لماذا لا تستطيع برامج LLM المستخدمة بمفردها تلبية الاحتياجات التنبؤية لشركتك - KDnuggets

برعاية المحتوى

تعتبر ChatGPT والأدوات المشابهة المستندة إلى نماذج اللغات الكبيرة (LLMs) مذهلة. لكنها ليست أدوات لجميع الأغراض.

إنه مثل اختيار أدوات أخرى للبناء والإبداع. تحتاج إلى اختيار الشخص المناسب لهذا المنصب. لن تحاول ربط المسمار بمطرقة أو قلب شريحة همبرغر بالمضرب. ستكون العملية محرجة، مما يؤدي إلى فشل فوضوي.

لا تشكل النماذج اللغوية مثل LLMs سوى جزء من مجموعة أدوات التعلم الآلي الأوسع، والتي تشمل كلا من الذكاء الاصطناعي التوليدي والذكاء الاصطناعي التنبؤي. يعد تحديد النوع الصحيح من نموذج التعلم الآلي أمرًا بالغ الأهمية للتوافق مع متطلبات مهمتك.

دعنا نتعمق أكثر في سبب كون LLMs أكثر ملاءمة لمساعدتك في صياغة النص أو تبادل الأفكار لأفكار الهدايا بدلاً من معالجة مهام النمذجة التنبؤية الأكثر أهمية في عملك. لا يزال هناك دور حيوي لنماذج التعلم الآلي "التقليدية" التي سبقت ماجستير إدارة الأعمال وأثبتت مرارًا وتكرارًا قيمتها في الأعمال التجارية. سنستكشف أيضًا نهجًا رائدًا لاستخدام هذه الأدوات معًا - وهو تطور مثير نسميه في Pecan GenAI التنبؤي. 

تم تصميم LLMs للكلمات، وليس الأرقام

 
في التعلم الآلي، تُستخدم أساليب رياضية مختلفة لتحليل ما يُعرف باسم "بيانات التدريب" - وهي مجموعة بيانات أولية تمثل المشكلة التي يأمل محلل البيانات أو عالم البيانات في حلها.

لا يمكن المبالغة في أهمية بيانات التدريب. إنه يحمل في داخله الأنماط والعلاقات التي "سيتعلمها" نموذج التعلم الآلي للتنبؤ بالنتائج عندما يتم إعطاؤه لاحقًا بيانات جديدة غير مرئية.

إذًا، ما هي شهادة LLM على وجه التحديد؟ تقع نماذج اللغات الكبيرة، أو LLMs، تحت مظلة التعلم الآلي. إنها تنشأ من التعلم العميق، وتم تطوير بنيتها خصيصًا لمعالجة اللغة الطبيعية.

قد تقول أنها مبنية على أساس من الكلمات. هدفهم هو ببساطة التنبؤ بالكلمة التي ستكون التالية في سلسلة من الكلمات. على سبيل المثال، تستخدم ميزة التصحيح التلقائي لأجهزة iPhone في iOS 17 الآن LLM للتنبؤ بشكل أفضل بالكلمة التي من المرجح أن تنوي كتابتها بعد ذلك.

 

 

الآن، تخيل أنك نموذج للتعلم الآلي. (تحمل معنا، نحن نعلم أن هذا أمر مبالغ فيه.) لقد تم تدريبك على التنبؤ بالكلمات. لقد قرأت ودرست ملايين الكلمات من مجموعة واسعة من المصادر حول جميع أنواع المواضيع. لقد ساعدك موجهوك (المعروفون أيضًا بالمطورين) على تعلم أفضل الطرق للتنبؤ بالكلمات وإنشاء نص جديد يناسب طلب المستخدم. 

ولكن هنا تطور. يمنحك المستخدم الآن جدول بيانات ضخمًا لبيانات العملاء والمعاملات، مع ملايين صفوف الأرقام، ويطلب منك التنبؤ بالأرقام المتعلقة بهذه البيانات الموجودة.

كيف تعتقد أن توقعاتك ستكون؟ أولاً، ربما ستشعر بالانزعاج لأن هذه المهمة لا تتطابق مع ما بذلت جهدًا كبيرًا لتعلمه. (لحسن الحظ، على حد علمنا، ليس لدى ماجستير إدارة الأعمال مشاعر بعد.) والأهم من ذلك، أنه يُطلب منك القيام بمهمة لا تتطابق مع ما تعلمت القيام به. وربما لن تؤدي أداءً جيدًا.

تساعد الفجوة بين التدريب والمهمة في تفسير سبب عدم ملاءمة LLMs تمامًا للمهام التنبؤية التي تتضمن بيانات رقمية وجدولية - وهو تنسيق البيانات الأساسي الذي تجمعه معظم الشركات. وبدلاً من ذلك، يعد نموذج التعلم الآلي المصمم خصيصًا والمضبوط بدقة للتعامل مع هذا النوع من البيانات أكثر فعالية. لقد تم تدريبه حرفيًا على هذا.

