大约在那个时候，我们发现了语义内核库。这个将人工智能服务与传统编程语言相结合的开源 SDK 承担了大量集成的重任，并迅速成为行业标准。
我们根据原型对其进行了评估，后来决定使用语义内核作为生产功能，因为它使我们免于处理低级集成细节，并使我们能够专注于实现和扩展 AI 场景。
有了这个基础，我们能够将 AI 功能作为早期访问功能提供给更广泛的客户。
抢先体验 AI 功能
研究与愿景
我们跟踪了早期访问客户的活动并收集了他们的反馈，以完善和进一步塑造我们产品中的 AI 体验。
我们对各种提示技术（尤其是 GPT-4）进行了大量实验，向人工智能专家学习，并尝试突破极限，使用户体验更加一体化。
我们尝试了各种处理长内容的策略，例如将其分成更多块并使用独立的 AI 请求运行每个块等。
探索人工智能能力
除了文本完成和转换之外，对使用人工智能的研究产生了几个内部原型，我们决定进一步扩展以下四个：图像生成、分类、内容矢量化（匹配和查找相关内容）和自然语言处理（Copilot 和开放提示）。
我们最近还通过早期访问部署了自动图像标记功能，并正在积极开展有关用户如何以更加集成的方式与人工智能互动的进一步实验。
人工智能还是非人工智能，这是个问题
现阶段，我们已经拥有坚实的 AI 集成基础 英国电话号码数据 并且有少数客户正在愉快地使用它。但这个问题仍然存在：我们应该在多大程度上向所有人推广 AI？问题是，AI 可以非常强大，但能力越大，责任越大。
我们不想只是大量生产低质量的内容。世界已经受够了。我们的目标是减少制作优质内容所花的时间并提高整体投资回报率。
如果客户出于任何原因不想使用 AI 功能，他们不必这样做。我们将 AI 集成设计为一个额外选项，以加速原本可以手动完成的事情。
话虽如此，人工智能将继续存在，我们鼓励每个人都充分利用这个人工智能助手，而不是充当他人的人类助手。
最终的生产之旅
在进行了更广泛的研究并向选定的客户提供早期访问权限后，我们在 AI 轨道上增加了两个额外的开发团队，目标是将功能性和经过客户测试的原型转变为真正的生产状态。
正如我之前提到的，我们决定继续使用 Semantic Kernel 库，这使我们能够加快开发速度。在撰写本文时，我们已经向所有客户发布了 Beta 版本。投入生产还需要我们准备一个全新的后端基础设施，以可扩展的方式应对大量的 AI 请求。
虽然前端看起来相同，但其背后的代码更加健壮、可重用和可组合，因此我们可以继续在其基础上构建更多技能。
结论
在本文中，我向您介绍了我们迈向 AI 的历程，从最初的几步到在这一领域获得足够的经验，为我们未来的 AI 项目打下坚实的基础。
加入 Discord 上的 Kontent.ai 社区，了解有关 AI 相关的计划和功能的更多信息。
