همه چیز به LLM احتیاج ندارد: چارچوبی برای ارزیابی وقتی هوش مصنوعی معقول است
همه چیز به LLM احتیاج ندارد: چارچوبی برای ارزیابی وقتی هوش مصنوعی معقول است

همه چیز به LLM احتیاج ندارد: چارچوبی برای ارزیابی وقتی هوش مصنوعی معقول است

ارسال شده توسط سوگل سیدصالحی اردیبهشت 14, 1404
به گزارش سرویس تازه های دنیای فناوری وبسایت اخبار تکنولوژی تک فاکس،

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

پرسش: از چه محصولی باید از یادگیری ماشین (ML) استفاده کند؟
پاسخ مدیر پروژه: بله

شوخی های کنار ، ظهور هوش مصنوعی تولیدی ، درک ما را از آنچه که موارد استفاده خود را به بهترین وجه به ML وام می دهد ، افزایش داده است. از نظر تاریخی ، ما همیشه از ML برای الگوهای قابل تکرار و پیش بینی در تجربیات مشتری استفاده کرده ایم ، اما اکنون ، می توان حتی بدون داشتن یک مجموعه داده آموزشی ، از یک شکل ML استفاده کرد.

با این وجود ، پاسخ به این سؤال “چه نیاز مشتری به یک راه حل هوش مصنوعی نیاز دارد؟” هنوز همیشه “بله” نیست. مدل های بزرگ زبان (LLMS) هنوز هم می توانند برای برخی از آنها گران قیمت باشند و مانند همه مدل های ML ، LLM ها همیشه دقیق نیستند. همیشه مواردی استفاده می شود که اعمال اجرای ML مسیر درستی به جلو نیست. چگونه ما به عنوان مدیران پروژه هوش مصنوعی نیازهای مشتریان خود را برای اجرای هوش مصنوعی ارزیابی می کنیم؟

ملاحظات کلیدی برای کمک به تصمیم گیری شامل موارد زیر است:

  1. ورودی ها و خروجی های مورد نیاز برای برآورده کردن نیازهای مشتری شما: ورودی توسط مشتری به محصول شما ارائه می شود و خروجی توسط محصول شما ارائه می شود. بنابراین ، برای یک لیست پخش تولید شده توسط ML (یک خروجی) ، ورودی ها می توانند شامل ترجیحات مشتری و آهنگ ها ، هنرمندان و ژانرهای موسیقی “دوست داشتنی” باشند.
  2. ترکیب ورودی ها و خروجی ها: نیازهای مشتری می تواند بر اساس این که آیا آنها می خواهند خروجی یکسان یا متفاوت برای ورودی یکسان یا متفاوت متفاوت باشند. هرچه تعداد بیشتری از ترکیبات و ترکیبات لازم برای ورودی ها و خروجی ها را در مقیاس تکرار کنیم ، در مقیاس بیشتر نیاز داریم تا به ML در مقابل سیستم های مبتنی بر قانون روی آوریم.
  3. الگوهای ورودی و خروجی: الگوهای موجود در ترکیبات مورد نیاز ورودی ها یا خروجی ها به شما کمک می کند تا تصمیم بگیرید که از چه نوع مدل ML برای اجرای استفاده کنید. اگر الگویی برای ترکیب ورودی ها و خروجی ها وجود دارد (مانند بررسی حکایات مشتری برای به دست آوردن نمره احساسات) ، مدلهای ML تحت نظارت یا نیمه تحت نظارت را بر روی LLM ها در نظر بگیرید زیرا ممکن است مقرون به صرفه تر باشد.
  4. هزینه و دقت: تماس های LLM همیشه در مقیاس ارزان نیستند و با وجود تنظیم دقیق و مهندسی سریع ، خروجی ها همیشه دقیق و دقیق نیستند. بعضی اوقات ، شما بهتر است با مدل های نظارت شده برای شبکه های عصبی که می توانند به جای استفاده از LLM ، یک ورودی را با استفاده از یک مجموعه ثابت از برچسب ها یا حتی سیستم های مبتنی بر قوانین طبقه بندی کنند.

