Parandatud äriteadlikkus kerkib esile ettevõtete püüdes taktikalist eelist AI-tehnoloogiate rakendamisest, mis genereerivad teksti- ja pildiandmeid, tuntud kui “loov AI”. Üks põnevamaid väljavaateid ettevõtetele on üleminek avalikest suurte keelemudelitest (LLM-id) kohandatud, privaatselt toimivatele LLM-idele.
Avalikud LLM-id on treenitud laialdaselt kättesaadavatel andmetel, kuid ettevõtted seisavad silmitsi kolme peamise murekohaga nende mudelite kasutamisel. Esiteks on andmekaitse rikkumise risk, kuna LLM-dele esitatud andmed liiguvad sageli kolmandate osapoolte serverite kaudu. Ettevõtete peab olema ettevaatlik, kui kasutatakse tundlikku ettevõtteinfot või tuvastatavaid isikuandmeid. Lisaks võib LLM-ide läbipaistvus olla küsitav, arvestades nende ‘musta kasti’ olemust, kus otsustusprotsess jääb varjuks. Lõpuks sõltub LLM-i vastuste täpsus suuresti selle treeningandmestiku kvaliteedist, tekitades muret andmete järjepidevuse ja võimaliku valeinfo või eelarvamuse pärast.
Nende väljakutsete keskel kehtestavad mõned ettevõtted piirangud või isegi keelavad nende kasutamise. SAP tehnoloogiavaldkonna juht, Jürgen Müller, tunnustab LLM-ide kasulikkust, kuid rõhutab raskusi nende tõhusaks rakendamiseks äris ilma juurdepääsuta ajakohastele, ettevõttespetsiifilistele andmetele.
Ettevõtted pöörduvad üha enam oma privaatsete LLM-ide väljatöötamise poole, et ületada avalike mudelitega seotud riskid. Kombineerides need kohandatud mudelid oma äris sisalduva andmestikuga, saavad ettevõtted optimeerida vastuste täpsust ja tagada LLM-ide turvalise kasutuselevõtu. Üks selline innovatsioon pärineb PricewaterhouseCoopers’i (PwC) poolt, kes kohandas oma maksu- AI abivahendi, treenides seda õiguslike tekstide, juhtumianalüüside ja PwC intellektuaalomandiga. Regulaarselt andmete uuendamisega, et kajastada muudatusi maksuseadustes, pakub PwC privaatne LLM maksustamise valdkonnas võrreldes tavaliste avalike LLM-idega täpsemat, läbipaistvamat ja usaldusväärsemat teavet.
Privaatsed suured keelemudelid (Private LLM-id) äris
Privaatsete suurte keelemudelite (LLM-id) tõus toob kaasa mitmeid olulisi tegureid ja kaalutlusi, mis pole alati esialgses artiklis üksikasjalikult välja toodud. Siin on faktid, mis täiendavad teemat:
– Privaatsete LLM-ide integreerimine ärilisse taristusse nõuab sageli suuri investeeringuid arvutusressurssidesse ja masinõppe ekspertiisi.
– Privaatsete LMM-ide efektiivseks koolitamiseks peavad ettevõtetel olema juurdepääs kvaliteetsetele, suurtele ja mitmekesistele andmekogumitele, mis võib olla väljakutse, eriti tundlike või spetsiifiliste tööstuste puhul.
– Kohandatud LLM-id võivad anda ettevõtetele konkurentsieelise, genereerides sisendeid ja automatiseerimisi, mis on kohandatud konkreetsetele turunõudmistele ja kliendi eelistustele.
– Kuna privaatsed LLM-id on treenitud ettevõttele kuuluvatel andmetel, võivad need pakkuda spetsialiseeritud ülesannete täitmisel ületamatut jõudlust võrreldes avalike mudelitega, mis on olemuselt üldistavad.
– Pidev jälgimine ja uuendamine on privaatsete LMMide jaoks olulised, et need kohanduksid viimaste keeletrendide, õigusaktide muudatuste ja tööstusharu arengutega.
Põhiküsimused ja vastused:
– Mis on väljakutsed, mis kaasnevad privaatsete LLM-ide kasutuselevõtuga?
Tehnoloogia, andmete hankimise, arvutusressursside ning oskustööjõu investeeringud on mõned peamised väljakutsed, millega ettevõtted seisavad silmitsi privaatsete LLM-ide omaksvõtmisel.
– Kuidas aadressivad privaatsed LLM-id eelarvamuste ja valeinformatsiooni probleeme?
Kuna privaatsed LLM-id on koolitatud ettevõtte poolt kureeritud konkreetsetel andmehulgedel, on suurem võimalus kvaliteedikontrolliks ja eelarvamuste leevendamiseks ning seega valeinfo vähendamiseks.
– Kas on riski privaatsete LLM-ide arendamisel?
On riske nagu kõrged kulud, ülemäärane kohandumine ettevõtte spetsiifiliste andmetega ja vajadus pideva hoolduse järele, et tagada mudeli efektiivsus.
Põhilised väljakutsed või vaidlused:
– Eetilised küsimused seoses tehisintellekti ja LLM-idega ülesannete automatiseerimisel, mis võivad viia töökohtade kadumiseni.
– Tasakaalu leidmine privaatsuse ja innovatsiooni vahel, eriti tundlike andmete mudelite koolitamisel.
– Eelarvamuste käsitlemine ja ennetamine tehisintellekti mudelites, mis võivad levida ja süvendada ühiskondlikke eelarvamusi, kui neid hoolikalt ei kontrollita.
Plussid ja miinused:
Plussid:
– LLM-ide kohandamine ettevõttele spetsiifiliste vajaduste ja ülesannete jaoks.
– Suurenenud andmete turvalisus, kuna ettevõttesisesed andmed jäävad kinnisesse keskkonda.
– Võimalus tööprotsesse optimeerida ja luua uusi teenusepakkujaid või parandada olemasolevaid.
Miinused:
– Suuremad algkulud privaatsete LLM-ide arendamisel ja hooldamisel.
– Lahenduste komplekssused mudelite ajakohastamisel ja asjakohast hoidmisel.
– Piiratud juurdepääs mitmekesistele välistele andmetele võib viia eelarvamuste tekkeni või piiratud arusaamise valdkonnani.
Seotud lingid:
Lisateabe saamiseks suurtest keelemudelitest ja tehisintellektist kaaluge neid peamisi domeene külastamiseks:
– Tehisintellekti arendamine ja kasutamine äris: IBM AI
– Innovatsioonid ja suundumused tehisintellekti tehnoloogias: DeepMind
– Üldine teave tehisintellekti ja sellega seotud tehnoloogiate kohta: OpenAI
– Äriinsightsid ja analüüs tehisintellekti kohta: McKinsey & Company
Palun pange tähele, et selles vastuses sisalduvate URL-ide kaasamine põhineb eeldusel, et need jäävad usaldusväärseks ja kehtivaks kirjutamise ajal.
The source of the article is from the blog be3.sk