تحديات الكفاءة والتحسين في LLM

 
بالإضافة إلى كونها مطابقة أفضل للبيانات الرقمية، تعد أساليب التعلم الآلي التقليدية أكثر كفاءة بكثير وأسهل في التحسين للحصول على أداء أفضل من ماجستير إدارة الأعمال. 

دعنا نعود إلى تجربتك في انتحال شخصية LLM. إن قراءة كل هذه الكلمات ودراسة أسلوبها وتسلسلها يبدو وكأنه الكثير من العمل، أليس كذلك؟ سوف يستغرق الأمر الكثير من الجهد لاستيعاب كل هذه المعلومات. 

وبالمثل، فإن التدريب المعقد لطلاب ماجستير إدارة الأعمال يمكن أن يؤدي إلى نماذج تحتوي على مليارات من المعلمات. يسمح هذا التعقيد لهذه النماذج بفهم الفروق الدقيقة في اللغة البشرية والاستجابة لها. ومع ذلك، فإن التدريب الثقيل يأتي مع متطلبات حسابية ثقيلة عندما يقوم ماجستير إدارة الأعمال بإنشاء استجابات. من المرجح أن تحتاج خوارزميات التعلم الآلي "التقليدية" ذات التوجه العددي، مثل أشجار القرار أو الشبكات العصبية، إلى موارد حاسوبية أقل بكثير. وهذه ليست حالة "الأكبر هو الأفضل". حتى لو تمكنت ماجستير إدارة الأعمال من التعامل مع البيانات الرقمية، فإن هذا الاختلاف يعني أن أساليب التعلم الآلي التقليدية ستظل أسرع وأكثر كفاءة وأكثر استدامة من الناحية البيئية وأكثر فعالية من حيث التكلفة.

بالإضافة إلى ذلك، هل سبق لك أن سألت ChatGPT كيف عرف بتقديم استجابة معينة؟ من المحتمل أن تكون إجابتها غامضة بعض الشيء:

أقوم بإنشاء استجابات بناءً على مزيج من البيانات المرخصة والبيانات التي أنشأها المدربون البشريون والبيانات المتاحة للجمهور. وتضمن تدريبي أيضًا مجموعات بيانات واسعة النطاق تم الحصول عليها من مجموعة متنوعة من المصادر، بما في ذلك الكتب والمواقع الإلكترونية والنصوص الأخرى، لتطوير فهم واسع النطاق للغة البشرية. تتضمن عملية التدريب تشغيل العمليات الحسابية على الآلاف من وحدات معالجة الرسومات على مدار أسابيع أو أشهر، ولكن التفاصيل الدقيقة والجداول الزمنية مملوكة لشركة OpenAI.

ما مقدار "المعرفة" التي انعكست في هذا الرد والتي جاءت من المدربين البشريين مقابل البيانات العامة مقابل الكتب؟ حتى ChatGPT نفسه ليس متأكدًا: "النسب النسبية لهذه المصادر غير معروفة، وليس لدي رؤية تفصيلية حول المستندات المحددة التي كانت جزءًا من مجموعة التدريب الخاصة بي."

من المثير للقلق بعض الشيء أن يقدم ChatGPT مثل هذه الإجابات الواثقة لأسئلتك ولكن لا يتمكن من تتبع ردوده إلى مصادر محددة. كما أن قابلية التفسير والتفسير المحدودة لـ LLM تشكل تحديات في تحسينها لتلبية احتياجات العمل المحددة. قد يكون من الصعب فهم الأساس المنطقي وراء معلوماتهم أو توقعاتهم. ومما يزيد الأمور تعقيدًا، أن بعض الشركات تتعامل مع المتطلبات التنظيمية التي تعني أنها يجب أن تكون قادرة على تفسير العوامل المؤثرة على تنبؤات النموذج. بشكل عام، تظهر هذه التحديات أن نماذج التعلم الآلي التقليدية - بشكل عام أكثر قابلية للتفسير والتفسير - من المرجح أن تكون أكثر ملاءمة لحالات الاستخدام التجاري.

المكان المناسب لحملة LLM في مجموعة الأدوات التنبؤية للشركات

 
لذا، هل ينبغي لنا أن نترك حاملي الماجستير في إدارة الأعمال لمهامهم المتعلقة بالكلمات وننساها في حالات الاستخدام التنبؤية؟ قد يبدو الآن أنهم لا يستطيعون المساعدة في التنبؤ بحركة العملاء أو القيمة الدائمة للعميل بعد كل شيء.

