Inteligența artificială generativă are un impact tot mai mare asupra modului în care lucrăm cu datele. Datele spațiale nu fac excepție. În mediile GIS și ETL, unde volumele de date se extind mai rapid decât echipele care le gestionează, IA generativă (GenAI) ajută la automatizarea sarcinilor care anterior necesitau cunoștințe specializate și ore de muncă manuală.
Safe Software a integrat GenAI direct în platforma FME. Pe de o parte, servește ca un asistent încorporat care simplifică codarea; pe de altă parte, acționează ca un „motor” pentru fluxuri de lucru avansate cu datele. Acestea includ soluții RAG (Retrieval-Augmented Generation) care vă permit să „discutați” cu propriile date ale organizației dvs.
Citiți mai departe pentru a găsi o prezentare generală structurată a cazurilor de utilizare pentru IA generativă în FME.
Contents
- 1. FME AI Assist – asistentul tău personal în Workbench
- 2. Generative AI în FME – cazuri practice de utilizare
- 3. Virtualizarea datelor și RAG – valorificarea datelor corporative și a inteligenței artificiale
- 4. Provocări, cele mai bune practici și utilizarea responsabilă a inteligenței artificiale generative
- 5. Rezumat
FME AI Assist – asistentul tău personal în Workbench
FME AI Assist este un instrument auxiliar încorporat în FME Workbench, disponibil începând cu FME Form 2024.0. Acesta înțelege limbajul natural și îl folosește pentru a genera codul sau expresiile necesare în spațiul de lucru.
Un utilizator tastează pur și simplu o comandă, cum ar fi „Selectați orașe cu o populație peste 100.000”, iar asistentul generează interogarea corespunzătoare în cod, gata pentru utilizare imediată în FME.
Asistentul este integrat direct în ferestrele de editare. Apare exact acolo unde sunt de obicei necesare cunoștințe de sintaxă, cum ar fi la construirea de interogări SQL, scripturi Python sau Regular Expressions (Regex).
Cum lansezi Asistentul AI și ce date folosește acesta??
Puteți activa asistentul în FME Options. De asemenea, acesta poate fi dezactivat oricând, lăsând controlul deplin în mâinile utilizatorului sau ale administratorului FME.
Asistentul AI utilizează conținutul solicitării dvs. și schema de date, în special numele tabelelor și coloanelor. Nu trimite valorile reale ale înregistrărilor din baza de date a companiei dvs. către modele externe. Nici datele spațiale, nici cele ale atributelor nu sunt utilizate pentru a antrena modelele Safe Software sau pe cele ale furnizorilor GenAI, ceea ce este crucial pentru securitatea datelor organizaționale și conformitatea cu GDPR.
Merită subliniat faptul că asistentul AI generează sugestii. Depinde de utilizator să decidă dacă le acceptă, le modifică sau le respinge. AI sprijină expertul; nu îl înlocuiește.
Pentru începători, suportul pentru inteligența artificială înseamnă o barieră de intrare mai mică. Nu trebuie să cunoască sintaxa SQL, Python sau Regex pe de rost. Trebuie doar să descrie sarcina în cuvinte.
Pentru utilizatorii experimentați, aceasta reprezintă economii reale de timp. Nu mai trebuie să scrie manual fragmente de cod repetitive și se pot concentra în întregime pe logica procesului.
Generative AI în FME – studii de caz practice
Dincolo de asistentul încorporat, FME se poate conecta la servicii externe de inteligență artificială prin intermediul unor transformatoare precum OpenAICompletionsConnector, OpenAIChatGPTConnector, OpenAIImageGenerator, Generative AI Reader și LeapAIConnector (Safe Software lucrează continuu la noi soluții). Acest lucru permite inteligenței artificiale generative să devină o parte integrantă a fluxului de lucru al datelor.
În această secțiune vom analiza câteva exemple despre cum se aplică inteligența artificială generativă atunci când se lucrează cu FME.
2.1. Solicitare contextuală în OpenAIChatGPTConnector
FME: Informațiile definite în OpenAIChatGPTConnector permit inteligenței artificiale generative să ofere răspunsuri mai bine adaptate nevoilor utilizatorilor.
