Veel parem ärivaistlike teadmistega hakkab ettevõtetes esile kerkima, kuna ettevõtted otsivad taktikalist eelist tehisintellekti tehnoloogiate rakendamisel, mis genereerivad teksti- ja pildandmeid, tuntud kui “loovintellekt”. Üks intrigeerivamaid väljavaateid ettevõtetele on liikumine avalikest suurtest keelemudelitest (LLM) kohandatud ja privaatselt käitatavate LLMide poole.
Avalikke LLM-e koolitatakse laialdaselt kättesaadaval olevate andmete põhjal, kuid ettevõtted seisavad nende mudelite kasutamisel silmitsi kolme peamise mureküsimusega. Esimene on andmekaitse rikkumise risk, kuna LLM-idele esitatud andmed liiguvad sageli kolmanda osapoole serverite kaudu. Ettevõtetel tuleb olla ettevaatlik, kasutades tundlikku ettevõtteinfot või tuvastatavat isiklikku teavet. Lisaks võib LLM-ide läbipaistvus olla küsitav nende “musta kasti” loomuse tõttu, kus otsustusprotsess jääb varjatuks. Viimaks sõltub LLM-ide vastuste täpsus suuresti nende koolitusandmestiku kvaliteedist, tekitades muret andmete järjepidevuse ja võimaliku valeteabe või kallutatuse pärast.
Nende väljakutsete keskel kehtestavad mõned ettevõtted piiranguid või isegi keelduvad nende kasutamisest. SAP tegevjuht Jürgen Müller tunnustab LLM-ide kasulikkust, kuid märgib, et nende efektiivne kasutamine äris on keeruline ilma juurdepääsuta asjakohasele ettevõttele spetsiifilisele teabele.
Ettevõtted hakkavad üha enam arendama oma privaatseid LLM-e, et ületada avalike mudelitega seotud riskid. Kombineerides neid kohandatud mudeleid oma ettevõttespetsiifiliste andmetega, saavad ettevõtted optimeerida vastuste täpsust ja tagada LLM-ide ohutu kasutuselevõtu. Ühe sellise uuendusena on näide PricewaterhouseCoopers’ilt (PwC), mis kohandas oma maksude tehisintellekti assistendi tööriista, koolitades seda õiguslike tekstide, juhtumianalüüside ja PwC intellektuaalomandiga. Andmete regulaarse uuendamise abil peegeldama maksuseaduse muudatusi, pakub PwC privaatne LLM maksunduse valdkonnas oluliselt täpsemat, läbipaistvamat ja usaldusväärsemat teavet võrreldes tavaliste avalike LLM-idega.
Privaatsete suurte keelemudelite (privaatsete LLM-ide) kasutamine ärinduses
Privaatsete suurte keelemudelite (LLM-ide) tõus toob kaasa hulga olulisi tegureid ja kaalutlusi, mida algsest artiklist tingimata ei selgitata. Siin on faktid, mis täiendavad teemat:
– Privaatsete LLM-ide integreerimine ärainfrastruktuuriga nõuab sageli olulist investeeringut arvutusressurssidesse ja masinõppe asjatundlikkusse.
– Privaatsete LLM-ide tõhusaks koolitamiseks peavad ettevõtted omama juurdepääsu kõrge kvaliteediga, suurtele ja mitmekesistele andmestikele, mis võivad olla väljakutseks, eriti tundlike või spetsiifiliste tööstusharude puhul.
– Kohandatud LLM-id võivad anda ettevõtetele konkurentsieelise, genereerides teadmisi ja automatiseerimisi, mis on kohandatud konkreetsetele turunõudmistele ja klientide eelistustele.
– Kuna privaatsed LLM-id on koolitatud ettevõtte siseste andmetega, võivad nad pakkuda ülesannete teostamisel ülimat efektiivsust avalike mudelitega võrreldes, mis on olemuselt üldistatud.
– Pidev jälgimine ja uuendamine on privaatsete LLM-ide jaoks oluline, et kohaneda viimaste keele suundumuste, õigusaktide muudatuste ja tööstuse arengutega.
Põhiküsimused ja vastused:
– Mis on väljakutsed, mis kaasnevad privaatsete LLM-ide rakendamisega?
Tehnoloogia, andmeallikate hankimise, arvutusressursside ja kogenud personali investeeringud on peamised väljakutsed, millega ettevõtted seisavad silmitsi privaatsete LLM-ide vastuvõtmisel.
– Kuidas lahendavad privaatsed LLM-id kallutatuse ja valeteabe küsimusi?
Kuna privaatsed LLM-id on koolitatud ettevõtte poolt koostatud konkreetsetel andmestikel, on suurem võimalus kvaliteedikontrolliks ja kallutatuse leevendamiseks ning seega valeteabe vähendamiseks.
– Kas on ka riske, arendades privaatseid LLM-e?
Riskid nagu kõrged kulud, võimalik ületalitlus ettevõttespetsiifilistele andmetele ning vajadus pideva hoolduse järele, et tagada mudeli efektiivsus.
Põhiväljakutsed või vastuolud:
– Eetilised tagajärjed tehisintellekti ja LLM-ide automatiseerimise ülesannetes, mis võivad viia töökoha kadumiseni.
– Privaatsuse ja innovatsiooni tasakaal, eriti kui tegemist on mudelite koolitamisega tundlike andmete põhjal.
– Eelarvamuste jaotavate ja võimendavate tehisintellekti mudelite aadressimine ja ennetamine, kui neid hoolikalt ei kontrollita.
Eelised ja puudused:
Eelised:
– LLM-ide personaalsus, et rahuldada ärilisi vajadusi ja ülesandeid.
– Suurem andmete turvalisus, kuna ettevõttesisesed teabe jäävad ettevõttesse.
– Potentsiaal protsesside optimeerimiseks ja uute teenuste pakkumiseks või olemasolevate parendamiseks.
Puudused:
– Suuremad algkulud erakorda privaatsete LLM-ide arendamisel ja hooldamisel.
– Puudused mudelite ajakohastamisel ja asjakohastena hoidmisel.
– Piiratud juurdepääs mitmekesistele välistele andmetele võib viia eelarvamuste tekkeni või arusaamise kitsendamiseni.
Seotud lingid:
Lisateabe saamiseks suurtest keelemudelitest ja tehisintellektist külastage neid peamisi domeene:
– AI arendamine ja kasutamine äris: IBM AI
– Innovatsioonid ja trendid AI-tehnoloogias: DeepMind
– Üldine teave AI ja sellega seotud tehnoloogiate kohta: OpenAI
– Äri vaatlused ja analüüsid AI kohta: McKinsey & Company
Palun pange tähele, et selles vastuses olevate URL-ide lisamine eeldab, et need jäävad usaldusväärseks ja kehtivaks kirjutamise ajal.
The source of the article is from the blog krama.net