+86-315-6196865

Как решить проблемы генеративного ИИ в промышленных приложениях

Aug 19, 2023

Крупные языковые модели (LLM) способны понимать, интерпретировать и генерировать человеческий язык, революционизируя все проходы жизни. Тем не менее, они также сталкиваются с своими собственными проблемами, включая генерацию неточной или вводящей в заблуждение информации (галлюцинации), проблем с конфиденциальностью и уязвимостей безопасности.

 

Большие языковые модели имеют доступ к большим объемам текстовых данных, но их данные обучения могут быть устаревшими и поступают только из общественного достояния. Крупные языковые модели нуждаются в доступе к промышленным данным предприятия, чтобы генеративный искусственный интеллект (ИИ) работал на промышленность. Благодаря «обучению» крупных языковых моделей по совокупным, соответствующим данным, мы можем повысить надежность и точность их ответов в промышленных приложениях.

 

Чтобы включить генеративный ИИ в цифровую стратегию, производственные компании могут начать с трех основных архитектур:

Контекстуализация данных

Контекстуализация данных имеет решающее значение для обеспечения того, чтобы крупные языковые модели предоставляли соответствующие и значимые ответы. Например, при поиске информации об операционных промышленных активах становится критическим для предоставления данных и документации, связанных с этими активами, и их явными и неявными семантическими отношениями. Эта контекстуализация позволяет крупным языковым моделям понимать задачи и генерировать контекстуально подходящие ответы.

Карта промышленных знаний

Создание промышленных карт знаний необходимо для улучшения качества данных крупных языковых моделей. Этот график обрабатывает данные путем нормализации, масштабирования и улучшения для обеспечения точных и доверенных ответов. Старая пословица «мусор в → мусор» также применяется к созданию ИИ, подчеркивая важность обогащения данных для повышения производительности моделей крупных языков.

Поиск по увеличению образования

Поиск дополненной генерации (RAG) - это усовершенствованный шаблон проектирования, который позволяет крупным языковым моделям использовать конкретные отраслевые данные в прямом ответе на подсказки. Включая контекстуальное обучение, RAG позволяет большим языковым моделям разум на основе данных из частных контекстов, предоставляя детерминированные ответы, а не вероятностные ответы на основе существующей общественной информации.

Кроме того, RAG позволяет нам поддерживать эксклюзивность и безопасность промышленных данных на предприятии. Как и любая передовые технологии, крупные языковые модели могут быть уязвимы для состязательных атак и утечек данных. В промышленной среде эти проблемы требуют еще большего внимания из -за конфиденциальных данных, таких как проприетарные проекты и информация о клиентах.

Обеспечение правильной анонимизации, защита инфраструктуры модели крупной языка, обеспечение безопасности передачи данных и реализация сильных механизмов аутентификации является важными шагами для снижения рисков кибербезопасности и защиты конфиденциальной информации. RAG позволяет поддерживать контроль доступа, укреплять доверие с крупными предприятиями и удовлетворять строгие требования безопасности и аудита.

Используя контекстуализацию данных, график промышленных знаний и технологии RAG в генеративных решениях искусственного интеллекта, мы можем не только решать проблемы, такие как утечка данных, управление доверием и доступом, и иллюзии, но также повлиять на общую эффективность и стоимость решения.

Модели с большими языками имеют ограничения в окнах контекста, которые ограничивают диапазон токенов, которые они могут рассмотреть при ответе на подсказку. Кроме того, каждый токен увеличивает общую стоимость каждого запроса. Если вы думаете об этих запросах как о поиске Google, вы можете увидеть, насколько легко добавить затраты.

Чтобы решить эту проблему, контекстуализация проприетарных промышленных данных, создание карт промышленных знаний и оптимизация запросов с RAG стала критической. Эти шаги гарантируют, что лабораторные менеджеры имеют доступ к поисковому и семантически значимому источнику ввода, чтобы обеспечить более эффективное использование огромных объемов промышленных данных.

В заключение, в то время как крупные языковые модели предлагают большой потенциал для различных отраслей, также очень важно решать такие проблемы, как неточности, уязвимости безопасности и риски конфиденциальности. Собирая и контекстуализируя данные, карты знаний по строительству и используя передовые технологии, такие как RAG, модели на больших языках могут быть ценным активом в оптимизации операций, автоматизации задач и предоставления действенных представлений для бизнеса в разных отраслях.

 

Вам также может понравиться

Отправить запрос