بروز هوش تجاری به عنوان یک روند صعودی ظاهر شده است زیرا شرکتها در جستجوی یک لبه تاکتیکی با اجرای فناوریهای هوش مصنوعی که دادههای متنی و تصویری تولید میکند، به نام «هوش مصنوعی تولیدی»، هستند. بین احتمالات جذاب برای شرکتها، جابجایی از مدلهای زبانی عمومی بزرگ (LLMs) به LLMs سفارشی و خصوصی که توسط شرکتها اداره میشود، قرار دارد.
LLMs عمومی بر روی دادههای به دست آمده به طور گسترده آموزش دیدهاند، اما شرکتها با سه مشکل اصلی روبهرو میشوند، آنها این مدلها را به کار میگیرند. اول، وجود خطر نقض حریم خصوصی دادهها، زیرا دادههایی که برای LLMs ارسال میشوند اغلب از طریق سرورهای شخص ثالث عبور میکنند. شرکتها باید هنگام بهرهگیری از اطلاعات حساس شرکت یا دادههای شناسایی شده شخصی، دقت داشته باشند. همچنین اینکه شفافیت LLMs ممکن است مورد سوال قرار گیرد، زیرا ماهیت «جعبه سیاه» آنها که فرآیند تصمیمگیری در آن نامشخص میماند. در آخر، دقت پاسخهای یک LLM بیشترین وابستگی خود را به کیفیت مجموعه دادههای آموزشی خود دارد که نگرانیهایی درباره یکپارچگی داده و امکان جا به جایی یا جنبههای بازدارنده داده را افزایش میدهد.
در میان این چالشها، برخی شرکتها محدودیتها را اعمال یا حتی بازداری از استفاده از آنها میکنند. CTO SAP، یورگن مولر، نیازمندیهای LLM را اعتراف میکند، اما سختی اعمال کردن آنها به طور مؤثر در کسبوکار بدون دسترسی به اطلاعاتی بهروز و خاص از شرکت را برجسته میکند.
شرکتها به سرعت به توسعه LLMs خصوصی خود جذب میشوند تا با خطرات مرتبط با مدلهای عمومی مقابله کنند. با ترکیب این مدلهای سفارشی با دادههای مخصوص خود، شرکتها میتوانند دقت پاسخ را بهینه کرده و اطمینان دهند که اجرای LLMها به صورت ایمن انجام میشود. یکی از مثالهای این نوآوری، از PricewaterhouseCoopers (PwC) است که ابزار فرازای مالی خود را که بر روی متون حقوقی، مطالعات موردی و اموال معنوی PwC آموزش دیده شده است را سفارشی کرد. با به روزرسانی منظم دادهها برای پاسخگویی به تغییرات قانون مالیات، LLM خصوصی PwC اطلاعات دقیقتر، شفافتر و قابل اعتمادتری را در زمینه مالیات ارائه میدهد نسبت به LLMهای عمومی معمولی.
مدلهای زبانی بزرگ خصوصی LLM در کسبوکار
The source of the article is from the blog elektrischnederland.nl