برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
هوش مصنوعی متنی امروز از مدل زبان مبتنی بر خود (GLM) رونمایی کرد و ادعا کرد که با استفاده از سیستم های پیشرو AI از Google ، Anthropic و OpenAI در یک معیار اصلی برای راستگو بودن ، بالاترین دقت واقعی را در صنعت ارائه می دهد.
این استارتاپ ، که توسط پیشگامان فن آوری نسل بازیابی (RAG) تأسیس شده است ، گزارش داد که GLM آن 88 ٪ واقعیت را در معیار حقایق به دست آورد ، در مقایسه با 84.6 ٪ برای فلش 2.0 Google ، 79.4 ٪ برای Claude 3.5 Sonnet و 78.8 ٪ برای Openai's GPT-4O.
در حالی که مدل های بزرگ زبان نرم افزارهای سازمانی را تغییر داده اند ، نادرستی های واقعی – که اغلب به آنها توهم گفته می شود – یک چالش مهم برای پذیرش تجارت است. AI متنی قصد دارد با ایجاد مدلی که به طور خاص برای برنامه های RAG سازمانی بهینه سازی شده است ، در جایی که دقت بسیار مهم است ، این مسئله را حل کند.
دوو کیلا ، مدیرعامل و بنیانگذار هوش مصنوعی متنی ، در مصاحبه اختصاصی با VentureBeat گفت: “ما می دانستیم که بخشی از راه حل تکنیکی به نام Rag-بازیابی نسل است.” “و ما این را می دانستیم زیرا راگ در اصل ایده من است. آنچه در مورد این شرکت است ، واقعاً در مورد انجام RAG به روش صحیح است ، به نوعی سطح بعدی انجام RAG. “
تمرکز این شرکت با مدل های هدف کلی مانند ChatGPT یا Claude متفاوت است ، که برای رسیدگی به همه چیز از نوشتن خلاق گرفته تا مستندات فنی طراحی شده اند. در عوض ، هوش مصنوعی متنی محیط های سازمانی پرقدرت را هدف قرار می دهد که دقت واقعی از انعطاف پذیری خلاقانه برخوردار است.
کیلا توضیح داد: “اگر شما یک مشکل RAB دارید و در یک صنعت بسیار تنظیم شده در یک شرکت سازمانی هستید ، هیچ تحمل دیگری برای توهم ندارید.” “همان الگوی زبان عمومی که برای بخش بازاریابی مفید است ، چیزی نیست که شما در یک شرکت می خواهید در جایی که شما نسبت به اشتباهات بسیار حساس تر هستید.”
چگونه هوش مصنوعی متنی استاندارد طلای جدید را برای مدل های زبان سازمانی ایجاد می کند
مفهوم “پایه و اساس” – اطمینان از پاسخ های هوش مصنوعی به طور صریح به اطلاعاتی که در متن ارائه شده است – به عنوان یک الزام مهم برای سیستم های هوش مصنوعی سازمانی ظاهر شده است. در صنایع تنظیم شده مانند امور مالی ، مراقبت های بهداشتی و ارتباطات از راه دور ، شرکت ها به هوش مصنوعی احتیاج دارند که یا اطلاعات دقیقی را ارائه می دهند یا صریحاً تصدیق می کنند وقتی چیزی نمی داند.
کیلا نمونه ای از چگونگی عملکرد این اساسی بودن را ارائه داد: “اگر شما یک دستور العمل یا فرمول را به یک مدل زبان استاندارد ارائه دهید ، و در جایی در آن ، شما می گویید ،” اما این فقط در اکثر موارد صادق است ، “اکثر مدل های زبان هنوز هم به شما دستور می دهند که با فرض اینکه درست است. اما الگوی زبان ما می گوید ، “در واقع ، فقط می گوید که این در بیشتر موارد صادق است.” این در حال ضبط این ظرافت اضافی است. “
توانایی گفتن “من نمی دانم” برای تنظیمات سازمانی مهم است. کیلا افزود: “اگر واقعاً در یک شرکت در یک شرکت فکر کنید ، واقعاً یک ویژگی بسیار قدرتمند است.”
Rag 2.0 AI Contextual: یک روش یکپارچه تر برای پردازش اطلاعات شرکت
پلت فرم AI متنی بر روی آنچه که آن را “RAG 2.0” می نامد ساخته شده است ، رویکردی که فراتر از اتصال اجزای خارج از قفسه است.
