Raphaël Fétique ：以三星为例，我们的挑战是通过自动预测来优化电子商务网站的营销费用。对于这一点，ERP 数据是不够的。预测系统需要输入其他类型的数据，例如与竞争环境或媒体购买相关的数据。挑战在于整合这些新的数据源以实现更精确的预测。这一点并不明显，因为数据来源非常多样化且不标准化。
我们与 Verteego 面临的一个共同挑战是致力于标准化数据集，以便能够花更多的时间来优化决策而不是数据准备。
鲁珀特· 希斯尔(Rupert Schiessl) ：随着新一波生成式人工智能的兴起，专业人士对 冰岛 WhatsApp 号码数据 工具的占用问题也随之出现。每个人都说我们需要学习掌握人工智能，但这具体意味着什么呢？在这种情况下，我们对用户（无论是技术人员还是操作人员）的责任是支持他们正确使用这些工具。例如，确保他们了解什么是好的建议以及它是如何制定的。
决策的可解释性是我们开发决策智能解决方案时面临的主要挑战：它是促进团队采用的关键参数。生成式人工智能可以让我们极大地改善这方面，通过使推理和建议对于业务功能来说更具可读性和明确性。
我们的用户越来越多地要求拥有控制权和理解权：我们正在努力实现这一点，通过开发我们的界面并提供越来越多的自然语言交互。
Raphaël Fétique ：生成式人工智能在数据（尤其是文本和语义数据）的处理和清理过程中也被证明非常有用。例如，在内部，组织很少会保留几年以上的促销优惠历史记录……在这种情况下，抓取专门从事促销的网站可以帮助重建这段历史记录。
另一个例子：在市场上，每个供应商都会带着一份包含数千甚至数十万个产品目录。这些数据如果不进行标准化和修正，就很难进行相关的分析。然而，考虑到需要处理的数量，现在已经不可能手工进行这项“清理”工作。
因此，生成式人工智能可以在“数据管理”和数据鉴定中发挥关键作用：它可以用于处理大量数据并对其进行结构化。这绝对至关重要，因为如果用于输入的数据质量不佳，就无法拥有良好的预测模型。