محققان AWS مقاله‌ای منتشر کرده‌اند که یک دیباگر اختصاصی مبتنی بر LLM به نام پاندا را در برابر LLMهای OpenAI مطرح می‌کند.
محققان AWS در حال کار بر روی توسعه اشکال‌زدای مبتنی بر مدل زبان بزرگ برای پایگاه‌های داده در تلاشی برای کمک به شرکت‌ها در حل مشکلات عملکرد در چنین سیستم‌هایی.
محققان توضیح دادند
پاندا، به طور مؤثر، چارچوبی است که زمینه را برای LLM های از پیش آموزش دیده فراهم می کند تا توصیه های عیب یابی «مفید» و «در زمینه» را ایجاد کند.
اجزاء و معماری پاندا
چارچوب شامل چهار مؤلفه کلیدی، زمینه سازی، تأیید، استطاعت، و بازخورد است.
محققان تأیید را به عنوان توانایی مدل برای تأیید پاسخ تولید شده با استفاده از منابع مرتبط و تولید استناد به همراه خروجی آن توصیف می‌کنند تا کاربر نهایی بتواند آن را تأیید کند.
از سوی دیگر، affordance را می توان به عنوان توانایی چارچوب برای آگاه کردن کاربر در مورد عواقب اقدام توصیه شده توسط یک LLM در حالی که به صراحت اقدامات پرخطر مانند DROP یا DELETE را برجسته می کند توصیف کرد. .
به گفته محققان، مؤلفه بازخورد پاندا به اشکال‌زدای مبتنی بر LLM اجازه می‌دهد تا بازخورد کاربر را بپذیرد و هنگام ایجاد پاسخ‌ها، آنها را در نظر بگیرد.
این چهار مؤلفه به نوبه خود معماری اشکال‌زدا را تشکیل می‌دهند که شامل عامل تأیید سؤال (QVA)، مکانیسم زمین، مکانیسم تأیید، مکانیسم بازخورد و مکانیسم استطاعت است.
در حالی که QVA جستارهای نامربوط را شناسایی و فیلتر می‌کند، مکانیسم زمینی شامل یک بازیابی سند، متن Telemetry-2 و یک جمع‌آوری متن است تا زمینه بیشتری را برای یک درخواست یا درخواست فراهم کند.
محققان گفتند که مکانیسم تأیید شامل تأیید پاسخ و انتساب منبع است و افزودند که همه این مکانیسم‌ها همراه با مکانیسم بازخورد و هزینه در پس‌زمینه یک رابط زبان طبیعی (NL) کار می‌کنند که کاربر سازمانی با آن تعامل دارد.< /p>
قرار دادن پاندا در برابر GPT-4 OpenAI
محققانی که در AWS کار می‌کنند، پاندا را نیز در برابر مدل GPT-4 OpenAI، که در حال حاضر بر ChatGPT تأکید می‌کند، مطرح کردند.
“… تحریک ChatGPT با پرس و جوهای عملکرد پایگاه داده اغلب منجر به توصیه های “از نظر فنی صحیح” اما بسیار “مبهم” یا “عمومی” می شود که معمولاً توسط مهندسان پایگاه داده با تجربه (DBE) بی فایده و غیرقابل اعتماد می شوند.” در حین نشان دادن مشکل، نتیجه ای نوشت پایگاه داده PostgreSQL Aurora.
این مقاله نشان می‌دهد که برای آزمایش، محققان AWS گروهی از DBEها را با سه سطح شایستگی مختلف جمع‌آوری کرده‌اند و اکثر آنها به نفع پاندا بوده‌اند.
علاوه بر این، محققان ادعا کردند که پاندا، اگرچه در آزمایش خود در پایگاه داده های ابری استفاده می شود، می تواند به هر سیستم پایگاه داده گسترش یابد.
پست های مرتبط
AWS در حال آماده‌سازی دیباگر مبتنی بر LLM برای پایگاه‌داده‌ها در OpenAI
AWS در حال آماده‌سازی دیباگر مبتنی بر LLM برای پایگاه‌داده‌ها در OpenAI
AWS در حال آماده‌سازی دیباگر مبتنی بر LLM برای پایگاه‌داده‌ها در OpenAI