۶ اردیبهشت ۱۴۰۴

Techboy

اخبار و اطلاعات روز تکنولوژی

پروژه AI تولیدی شما در حال شکست است

بنگاهها که توسط ویبرها و ستاره ها در چشمان خود سوختند ، وقت خود را برای درک محدودیت های تولید کننده هوش مصنوعی و ایجاد رویکرد مبتنی بر قوانین خود نمی گذارند.

بنگاهها که توسط ویبرها و ستاره ها در چشمان خود سوختند ، وقت خود را برای درک محدودیت های تولید کننده هوش مصنوعی و ایجاد رویکرد مبتنی بر قوانین خود نمی گذارند.

AI تولیدی پروژه تقریباً مطمئناً شکست خواهد خورد. اما قلب خود را بگیرید: احتمالاً نباید از AI برای حل مشکل تجاری خود استفاده کرده اید. به نظر می رسد این یک واقعیت پذیرفته شده در بین جمعیت علوم داده است ، اما این خرد برای رسیدن به مدیران شرکت کند بوده است. به عنوان مثال ، دانشمند داده noah lorang یک بار پیشنهاد می کند ، “یک زیر مجموعه بسیار کوچک از مشکلات تجاری وجود دارد که بیشتر از آن با استفاده از دستگاه های خوب است که با استفاده از دستگاه های خوب حل شده است.

و با این حال ۸۷ ٪ از شرکت ها مورد بررسی توسط Bain & Company گفت آنها در حال توسعه برنامه های تولید AI هستند. برای برخی ، این رویکرد دقیقاً درست است. برای بسیاری دیگر ، اینطور نیست.

ما در مجموع با هوش مصنوعی از خودمان به طور جمعی جلوتر شده ایم که ما تنظیم خودمان را برای شکست انجام می دهیم. این شکست از منابع مختلفی از جمله حاکمیت داده ها یا مسائل مربوط به کیفیت داده ها ناشی می شود ، اما اکنون مشکل اصلی انتظارات است. افراد با chatgpt برای یک بعد از ظهر و انتظار می رود که بتواند مشکلات زنجیره تأمین یا سوالات پشتیبانی مشتری را حل کند. این نخواهد بود اما هوش مصنوعی مشکل نیست ، ما هستیم.

‘انتظارات صرفاً بر اساس ویب ها تنظیم شده است

Shreya Shankar ، یک مهندس یادگیری ماشین در Viaduct ، استدلال می کند که یکی از نعمت ها و لعنت های Genai این است که به نظر می رسد نیاز به تهیه داده ها ، که مدت هاست یکی از سخت ترین جنبه های یادگیری ماشین . او می گوید: “از آنجا که شما چنین تلاش کمی را برای تهیه داده ها انجام داده اید ، بسیار خوشحال می شوید که از نتایج اولیه شگفت زده شوید. مهندسی . ”

به جای انجام کار سخت و کثیف آماده سازی داده ها ، با تمام آزمایشات و بازآموزی برای به دست آوردن یک مدل برای به دست آوردن نتایج حتی از راه دور مفید ، مردم همانطور که اتفاق می افتد ، مستقیم به دسر می روند. این به نوبه خود منجر به انتظارات غیرواقعی می شود: “هوش مصنوعی و LLM ها کمی جالب تر از این هستند که بیشتر افراد قبل از حمل و نقل هیچ نوع ارزیابی سیستماتیک ندارند (چرا آنها مجبور به جمع آوری داده های آموزشی نمی شوند؟) ، بنابراین انتظارات آنها صرفاً بر اساس ویبرها تنظیم می شود.”

VIBES ، همانطور که به نظر می رسد ، مجموعه داده خوبی برای برنامه های موفقیت آمیز AI نیست.