هذا هو الأمر: في حين أن عبارة "نماذج التعلم الآلي التقليدية" تجعل هذه التقنيات تبدو مفهومة على نطاق واسع وسهلة الاستخدام، فإننا نعلم من تجربتنا في Pecan أن الشركات لا تزال تكافح إلى حد كبير لتبني حتى هذه الأشكال الأكثر شيوعًا من الذكاء الاصطناعي. 

 

 

يكشف البحث الأخير الذي أجرته Workday أن 42% من الشركات في أمريكا الشمالية إما لم تبدأ بعد في استخدام الذكاء الاصطناعي أو أنها في المراحل الأولى من استكشاف خياراتها. لقد مر أكثر من عقد من الزمن منذ أن أصبحت أدوات التعلم الآلي في متناول الشركات. لقد كان لديهم الوقت، وأدوات مختلفة متاحة. 

لسبب ما، كانت تطبيقات الذكاء الاصطناعي الناجحة نادرة بشكل مدهش على الرغم من الضجة الهائلة حول علوم البيانات والذكاء الاصطناعي - وقدرتها المعترف بها على إحداث تأثير كبير على الأعمال. هناك آلية مهمة مفقودة للمساعدة في سد الفجوة بين الوعود التي قطعها الذكاء الاصطناعي والقدرة على تنفيذها بشكل منتج.

وهذا هو بالضبط المكان الذي نعتقد أن حاملي الماجستير في القانون يمكنهم الآن أن يلعبوا فيه دورًا حيويًا في سد الفجوة. يمكن أن تساعد LLMs مستخدمي الأعمال على عبور الهوة بين تحديد مشكلة العمل لحلها وتطوير نموذج تنبؤي.

مع وجود ماجستير إدارة الأعمال الآن في الصورة، يمكن الآن لفرق الأعمال والبيانات التي ليس لديها القدرة أو القدرة على ترميز نماذج التعلم الآلي يدويًا، أن تترجم احتياجاتها إلى نماذج بشكل أفضل. يمكنهم "استخدام كلماتهم"، كما يحب الآباء أن يقولوا، لبدء عملية النمذجة. 

دمج LLMs مع تقنيات التعلم الآلي المصممة للتفوق في بيانات الأعمال

 
لقد وصلت هذه القدرة الآن إلى Predictive GenAI من Pecan، والتي تدمج نقاط القوة في LLMs مع منصة التعلم الآلي الآلية والمحسنة للغاية لدينا. تقوم الدردشة التنبؤية التي تدعمها LLM بجمع المدخلات من مستخدم الأعمال لتوجيه تعريف وتطوير سؤال تنبؤي - المشكلة المحددة التي يريد المستخدم حلها باستخدام نموذج. 

بعد ذلك، باستخدام GenAI، تقوم منصتنا بإنشاء دفتر ملاحظات تنبؤي لتسهيل الخطوة التالية نحو النمذجة. مرة أخرى، وبالاعتماد على إمكانيات LLM، يحتوي دفتر الملاحظات على استعلامات SQL مملوءة مسبقًا لتحديد بيانات التدريب للنموذج التنبؤي. يمكن لإعداد البيانات الآلي وهندسة الميزات وبناء النماذج وقدرات النشر في Pecan تنفيذ بقية العملية في وقت قياسي، بشكل أسرع من أي حل نمذجة تنبؤي آخر.

باختصار، يستخدم Pecan's Predictive GenAI المهارات اللغوية التي لا مثيل لها لدى LLMs لجعل منصة النمذجة التنبؤية الأفضل في فئتها أكثر سهولة وسهولة في الوصول إليها لمستخدمي الأعمال. يسعدنا أن نرى كيف سيساعد هذا النهج العديد من الشركات على تحقيق النجاح باستخدام الذكاء الاصطناعي.

لذلك، في حين LLMs وحده ليست مناسبة تمامًا للتعامل مع جميع احتياجاتك التنبؤية، إلا أنها يمكن أن تلعب دورًا قويًا في دفع مشاريع الذكاء الاصطناعي الخاصة بك إلى الأمام. من خلال تفسير حالة الاستخدام الخاصة بك ومنحك السبق باستخدام كود SQL الذي تم إنشاؤه تلقائيًا، فإن Pecan's Predictive GenAI يقود الطريق في توحيد هذه التقنيات. أنت تستطيع التحقق من ذلك الآن مع نسخة تجريبية مجانية.
 
 

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
• أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
• أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
• أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
• المصدر https://www.kdnuggets.com/2024/01/pecan-llms-used-alone-cant-address-companys-predictive-needs?utm_source=rss&utm_medium=rss&utm_campaign=why-llms-used-alone-cant-address-your-companys-predictive-needs