saranno notevolmente migliorati dalla........
© HuffPost
visit website
login
who are we?
contact us
qosheapp
Toi Staff
Gideon Levy
Belen Fernandez
Andrew Mitrovica
Mort Laitner
Rami G Khouri
Ali Fathollah-Nejad
Nikkei Editorial
