과학자와 엔지니어들은 인공지능(AI) 통합 전략을 업무 흐름에 포함시키라는 지시를 받고 있습니다. 이를 위한 다양한 방법이 있지만, 단순히 AI를 사용한다는 이유만으로 연구의 정확성이나 결과에 대한 신뢰성을 희생하고 싶어하는 사람은 아무도 없습니다.
JMP의 핵심 가치는 변함없이 유지됩니다. 탐색, 모델링, 보고를 지원하는 대화형의 엔드투엔드 분석 워크플로우를 제공하는 것입니다. JMP는 복잡하고 다변량이며 새로운 문제를 다룰 때 특히 뛰어난 성능을 발휘합니다. 이러한 영역은 통계적 사고와 인간의 판단이 필수적인 곳이며, 사전 학습된 AI 모델은 학습 데이터 부족으로 인해 한계를 드러내는 곳이기도 합니다.
JMP는 LLM(언어 기반 모듈)을 분석 워크플로의 가속 도구로 취급하며, 워크플로를 대체하는 도구로 간주하지 않습니다. LLM을 통해 신규 사용자는 더 빠르게 학습하고, 활용되지 않았을 고급 기능을 발견하며, 일반 언어 프롬프트를 사용하여 사용자 지정 JMP 스크립트를 생성할 수 있습니다. 이러한 통합은 권위 있는 JMP 문서를 기반으로 하며 JMP에서 전적으로 실행되므로 결과가 정확하고 재현 가능합니다.
본 프레젠테이션은 JMP의 LLM 통합에 대한 전체론적 접근 방식을 개괄적으로 소개하고, 조직이 AI 전략에 JMP를 포함할 수 있는 다양한 옵션을 제시합니다. JMP와 LLM의 통합을 통해 엄격한 과학적 및 엔지니어링 의사결정을 유지하면서 효율성을 향상시킬 수 있습니다.
