开发和讨论大型语言模型的技术花费了大量的时间和精力。虽然这项技术确实令人印象深刻，但正在构建生成式人工智能应用程序的企业意识到，真正推动生成式人工智能的是高质量和可信数据的可用性。
生成式人工智能将焦点放在数据质量问题上，这一事实并不令人惊讶。毕竟，数据和人工智能归根结底是不可分割的，因为人工智能只是数据的一种升华。但有时，在一段时间的过度刺激之后，需要重新吸取惨痛的教训，比如当前的生成式人工智能热潮。
市场上为确保高级分析和机器学习项目的数据质量而开发的许多相同工具和技术也适用于新颖的生成式人工智能应用程序。这有助于推动数据可观察性软件提供商的业务。
虽然生成式人工智能需要一些新工具，但公司为早期高级分析和机器学习项目所做的许多投资都可以在生成式人工智能中重用，将数据存放在Databricks或Snowflake存储库中的公司正在利用这些数据平台来构建他们的生成式人工智能应用程序。
蒙特卡洛成立于2019年，使用各种统计方法来检测客户数据管道何时可能出现问题。传统上，该公司的技术部署在ETL/ELT管道中，将数据从事务系统转移到数据仓库。随着生成式人工智能变得越来越流行，这些公司正在使用蒙特卡洛来帮助确保检索增强生成（RAG）和微调工作流程的内容是准确的。
蒙特卡洛还参与了一些生成式人工智能项目。高管们表示，谷物制造商、医疗保健公司和金融服务公司都希望该公司的软件能够帮助他们保持数据管道的良好运行，并能够为聊天机器人和推荐引擎等生成式人工智能应用程序提供高质量和可信的数据。
加维什说：“整个实验都在提醒企业，数据对它们的运营有多么重要。你必须让你的数据井然有序，以便在它的基础上构建生成性应用程序。要做到这一点，你必须将你的内部数据纳入模型，无论是通过RAG还是微调。”
“但你必须以某种方式将你的数据嵌入模型，然后基本上回到基础，对吧?”他接着说。“你如何弄清楚你有什么数据，在哪里，有多好，然后你如何保持它的信任和可靠?”我们并没有解决所有这些问题，但我们绝对专注于可靠性和信任部分。”加维什说，蒙特卡洛接受了它所扮演的新角色，特别是在帮助解决LLM围绕幻觉和不确定结果的各种问题时。
他说：“因此，基础数据的可靠性变得更加关键，因为这就是缓解措施。”。“归根结底，人们之所以进行RAG，还有其他原因，因为模型本身并不是非常准确。所以RAG是一种让它们更准确的方法，但如果数据不可信，这种方法就行不通了。”
