Parandatud ärivõimekus kerkib esile ettevõtete otsides taktikalist eelist sidudes teostatavaid AI-tehnoloogiaid, mis genereerivad teksti- ja pildiandmeid, tuntud kui “loome-AR”. Üheks ettevõtete jaoks kõige intrigeerivamaks võimaluseks on liikumine suurtest avalikest keelemudelitest (LLM) kohandatud, privatiseeritud LLMide kasutamise poole.
Avalikud LLMid on koolitatud laialdaselt kättesaadavatel andmetel, kuid ettevõtted kohtuvad neid mudeleid kasutades kolme peamise murega. Esiteks on privaatsuskübemeohu risk, kuna LLMidele esitatud andmed kanduvad sageli kolmandate osapoolte serverite kaudu. Ettevõtete tuleb olla ettevaatlikud kasutades tundlikku ettevõtteinfot või isiklikke tuvastatavaid andmeid. Lisaks võib LLMide läbipaistvus küsitav olla, arvestades nende “musta kasti” olemust, kus otsustamisprotsess jääb varjatuks. Lõpuks sõltub LLMi vastuste täpsus suuresti selle koolituskomplekti kvaliteedist, tekitades muret andmekonsistentsuse ja võimaliku vale- või kallutatud info pärast.
Nende väljakutsete taustal kehtestavad mõned ettevõtted piiranguid või isegi keelavad nende kasutamise. SAP tehnoloogiadirektor Jürgen Müller tunnistab, et LLMidel on kasutegur, kuid juhib tähelepanu sellele, kui raske on neid rakendada tõhusalt ettevõtluses ilma juurdepääsuta ajakohastele ettevõttega seotud andmetele.
Ettevõtteid tõmbavad üha enam arendama privaatseid LLM-e avalike mudelitega seotud riskide võitmiseks. Kombineerides neid kohandatud mudeleid oma tööstusespetsiifiliste andmetega, saavad ettevõtted optimeerida vastusetäpsust ja tagada LLM-ide ohutu kasutuselevõtu. Üks selline innovatsioon tuleneb PricewaterhouseCoopers’ist (PwC), mis kohandas oma maksude AI abilist tööriista, mis on koolitatud õigustekstide, juhtumianalüüside ja PwC intellektuaalomandi alusel. Regulaarse andmete ajakohastamisega maksuseaduste muudatuste kajastamiseks pakub PwC privaatne LLM täpsemat, läbipaistvamat ja usaldusväärsemat infot maksustamise valdkonnas võrreldes tavaliste avalike LLMidega.
Eraõiguslikud suured keelemudelid (Private LLMs) ettevõtluses
Eraõiguslike suurte keelemudelite (LLM) üleskerkimine toob esile hulga olulisi tegureid ja kaalutlusi, mis ei pruugi olla algses artiklis üksikasjalikult kirjeldatud. Siin on faktid, mis täiendavad teemat:
– Eraõiguslike LLM-ide integreerimine ettevõtte infrastruktuuriga nõuab sageli märkimisväärset investeeringut arvutusressurssidesse ja masinõppe ekspertiisi.
– Eraõiguslike LMMide tõhusaks koolitamiseks peavad ettevõtted omama juurdepääsu kvaliteetsetele, suurtele ja mitmekesistele andmestikele, mis võib tähendada väljakutset, eriti tundlike või spetsialiseeritud tööstusharude puhul.
– Kohandatud LLM-id võivad anda ettevõtetele konkurentsieelise, luues turunõudlusele ja kliendi eelistustele kohandatud teadmisi ja automatiseerimisi.
– Kuna eraõiguslikud LLMid on koolitatud ainuomasele, on ettevõttel hõlpsam saavutada andmekvaliteedi kontroll ning kõrvalekallete leevendamine, vähendades seeläbi eksitavat teavet.
Põhiküsimused ja vastused:
– Millised väljakutsed on seotud eraõiguslike LLM-ide rakendamisega?
Tehnoloogia, andmete hankimise, arvutusressursside ja kvalifitseeritud personali investeeringud on peamised väljakutsed, millega ettevõtted seisavad silmitsi, kui nad võtavad kasutusele private LLM-i.
– Kuidas tegelevad eraõiguslikud LLM-id kallutatuse ja eksitava info küsimustega?
Kuna eraõiguslikud LLM-id on koolitatud ettevõtte poolt valitud konkreetsetele andmekogumitele, on suurem võimalus kvaliteedikontrolliks ja kallutatuse vähendamiseks, vähendades sellega eksitavat teavet.
– Kas on mingit riske arendada privaatseid LLM-e?
Riskid hõlmavad kõrgeid kulusid, ülepingutamise võimalust ettevõtte andmetega ning vajadust pideva hooldamise järele, et tagada mudeli efektiivsus.
Põhilised väljakutsed ja vaidlused:
– Eetilised tagajärjed kellenaime AI ja LLMide automatiseerimisel, mis võib potentsiaalselt kaasa tuua töökoha kadumise.
– Privaatsuse ja innovatsiooni tasakaal, eriti kui on juttu mudelite koolitamisest tundlikel andmetel.
– AI mudelite kallutatusega tegelemine ja ennetamine, mis võib levitada ja tugevdada ühiskondlikke eelarvamusi, kui neid hoolikalt ei kontrollita.
Eelised ja puudused:
Eelised:
– LMMide isikupärastamine ettevõtte konkreetsete vajaduste ja ülesannete jaoks.
– Suurenenud andmeturve, kuna eraomanditud teave jääb ettevõttesiseseks.
– Potentsiaal tegevuste voogude tõhustamiseks ja uute teenusepakkumiste loomiseks või olemasolevate parandamiseks.
Puudused:
– Suuremad algkulud privaatsete LMMide arendamisel ja hooldamisel.
– Sisseehitatud keerukus mudelite ajakohasena ja asjakohasena hoidmisel.
– Piiratud juurdepääs mitmekesistele välismeediandmetele võib viia kallutatuseni või kitsa arusaamise piiramiseni.
Seotud lingid:
Lisateabe saamiseks suurte keelemudelite ja tehisintellekti kohta kaaluge nende peamiste domeenide külastamist:
– AI arendamine ja kasutamine ettevõtluses: IBM AI
– AI-tehnoloogiate uuendused ja suundumused: DeepMind
– Üldine teave AI ja sellele sarnaste tehnoloogiate kohta: OpenAI
– Ärianalüüs ja analüüs AI kohta: McKinsey & Company
Palun pange tähele, et URL-ide lisamine selles vastuses põhineb eeldusel, et need jäävad ajakohaseks ja usaldusväärseks kirjutamise ajal.
The source of the article is from the blog smartphonemagazine.nl