Walmart大举应用生成式AI到企业内外部场景。图为他们结合AR技术与生成式AI打造而成的室内设计购物助手实验原型，根据自然语言输入来为顾客房间模拟摆设适合的商品。这些技术背后使用的商品数据，也会靠生成式AI清洗和梳理。

Walmart应用生成式AI的4大挑战

Walmart应用AI及生成式AI时，有4大挑战：持续高速创新、数据及开发规模庞大、成本控制不易，以及需要运行复杂严谨的生成式AI治理政策。其中，持续高速创新是Walmart主任数据科学家Michael Pfaffenberger最为重视的。

Michael Pfaffenberger说明，零售科技竞争非常激烈，就算Walmart在这战场中算是领先者，仍时刻不能慢下创新脚步。同时，Walmart还有一些限制，使他们接触新科技时更需要快马加鞭开发进度。

其中一个限制是，正式采用新技术的时机点较慢。就Walmart来说，财会部门需要控管和纪录GenAI使用支出，且使用的服务需要具备更高服务水准，因此得等一般可用（Generally available）的商业级产品发布才会激活。新创或中小型企业，则没有这么重的包袱。

他举例，Azure开放使用GPT4-Turbo的时间比OpenAI开放试用版的日期晚了9天，且企业还需要等待厂商协助设置和导入，进入Walmart自家正式开发环境。这就会让Walmart于竞争激烈的环境中晚了数周才起步。「这听起来不久，但上市时间在生成式AI军备竞赛中非常重要。」他强调。

第二个挑战是数据及开发规模庞大。Walmart有近3亿名会员、4亿笔商品SKU、2百万名员工、上万家门市、月流量4亿人次电商和无数家第一方及第三方供应商，产生惊人规模的数据。不只数据量日益增加，Walmart还不断将生成式AI应用于更多、更大、更复杂的问题。这些因素，使Walmart必须在多云端平台及多地理区域增加开发资源，并确保系统有高可用性。

规模庞大便会带来第三个挑战，开发成本控制不易。尤其是，以不牺牲功能性和性能为前提来控制成本。如何提高IT资源利用率，成为极其复杂但不得不面对的议题。例如，如何减少资源闲置时间、自动调整机器用量、有效的IT硬件及开发资源共享、采购高性能计算硬件或采用适当IT基础架构等。

第四是更强的AI治理需求，也就是如何避免生成式AI产出内容在伦理或法律上产生威胁，同时兼具应用的可用性和性能。这对Walmart来说不只是IT和数据部门的责任，更涉及了横跨法务、公关、会计等部门。

打造生成式AI「游乐场」，标准化开发环境更鼓励企业上下探索应用

Walmart原本就有一套MLOps平台Elements，可以同时管理和运作百万个模型，来支持2万5千名IT团队和数据科学团队的各种AI应用。现今，此平台也加入了生成式AI应用所需的开发资源，加入更多任务具、相关模型等，系统性因应生成式AI发展的四大挑战。

不只大幅强化技术人员的AI军火库，Walmart更针对非IT人员开发了一个名为GenAI Playground的生成式AI沙盒工具。这个「游乐场」提供各式开发工具及测试环境，也包含No-code开发工具，让非IT或数据背景的员工，也能根据自己岗位需求和灵感，自行打造和试用生成式AI功能。

除了打造全公司人人都可用的生成式AI应用开发工具之外，Walmart还有各种搜集员工关于生成式AI应用发展及使用回馈的机制。例如，他们会定期开研讨会，将业务人员和工程师齐聚一堂，由第一线业务人员提出需求和想法，并由工程师说明技术细节，借此寻找新应用可能。他们也会搜集员工使用生成式AI工具的数据来分析使用情况，并于这些工具中提供用户回馈功能，鼓励员工主动回报使用心得。

借由这些工具，Walmart已经开发出许多大规模生成式AI应用，囊扩对内和对外业务。这包括基础数据梳理、生成式AI搜索功能、电商购物助手机器人、总部员工生产力工具、门市营运辅助、员工学习及福利管理工具、语音客服与购物等。未来，还将进一步应用生成式AI于AR家具及服饰购物功能，以及第三方供应商的客服功能。

 相关报导