ایجاد ارزش واقعی با LLM

در اواسط سال 2023، دنیای محاسبات به دلیل ظهور مدل های زبان بزرگ (LLM) مانند GPT4/ChatGPT premium و StarChat مملو از هیجان است. درک اینکه این مدل ها چه کاری می توانند انجام دهند و چه کاری نمی توانند انجام دهند و چگونه می توان با موفقیت از آنها برای مزیت تجاری استفاده کرد، ساده نیست. تجزیه و تحلیل تحقیقات نوظهور در مورد ویژگی‌های LLMهای نسل فعلی و ترسیم استراتژی‌هایی که در صورت بکارگیری موفقیت‌آمیز آنها باید اتخاذ شوند، مهم است. 

LLMها خاص هستند زیرا آنها زبان را در پاسخ به زبان منتشر می کنند. اگر مدل با مقداری متن تحریک شود، متن مربوطه را به عنوان پاسخ تولید می کند. این بدان معنی است که تعامل با هر LLM که رابطی با آن دارد برای هر کسی آسان است و بسیاری از LLM ها از طریق واسط های چت در دسترس عموم قرار گرفته اند. به همین دلیل، توسعه LLM به عنوان یک فناوری هوش مصنوعی تأثیر ناگهانی و قابل توجهی بر درک عمومی از قابلیت های هوش مصنوعی داشته است. 
 
درک LLM 

 تنها کاری که LLM ها انجام می دهند مصرف متن و تولید متن است، اما از آنجایی که تولید متن بسیار خوب است، به نظر می رسد مدل ها درباره متنی که دستکاری می کنند استدلال می کنند و آن را درک می کنند. بسیاری از افرادی که در تحقیقات زبان طبیعی و هوش مصنوعی کار می کنند سخت تلاش کرده اند تا قابلیت های LLM را درک و بررسی کنند. ادبیات رو به رشدی وجود دارد که محدودیت‌های نسل کنونی مدل‌ها را شناسایی می‌کند و نشان می‌دهد که شاید هیجان اولیه‌ای که به آنها خوشامد می‌آید باید تعدیل شود. مهم است که فهرست کنونی محدودیت‌های LLMهای پیشرفته را گردآوری کنیم و هم اهمیت آنها و هم احتمال اثبات آن‌ها به عنوان ایرادات اساسی LLM به عنوان رویکردی به هوش مصنوعی را ارزیابی کنیم. در کار دیگر، برخی از محدودیت های فنی LLM بررسی شده است.  

با این حال، من به محدودیت‌های معتبر با چند مثال ساده از رفتار LLM فعلی نگاه کرده‌ام و محدودیت‌های غیرفنی مانند مسائل امنیتی و مالکیت معنوی را تحلیل کرده‌ام. پس از بررسی محدودیت‌های فناوری، می‌توانید بررسی کنید که چگونه این فناوری می‌تواند با موفقیت به کار گرفته شود و شرکت‌ها باید روی چه چیزی تمرکز کنند تا حداکثر ارزش را از فرصتی که انقلاب LLM ایجاد می‌کند، ایجاد کند. 

راهی برای موفقیت 

برای سازمان‌هایی که مایلند به ارزش بی‌تردید نسل جدید LLM دسترسی داشته باشند، می‌توان مسیر موفقیت را تعریف کرد و در عین حال ریسک ناشی از ضعف‌های شناسایی‌شده خود را مدیریت کرد. این مسیر موفقیت بین محدود کردن استفاده از LLM به مؤلفه هایی است که عملکردهای مشخص و کنترل شده را ارائه می دهند، تا آنها را در زیرساخت های مناسب کنترل و مسئولیت پذیری جاسازی کنند. 

این امکان وجود دارد که LLM های آینده ممکن است مسائلی را که در حال حاضر از استفاده نامحدود از این نسل جدید از مدل ها جلوگیری می کند، حل کنند. به عنوان مثال، LLM ها ممکن است به خوبی مهندسی مجدد شوند (فراتر از ترانسفورماتورهای فعلی) تا به طور موثر در آینده نسبتا نزدیک برنامه ریزی کنند. از نظر فنی، به نظر نمی رسد دلیل اساسی برای انجام این کار وجود داشته باشد، اگرچه مطمئناً نیاز به سرمایه گذاری شگفت انگیز دیگری در قدرت محاسباتی دارد.  

محدودیت‌های دیگر، مانند پرداختن به استدلال ترکیبی، طوطی‌سازی و امنیت غیرقابل حل به نظر می‌رسند. صرف نظر از پیشرفت های مستمر، شایان ذکر است که فناوری های بسیار ساده تر، بالغ و قابل پیش بینی مانند ایمیل، پایگاه های داده و مرورگرهای وب، همگی به الگوهای کاربردی پیچیده و کنترل های مدیریتی نیاز دارند. بعید به نظر می رسد که LLM ها متفاوت باشند. 

رابط زبان طبیعی که توسط بسیاری از آخرین نسل از LLM ها نشان داده شده است، جمعیت بسیار بیشتری را نسبت به قدرت LLM ها به طور خاص و هوش مصنوعی به طور کلی تر بیدار کرده است. به این ترتیب، ما برخی از محدودیت‌های اصلی چنین رویکردهایی را شناسایی کرده‌ایم و در عین حال توصیه‌هایی برای پیاده‌سازی ارائه کرده‌ایم که می‌تواند برخی از این مسائل را کاهش دهد و در نهایت امکان پذیرش موفقیت‌آمیز LLMs را فراهم کند. با این حال، باید توجه داشت که هیچ یک از این موارد نیاز به چشم‌انداز، سرمایه‌گذاری و تیم ماهر برای اجرای چنین راهکارهایی را برطرف نمی‌کند. 

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://www.finextra.com/blogposting/24963/creating-real-value-with-llms?utm_medium=rssfinextra&utm_source=finextrablogs