În FME, folosind OpenAIChatGPTConnector, puteți controla în mod conștient comportamentul modelului GenAI. În loc să puneți o singură întrebare generală, puteți mai întâi defini rolul și sarcina modelului, apoi puteți solicita un rezultat specific cu o structură definită. Acest lucru asigură că răspunsul este mai bine adaptat nevoilor procesului FME.
De exemplu, ați putea crea următoarea solicitare:
„Ești un bot (rol) care generează seturi de date privind profilurile companiilor.
Generează un fișier JSON care conține cele mai mari 50 de companii din România; furnizează numele companiei, numărul de angajați și veniturile. Denumește coloanele: companie, angajați, venituri. Returnează doar fișierul JSON brut în răspunsul tău.”
Fișierul JSON rezultat poate fi încărcat în FME și procesat la fel ca datele tabelare standard – filtrat, îmbinat cu alte surse sau publicat ca serviciu.
Această metodă de utilizare a GenAI în FME are aplicații foarte practice acolo unde trebuie să generați sau să completați rapid date, în special în timpul etapelor de prototipare sau analiză preliminară.
2.2. Generarea seturilor de date spațiale cu context automat
Generative AI Reader din FME vă permite să generați întregi seturi de date la cerere. În loc să proiectați manual o structură de tabel, utilizatorul descrie pur și simplu setul de date de care are nevoie în parametrii cititorului (reader).
De exemplu: „Cei mai mari angajatori din România, inclusiv orașul, industria, numele companiei, adresa și numărul aproximativ de angajați”. Cititorul creează câmpurile și rândurile corespunzătoare. Setul rezultat poate fi vizualizat imediat în Visual Preview și procesat ulterior, la fel ca datele spațiale clasice.
Acest flux de lucru poate fi extins prin înlănțuirea interogărilor. Respectând exemplul de mai sus, un utilizator ar putea genera mai întâi o listă de județe, împreună cu reședințele acestora, suprafața și populația acestora. Apoi, pentru fiecare reședință, ar putea solicita o listă cu cei mai mari angajatori din orașul respectiv, inclusiv industria, adresa și numărul de angajați. Drept urmare, în câteva minute, este creat un set de date multidimensional gata pentru analiză în FME. Toate acestea se realizează fără a proiecta manual scheme sau a scrie cod auxiliar.
2.3. Crearea de grafică
Generative AI în FME nu se limitează la text și date tabelare. Platforma include și transformatoare care generează imagini, cum ar fi OpenAIImageGenerator și LeapAIConnector.
Cum funcționează? Utilizatorul furnizează o descriere în limbaj natural împreună cu câțiva parametri (dimensiune, stil, format), iar FME returnează o imagine generată care poate fi salvată, legată de o înregistrare sau publicată într-o aplicație.
Această funcție poate fi utilizată, de exemplu, pentru a accelera lucrul la portalurile hărților. În loc să căutați sau să creați manual pictograme individuale, puteți utiliza FME și LeapAIConnector pentru a genera automat un set de ilustrații consistente bazate pe atributele obiectului. Un bun exemplu ar fi construirea unui portal de servicii pentru oraș care prezintă investițiile planificate: noi stații de autobuz, stații de încărcare pentru vehicule electrice sau puncte de colectare selectivă a deșeurilor.
2.4. Aplicație de procesare a documentelor în regim self-service
Generative AI în FME poate acționa și ca motor pentru aplicațiile web. Un exemplu excelent este o soluție în care un utilizator încarcă un raport PDF printr-o interfață simplă, iar sistemul returnează un rezumat pregătit de inteligența artificială. În FME, acest lucru este gestionat de transformatoare precum OpenAIChatGPTSummarizer și OpenAIChatGPTTextSummarizer.
O astfel de soluție poate fi deosebit de utilă pentru primării și birourile de proiectare care primesc în mod regulat rapoarte ample. În loc să citească fiecare document de la un capăt la altul, un angajat încarcă fișierul și primește cele mai importante informații în câteva secunde. Acest lucru facilitează decizia care document necesită o analiză completă și care poate fi arhivat imediat.