من یک جدول سریع را در زیر قرار داده ام ، و به طور خلاصه ملاحظات فوق ، برای کمک به مدیران پروژه برای ارزیابی نیازهای مشتری خود و تعیین اینکه آیا اجرای ML به نظر می رسد مانند مسیر صحیح به جلو است یا خیر.

نوع نیاز مشترینمونهاجرای ML (بله/خیر/بستگی دارد)نوع اجرای ML
کارهای تکراری که مشتری برای همان ورودی به همان خروجی نیاز داردایمیل من را به صورت آنلاین به صورت آنلاین اضافه کنیدهیچایجاد یک سیستم مبتنی بر قوانین بیش از حد کافی برای کمک به شما در خروجی های شما است
کارهای تکراری که مشتری برای همان ورودی به خروجی های مختلف نیاز داردمشتری در “حالت Discovery” قرار دارد و انتظار می رود تجربه جدیدی در هنگام انجام همان اقدام (مانند ورود به یک حساب):

– در هر کلیک یک اثر هنری جدید ایجاد کنید

– stumbleupon (به یاد داشته باشید که؟) گوشه جدیدی از اینترنت را از طریق جستجوی تصادفی کشف می کنید

بله– LLM های نسل تصویر

– الگوریتم های بازسازی (فیلتر مشترک)

کارهای تکراری که مشتری برای ورودی های مختلف به همان خروجی/مشابه نیاز دارد– مقاله های پیشرفته
– ایجاد مضامین از بازخورد مشتری		بستگی دارداگر تعداد ترکیبات ورودی و خروجی به اندازه کافی ساده باشد ، یک سیستم قطعی و مبتنی بر قوانین هنوز هم می تواند برای شما کار کند.

با این حال ، اگر شما شروع به داشتن چندین ترکیب از ورودی ها و خروجی ها می کنید زیرا یک سیستم مبتنی بر قوانین نمی تواند به طور مؤثر مقیاس کند ، در نظر بگیرید که تکیه دهید:

– طبقه بندی کننده ها
– مدل سازی توپی

اما فقط در صورت وجود الگوهای این ورودی ها.

اگر به هیچ وجه الگویی وجود ندارد ، LLM های اهرم را در نظر بگیرید ، اما فقط برای سناریوهای یک طرفه (زیرا LLM ها به اندازه مدل های نظارت شده دقیق نیستند).

کارهای تکراری که مشتری برای ورودی های مختلف به خروجی های مختلف نیاز دارد – به سوالات پشتیبانی مشتری پاسخ می دهد
– جستجو		بلهنادر است که نمونه هایی را در جایی که می توانید خروجی های مختلفی را برای ورودی های مختلف در مقیاس بدون ML ارائه دهید ، نادر است.

برای اجرای مؤثر ، مجوزهای زیادی برای اجرای یک قانون وجود دارد. در نظر بگیرید:

–llms با نسل بازیابی (RAG)
– درختان برای محصولاتی مانند جستجو

کارهای غیر تکراری با خروجی های مختلفبررسی هتل/رستورانبلهقبل از LLMS ، این نوع سناریو برای انجام بدون مدل هایی که برای کارهای خاص آموزش داده شده بودند ، دشوار بود ، مانند:

– شبکه های عصبی در جریان (RNN)
-شبکه های حافظه کوتاه مدت (LSTM) برای پیش بینی کلمه بعدی

LLMS مناسب برای این نوع سناریو است.

خط پایین: هنگامی که یک جفت قیچی ساده می تواند این ترفند را انجام دهد ، از یک چراغ برق استفاده نکنید. نیاز مشتری خود را با استفاده از ماتریس فوق ، با در نظر گرفتن هزینه های اجرای و دقت خروجی ، برای ساخت محصولات دقیق و مقرون به صرفه در مقیاس ارزیابی کنید.

Sharanya Rao یک مدیر محصول گروه FinTech است. نظرات بیان شده در این مقاله از نویسنده و لزوماً درباره شرکت یا سازمان آنها نیستبشر