人工智能能预测商业流程的未来吗？
SNAP，一个新的程序，利用广泛的语言模型来预测下一个最可能的进展，如贷款申请或人力资源情况
根据IBM，生成式人工智能可以通过自动化来简化业务任务。
🖥️🔮 在当今技术驱动的世界中，自动化人类任务和提高效率的竞争正在进行中！计算机巨头IBM现在正在探索生成式人工智能（AI）的潜力，特别是大型语言模型（LLMs），作为自动化的跳板。他们提出的软件框架，恰如其名地命名为SNAP（用于下一个活动预测的语义故事），训练LLM基于之前的事件来预测业务过程中的下一个动作。
语言模型在预测业务过程中的威力
📚 LLM能够分析事件序列，甚至不使用传统的时间序列数据。IBM发布在arXiv预印服务器上的研究论文表明，SNAP显著提高了各种业务过程管理（BPM）数据集的下一个活动预测性能。SNAP的创新之处在于其能够生成语义故事，利用GPT-3等语言模型的丰富性和连贯性。这些模型通过捕捉更细节的细节，并将其转化为自然语言叙述，超越了旧的AI程序的限制。
💻 让我们以贷款申请为例。LLM可以分析贷款的各种属性，例如贷款金额和申请开始日期，并构建如下叙述： “所请求的贷款金额为$ 20,000，由客户申请。活动“注册申请”发生在第6轮，即案件开始后的第12天…”。
✨ SNAP框架分为三个步骤。首先，它基于给定的属性创建一个模板故事。然后，LLM填写模板以生成完整的叙述。最后，多个故事用于训练LLM来预测业务过程中的下一个事件。
开创新局：SNAP的性能
🔍 为了评估SNAP的有效性，Alon Oved和IBM研究团队对其进行了测试，使用了四个公开可用的数据集，包括汽车制造商沃尔沃的IT事件和虚构的人力资源案例。他们使用了三个语言基础模型：OpenAI的GPT-3，Google的BERT和Microsoft的DeBERTa。令人惊讶的是，结果显示，即使是BERT这样的较小模型也超过了GPT-3，证明在AI世界中大小并非一切。
💡 研究人员还发现，连贯和语法正确的语义故事的结构显著影响了SNAP的性能。使用完整句子生成的故事与将属性组合成一个长文本字符串的故事相比，更准确。这一发现证实了叙事设计在SNAP算法中的重要作用。
⭐ 更令人兴奋的是，当处理广泛的分类特征空间（例如用户话语和其他自由文本属性）时，SNAP方法特别有效。生成式人工智能有能力从业务过程中的非结构化数据中解锁宝贵的观察结果，填补了传统AI方法和它们无法捕获的数据之间的鸿沟。
🌐 那么，SNAP和生成式人工智能的未来会是什么样子？随着数据集中加入像机器人流程自动化这样的新技术，作者们推测将会有更多丰富的语义信息可用，进一步提升预测的准确性。
🌟 用预测性AI拥抱未来
☑️ IBM的SNAP展示了生成式人工智能在预测业务过程中的巨大潜力。通过利用语言模型和语义叙述的力量，企业可以获得宝贵的洞察，并简化其运营。预测和建议下一步的能力为自动化和效率打开了无限可能。
📚 更多探索：
- 沃尔玛推出生成式AI：CES上的AI搜索和AI补货功能
- ChatGPT能预测未来吗？训练AI以弄清楚后续发生的事情
- 得益于DeepMind，AI在天气预测技术方面表现优异于我们最好的技术
- 为什么Nvidia教机器人旋转笔，生成式AI正在帮助其中
- Microsoft Copilot让您可以从文本提示中创建AI歌曲（是的，有条件）
- 使用AI的五种负责任的方式
🌟在SNAP和生成式AI上分享你的想法！你认为AI能预测商业流程的未来吗？在下面留下评论，让我们开始对话吧！💬💭
💻🔮✨