براساس بیانیه یک شرکت ، “یک سیستم RAG معمولی از یک مدل خارج از قفسه یخ زده برای تعبیه ، یک بانک اطلاعاتی بردار برای بازیابی و یک مدل زبان جعبه سیاه برای تولید استفاده می کند که از طریق فوریت یا یک چارچوب ارکستراسیون به هم بخیه می شود.” “این منجر به” هیولا فرانکنشتاین “از هوش مصنوعی تولید می شود: مؤلفه های فردی از نظر فنی کار می کنند ، اما کل به دور از بهینه است.”
در عوض ، هوش مصنوعی متنی به طور مشترک تمام مؤلفه های سیستم را بهینه می کند. کیلا توضیح داد: “ما این مؤلفه مخلوط مجدد را داریم که واقعاً راهی برای بازیابی هوشمند است.” “این به این سؤال می پردازد ، و سپس فکر می کند ، اساساً ، مانند بسیاری از آخرین نسل مدل ها ، فکر می کند ، (و) ابتدا یک استراتژی را برای انجام بازیابی برنامه ریزی می کند.”
این کل سیستم با هماهنگی با آنچه کیلا “بهترین رتبه مجدد در جهان” می نامد ، کار می کند ، که به اولویت بندی مناسب ترین اطلاعات قبل از ارسال آن به مدل زبان مبتنی بر کمک می کند.
فراتر از متن ساده: AI متنی اکنون نمودارها را می خواند و به بانکهای اطلاعاتی متصل می شود
در حالی که GLM تازه اعلام شده بر تولید متن متمرکز است ، پلتفرم AI متنی اخیراً پشتیبانی از محتوای چند مدلی از جمله نمودارها ، نمودارها و داده های ساختاری از سیستم عامل های محبوب مانند BigQuery ، Snowflake ، Redshift و Postgres را اضافه کرده است.
کیلا خاطرنشان کرد: “چالش برانگیزترین مشکلات در شرکت ها در تقاطع داده های بدون ساختار و ساختار یافته است.” وی گفت: “آنچه من بیشتر از آن هیجان زده ام ، واقعاً این تقاطع داده های ساختاری و بدون ساختار است. بسیاری از مشکلات واقعاً هیجان انگیز در شرکتهای بزرگ ، در تقاطع ساختار یافته و بدون ساختار ، جایی که شما برخی از سوابق پایگاه داده ، برخی معاملات ، شاید برخی از اسناد سیاسی ، شاید یک دسته از موارد دیگر را در اختیار داشته باشید ، از بین می روند. “
به گفته کیلا ، این پلتفرم در حال حاضر از انواع تجسم های پیچیده ، از جمله نمودارهای مدار در صنعت نیمه هادی پشتیبانی می کند.
برنامه های آینده هوش مصنوعی: ایجاد ابزارهای قابل اعتماد تر برای تجارت روزمره
هوش مصنوعی متنی قصد دارد اندکی پس از راه اندازی GLM ، مؤلفه تخصصی مجدد خود را منتشر کند و پس از آن قابلیت های درک و درک اسناد را گسترش دهد. این شرکت همچنین دارای ویژگی های تجربی برای قابلیت های عامل بیشتر در توسعه است.
در سال 2023 توسط کیلا و Amanpreet Singh تأسیس شد ، که پیش از این در تیم تحقیقاتی اساسی AI (FAIR) متا کار می کردند و چهره بغل کردن ، AI متنی مشتری هایی از جمله HSBC ، Qualcomm و اقتصاددان را تضمین کرده است. این شرکت خود را به عنوان کمک به شرکت ها در نهایت تحقق بازده بتن در سرمایه گذاری های هوش مصنوعی خود قرار می دهد.
کیلا گفت: “این واقعاً فرصتی برای شرکت هایی است که ممکن است تحت فشار قرار بگیرند تا ROI را از AI شروع کنند تا به دنبال راه حل های تخصصی تر باشند که در واقع مشکلات آنها را حل می کند.” “و بخشی از آن واقعاً داشتن یک مدل زبان مبتنی بر این است که شاید کمی خسته کننده تر از یک مدل زبان استاندارد باشد ، اما واقعاً خوب است که مطمئن شوید که در این زمینه پایه گذاری شده است و شما واقعاً می توانید به آن اعتماد کنید تا کار خود را انجام دهید.”