Virtualizarea datelor și RAG – valorificarea datelor corporative și a inteligenței artificiale
Modelele publice de IA nu sunt conștiente de datele stocate în cadrul unor organizații specifice. Acestea funcționează pe baza cunoștințelor generale de pe internet. Când sunt întrebate despre ceva specific afacerii dvs., acestea pot pur și simplu să inventeze lucruri (un fenomen cunoscut sub numele de „halucinații”). Aceasta este o limitare serioasă pentru aplicațiile de business ale IA generativă.
Soluția la această problemă este arhitectura RAG – Retrieval-Augmented Generation. În această abordare, FME acționează ca stratul care pregătește și furnizează modelului de IA date fiabile din sistemele companiei. FME preia documente, rapoarte, date GIS și alte surse, procesează textul în vectori (embedding-uri) și le încarcă într-o bază de date vectorială. Aceasta creează o bază de date care conține cunoștințele specifice domeniului organizației.
Când un utilizator pune o întrebare în limbaj natural, sistemul caută mai întâi în această bază de date fragmentele care corespund cel mai bine interogării. Abia apoi le transmite modelului de limbaj cu instrucțiuni de răspuns bazate doar pe contextul furnizat.
De exemplu, atunci când răspunde la întrebarea „Care este starea conductelor de canalizare din sectorul B?”, sistemul va localiza mai întâi rapoarte și note relevante în cadrul resurselor companiei, apoi va solicita inteligenței artificiale un rezumat concis pe baza acestor constatări.
Virtualizarea datelor construită în acest fel permite angajaților să „converseze” cu documentația și bazele de date folosind limbajul natural.
Provocări, cele mai bune practici și utilizarea responsabilă a inteligenței artificiale generative
Generative AI în FME poate fi un sprijin extraordinar, dar trebuie utilizată responsabil.
Codul generat de asistentul de inteligență artificială sau de modelele externe trebuie întotdeauna verificat. Nu uitați niciodată că inteligența artificială este un instrument de suport, nu un expert infailibil. Înainte de implementarea în producție, merită să testați logica interogărilor și a scripturilor și să verificați impactul acestora asupra datelor dvs.
Formularea abilă a prompturilor este, de asemenea, esențială.
Propozițiile scurte și precise, specificarea numelor tabelelor și coloanelor și definirea formatului rezultatului așteptat îmbunătățesc semnificativ calitatea răspunsurilor. Dacă prima versiune nu îndeplinește așteptările, trebuie să rafinați comanda și să solicitați o corecție.
De asemenea, trebuie să țineți cont de costuri. Apelurile API ale modelului sunt facturate în token-uri. Cu volume mari de date, utilizarea suboptimă a inteligenței artificiale se poate dovedi costisitoare. O practică bună este să filtrați datele înainte de a le trimite către model și să limitați utilizarea inteligenței artificiale la sarcinile în care adaugă cu adevărat valoare.
Elementul final este securitatea. Chiar dacă AI Assist nu trimite valori de înregistrare extern, alte integrări ar putea face acest lucru. Trebuie să respectați regulile GDPR și politicile interne și să definiți clar ce informații sunt permise să părăsească organizația.
Rezumat
FME devine o adevărată punte între ingineria datelor tradițională și inteligența artificială generativă modernă. AI Assist accelerează codarea. Integrările cu modelele LLM deschid noi scenarii, de la generarea de date sintetice și crearea de grafică sau aplicații web, până la acționarea ca asistent pentru SQL și Python.
Între timp, arhitectura RAG și virtualizarea datelor permit construirea de sisteme care răspund la întrebări bazate pe cunoștințe organizaționale reale, mai degrabă decât pe date web generale.
Acum este un moment bun pentru a începe să experimentați cu FME și GenAI. Merită să faceți acest lucru într-un mod controlat pentru a verifica unde GenAI accelerează cu adevărat procesele și luarea deciziilor.