کلید واقعی موفقیت در یادگیری ماشین چیزی است که بیشتر از AI تولیدی وجود ندارد: تنظیم ثابت مدل. شانکار می نویسد: “در ML و مهندسی هوش مصنوعی ،” ​​تیم های اغلب انتظار می رود که دقت بیش از حد زیاد باشد یا با انتظارات خود از یک برنامه هوش مصنوعی درست پس از راه اندازی ، و غالباً زیرساخت ها را برای بازرسی مداوم داده ها ، تست های جدید و بهبود سیستم پایان به پایان نمی رساند. ” این تمام کارهایی است که قبل و بعد از آن اتفاق می افتد ، به عبارت دیگر ، این موفقیت را به وجود می آورد. برای برنامه های تولید هوش مصنوعی ، تا حدودی به دلیل شروع کار سریع ، بخش اعظم این رشته از بین می رود.

همه چیز با هوش مصنوعی تولیدی پیچیده تر می شود زیرا هیچ گونه سازگاری بین سریع و پاسخ وجود ندارد. من عاشق راه هستم amol ajgaonkar ، cto نوآوری محصول در بینش ، آن را قرار دهید. بعضی اوقات فکر می کنیم تعامل ما با LLMS مانند مکالمه بالغ با یک بزرگسال است. او می گوید ، اینطور نیست ، بلکه “این مانند دستورالعمل بچه های نوجوان من است. گاهی اوقات باید خود را تکرار کنید تا چسبیده باشد.” پیچیده تر آن ، “گاهی اوقات هوش مصنوعی گوش می دهد ، و بعضی اوقات دستورالعمل ها را دنبال نمی کند. این تقریباً مانند یک زبان متفاوت است.”

یادگیری نحوه مکالمه با سیستم های تولید کننده هوش مصنوعی هم هنر و هم علوم است و هم برای انجام این کار به تجربه قابل توجهی نیاز دارد. متأسفانه ، بسیاری از آزمایشات گاه به گاه خود با ChatGPT اعتماد به نفس زیادی کسب می کنند و انتظارات را بسیار بالاتر از آنچه که ابزارهایی ارائه می دهند تعیین می کنند و منجر به نارسایی ناامید کننده می شوند.

اسباب بازی جدید و براق را کنار بگذارید

بسیاری در حال چرخش در هوش مصنوعی تولیدی هستند بدون اینکه ابتدا در نظر بگیرند که آیا روشهای ساده تر و بهتری برای تحقق اهداف خود وجود دارد. سانتیاگو والداراما ، بنیانگذار Tideily ، با شروع از نظریه های ساده یا قوانین. او دو مزیت برای این رویکرد ارائه می دهد: “اول ، شما در مورد مشکلی که برای حل آن نیاز دارید اطلاعات بیشتری کسب خواهید کرد. دوم ، شما یک پایه برای مقایسه در برابر هر راه حل یادگیری ماشین آتی خواهید داشت.”

مانند توسعه نرم افزار ، جایی که سخت ترین کار کد نویسی نیست بلکه می فهمد کدام کد را برای نوشتن ، سخت ترین چیز در هوش مصنوعی می داند که چگونه یا باید AI را اعمال کنید. هنگامی که قوانین ساده باید به قوانین پیچیده تر تسلیم شوند ، والداراما پیشنهاد می کند که به یک مدل ساده تغییر دهید. توجه داشته باشید استرس مداوم در مورد “ساده”. همانطور که او می گوید ، “سادگی همیشه برنده می شود” و باید تصمیمات را دیکته کند تا اینکه مدل های پیچیده تر کاملاً ضروری باشند.

بنابراین ، به AI مولد بازگشت. بله ، Genai ممکن است همان چیزی باشد که تجارت شما برای ارائه ارزش مشتری در یک سناریوی معین نیاز دارد. شاید. به احتمال زیاد تجزیه و تحلیل جامد و رویکردهای مبتنی بر قوانین بازده مورد نظر را به دست می آورد. برای کسانی که مصمم هستند از چیز جدید و براق استفاده کنند ، خوب ، حتی در این صورت هنوز هم بهتر است شروع کنیم کوچک و ساده و یاد بگیرید که چگونه با موفقیت استفاده کنید.