Uzlabota uzņēmējdarbības prasmju zināšanas
ir radies kā uzņēmumi meklē taktiskas priekšrocības, izmantojot AI tehnoloģijas, kas ģenerē teksta un attēlu datus, ko sauc par “ģeneratīvo AI”. Vienā no interesantākajām iespējām uzņēmumiem ir pāreja no publiskiem lieliem valodu modeļiem (LLM) uz pielāgotiem, privātiem LLM.
Publiskie LLM tiek apmācīti ar plaši pieejamiem datiem, bet uzņēmumi saskaras ar trim galvenajām problēmām, lietojot šīs modeļus.
Pirmkārt
, eksistē datu privātuma pārkāpuma risks, jo datu, kas tiek iesniegts LLM, bieži tiek pārvadīts cauri trešo pušu serveriem. Uzņēmumiem jāizturas piesardzīgi, izmantojot jutīgu uzņēmuma informāciju vai identificējamus personīgus datus.
Papildus
, LLM skaidrība var būt apšaubāma, ņemot vērā to ‘melno kasti’ būtību, kur lēmumu pieņemšanas process paliek neskaidrs. Visbeidzot, LLM precizitāte atkarīga no tā apmācības datu kopas kvalitātes, radot bažas par datu konsistenci un potenciālu dezinformāciju vai tendenciozumu.
Vienlaikus ar šīm problēmām daži uzņēmumi ievieš ierobežojumus vai pat aizstāj to izmantošanu. Uzņēmuma SAP tehniskais direktors Jürgens Müller atzīst LLM izmantošanas noderīgumu, bet uzrāda grūtības efektīvi piemērot tos uzņēmējdarbībā bez piekļuves jaunākai, uzņēmumam specifiskai informācijai.
Uzņēmumi arvien vairāk vēlas attīstīt savus privātos LLM, lai pārvarētu riskus, kas saistīti ar publiskiem modeļiem. Apvienojot šos pielāgotos modeļus ar savām īpašuma datiem, uzņēmumi var optimizēt atbildes precizitāti un nodrošināt LLM drošu ieviešanu. Piemērs šādai inovācijai nāk no PricewaterhouseCoopers (PwC), kas pielāgoja savu nodokļu AI asistenta rīku, kas bija apmācīts uz juridiskiem tekstiem, lietu izpētes metodēm un PwC intelektuālā īpašuma. Regulāri atjaunojot datus, lai atspoguļotu izmaiņas nodokļu likumā, PwC privātais LLM sniedz precīzāku, skaidrāku un uzticamāku informāciju nodokļu jomā salīdzinājumā ar parastajiem publiskajiem LLM.
Privātie Lielie Valodu Modeļi (Privātie LLM uzņēmējdarbībā)
The source of the article is from the blog maltemoney.com.br