Generatived (Beta) | Cung cấp tin tức và xu hướng mới nhất về AI sáng tạo

AI sáng tạo đang thay đổi cách các công ty đổi mới và hợp lý hóa hoạt động của họ bằng cách cung cấp một bộ ứng dụng nâng cao năng suất. Tuy nhiên, việc tích hợp các mô hình cơ bản quy mô lớn vào hệ thống doanh nghiệp không phải là không có thách thức. Những mô hình này thường có chi phí cao, hiệu suất chậm và các vấn đề về quyền riêng tư dữ liệu có thể khiến các công ty ngần ngại chia sẻ thông tin nhạy cảm với các nhà cung cấp mô hình ngôn ngữ bên thứ ba. Ngoài ra, mặc dù các mô hình này phù hợp với các tác vụ thông thường nhưng chúng thường yêu cầu khả năng tùy chỉnh đáng kể để thực hiện với độ chính xác cao trong các tác vụ chuyên biệt của doanh nghiệp.

Để giải quyết những trở ngại này, ngành đang chuyển sang tinh chỉnh các mô hình ngôn ngữ quy mô nhỏ (SLM). Các SLM này là phiên bản nhỏ gọn hơn của SLM lớn hơn, có thể đạt được mức hiệu suất tương tự trong khi nhanh hơn và tiết kiệm chi phí hơn. Nó cũng có thể được triển khai trong cơ sở hạ tầng của chính công ty, chẳng hạn như tại chỗ hoặc trên đám mây riêng ảo, đảm bảo dữ liệu nhạy cảm được bảo vệ. Bất chấp những lợi ích này, việc tinh chỉnh SLM cũng có những thách thức riêng. Đặc biệt, chúng yêu cầu dữ liệu được dán nhãn chất lượng cao, việc tạo ra có thể tốn kém và mất thời gian.

Để hợp lý hóa quy trình này, một phương pháp tinh chỉnh tự động mới sử dụng chiến lược bánh đà dữ liệu đã được giới thiệu. Cách tiếp cận dựa trên phản hồi này dần dần cải thiện hiệu suất của mô hình thông qua việc củng cố lặp đi lặp lại. Phương pháp này sử dụng phương pháp học theo chương trình giảng dạy, trong đó dữ liệu đào tạo được đưa vào theo từng giai đoạn có độ phức tạp ngày càng tăng, mô phỏng quá trình học tập của con người. Tạo và cấu trúc dữ liệu đào tạo tổng hợp bằng cách sử dụng các mô hình "được giám sát" quy mô lớn và tối ưu hóa việc tinh chỉnh các mô hình nhỏ để xử lý các tác vụ phức tạp với đầu vào tối thiểu của con người.

Trong thực tế, kỹ thuật tinh chỉnh tự động này đã cho thấy những kết quả đầy hứa hẹn, đặc biệt là trong lĩnh vực tự động hóa đánh giá mã. Ví dụ: SLM được tinh chỉnh có độ chính xác cao hơn 18% so với các mô hình lớn hơn trong các nhiệm vụ như đánh giá mức độ nghiêm trọng và tạo giải thích, đồng thời giảm chi phí và độ trễ. Cách tiếp cận này không chỉ cung cấp giải pháp có thể mở rộng và tiết kiệm chi phí để tích hợp AI mà còn đóng vai trò là một phương pháp linh hoạt có thể áp dụng cho nhiều trường hợp sử dụng của doanh nghiệp.