戴尔科技和英特尔的新研究和探索揭示了在企业环境中部署生成式人工智能和大型语言模型（LLMs）所面临的挑战和机会。虽然许多组织对使用商业可用模型持谨慎态度，因为涉及数据获取和安全风险，但戴尔科技和英特尔采取了积极的方法来了解客户的需求。
通过广泛的调查，我们学到了六个宝贵的教训，可以显著改进结果并降低风险：
教训1：在训练LLM模型时避免从零开始。而是选择对预训练模型进行微调，或使用提示工程技术来优化模型输出。
教训2：LLMs的应用不仅限于文本生成，还具有在自然语言处理（NLP）任务中的广泛潜力，如用户意图识别、分类、语义搜索、情感分析，甚至文本到图像生成。
教训3：虽然开源LLMs已经迅速发展和扩展，但它们仍然存在一些局限性。一种解决方法是构建多个LLMs系统，相互配合工作，同时避免过度依赖彼此。
教训4：输入数据源对LLM结果的质量具有直接影响，因此请同等关注输入数据源。利用知识图谱和高级解析技术等结构可以大大提升结果。
教训5：在部署LLMs时，成本是一个关键考虑因素。虽然训练和推断可能很昂贵，但可以通过使用价格较低的云实例和本地数据中心来优化成本。
教训6：充分利用您特定问题的独特性，相应地定制LLM模型。投资于能够提供丰富输入信息、引导用户并评估有意义和相关输出的用户界面。
通过采用这些教训，组织可以充分利用生成式人工智能和LLMs的变革力量，有效地解决他们的特定需求。戴尔科技和英特尔为实现这些技术的潜力没有损害数据获取、安全性和隐私问题的前提下铺平了道路。企业在这个探索和创新之旅中将迎来广阔而令人兴奋的可能性。
The source of the article is from the blog lanoticiadigital.com.ar