گشودن پتانسیل تجاری مدل‌های زبانی بزرگ

مدل‌های زبانی بزرگ (LLM) به سرعت در حال تبدیل شدن به یک تغییر دهنده بازی در صنایع مختلف هستند و فرصت‌های بی سابقه‌ای را برای شرکت‌ها فراهم می‌کنند تا عملیات را ساده کنند، کارایی را بهبود بخشند و نوآوری را پیش ببرند. از GPT-4 OpenAI تا Llama متا و Claude Anthropic، پلتفرم‌های قدرتمند LLM در حال تغییر نحوه تعامل ما با فناوری هستند. با این حال، برای استفاده کامل از قدرت این مدل‌ها، شرکت‌ها باید استراتژی‌های متفکرانه‌ای را توسعه دهند که LLM را به طور یکپارچه در جریان‌های کاری خود ادغام کنند.

راما راماکریشنان، استاد عملی در دانشکده مدیریت اسلون MIT، معتقد است که LLM فناوری‌های دگرگون کننده‌ای هستند که کسب‌وکارها می‌توانند با سرعتی بی‌سابقه برنامه‌ها را بسازند. راماکریشنان در یک وبینار اخیر، سه رویکرد متمایز را تشریح کرد که شرکت‌ها می‌توانند از این LLMهای آماده برای انجام انواع وظایف و موارد استفاده تجاری بهره ببرند: Prompting، بازیابی تولیدی تقویت شده (RAG) و Fine-tuning دستوری.

1. Prompting: آزاد کردن قدرت LLM

Prompting مستقیم ترین و در دسترس ترین شکل استفاده از LLM است که شامل طرح یک سوال یا دستورالعمل ساده از مدل و دریافت پاسخ تولید شده است. این روش به ویژه برای وظایفی مناسب است که می‌توانند با استفاده از عقل سلیم و دانش روزمره، بدون نیاز به آموزش تخصصی اضافی یا تخصص در یک حوزه خاص، با موفقیت انجام شوند.

راماکریشنان تأکید می‌کند که Prompting به ویژه برای انواع خاصی از وظایف طبقه بندی موثر است. به عنوان مثال، یک شرکت تجارت الکترونیک می‌تواند از LLM برای تجزیه و تحلیل نظرات مشتریان در مورد محصولاتی که در وب سایت خود ارسال می‌کنند، استفاده کند. با ارائه نظرات به LLM و درخواست از آن برای شناسایی نقص‌های بالقوه یا ویژگی‌های نامطلوب، شرکت می‌تواند بینش‌های ارزشمندی به دست آورد تا تصمیمات توسعه محصول را آگاه سازد و رضایت مشتری را بهبود بخشد. این فرآیند نیاز به برچسب‌گذاری دستی و طبقه بندی نظرات را از بین می‌برد و در زمان و منابع صرفه جویی می‌کند.

در حوزه املاک و مستغلات، Prompting می‌تواند برای تولید خودکار توضیحات ملک مورد استفاده قرار گیرد. یک مشاور املاک می‌تواند ویژگی‌ها و ویژگی‌های برجسته کلیدی را در اختیار LLM قرار دهد و در عرض چند ثانیه، توضیحات قانع کننده و متقاعدکننده‌ای را تبلیغ کند تا خریداران یا مستاجران بالقوه را جذب کند. این به نمایندگان امکان می‌دهد تا به جای صرف زمان قابل توجهی برای نوشتن، بر ایجاد روابط با مشتریان و بستن معاملات تمرکز کنند.

در صنعت مالی، Prompting می‌تواند برای تجزیه و تحلیل روند بازار و تولید گزارش‌های سرمایه گذاری استفاده شود. تحلیلگران مالی می‌توانند داده‌ها و اطلاعات بازار مرتبط را در LLM وارد کنند و از آن بخواهند الگوهایی را شناسایی کند، پیش بینی کند و گزارش‌های روشنگری تولید کند. این به تحلیلگران کمک می‌کند تا تصمیمات آگاهانه‌تری بگیرند و از آخرین تحولات بازار مطلع شوند.

در حالی که Prompting یک تکنیک قدرتمند است، شرکت‌ها باید از محدودیت‌های آن آگاه باشند. هنگامی که یک کار نیاز به دانش بسیار تخصصی یا اطلاعات جاری دارد، Prompting ممکن است برای ارائه نتایج دقیق و مرتبط کافی نباشد. در چنین مواردی، می‌توان از تکنیک‌های پیشرفته‌تری مانند RAG و Fine-tuning دستوری استفاده کرد.

2. بازیابی تولیدی تقویت شده (RAG): افزایش LLM با داده‌های مرتبط

بازیابی تولیدی تقویت شده (RAG) یک تکنیک پیشرفته‌تر است که شامل ارائه یک دستورالعمل یا سوال واضح به LLM، همراه با داده‌ها یا اطلاعات اضافی مرتبط است. این روش به ویژه برای وظایفی مفید است که نیاز به دسترسی LLM به اطلاعات فعلی یا دانش اختصاصی دارند.

به عنوان مثال، یک خرده فروش می‌تواند از RAG برای ساخت یک چت بات خدمات مشتری استفاده کند که قادر به پاسخگویی دقیق به سوالات مربوط به سیاست‌های بازگشت محصول است. با آموزش چت بات با استفاده از اسناد خط مشی بازگشت شرکت، خرده فروش می‌تواند اطمینان حاصل کند که مشتریان اطلاعات دقیق و به روز دریافت می‌کنند، در نتیجه رضایت مشتری را بهبود می‌بخشد و هزینه‌های پشتیبانی را کاهش می‌دهد.

هسته اصلی RAG در توانایی آن در استفاده از موتورهای جستجوی سنتی سازمانی یا تکنیک‌های بازیابی اطلاعات برای یافتن محتوای مرتبط از مجموعه وسیعی از اسناد نهفته است. این به شرکت‌ها امکان می‌دهد از مخازن دانش داخلی گسترده استفاده کنند و LLM را با زمینه‌ای که برای انجام وظیفه به آن نیاز دارد، ارائه دهند.

ارائه‌دهندگان خدمات بهداشتی می‌توانند از RAG برای کمک به پزشکان در تصمیم‌گیری در مورد تشخیص و درمان استفاده کنند. با ارائه سابقه بیمار، نتایج آزمایش و مقالات تحقیقاتی پزشکی به LLM، پزشکان می‌توانند بینش‌های ارزشمندی به دست آورند تا به آنها در تعیین مناسب‌ترین دوره درمانی کمک کند. این می‌تواند نتایج بیمار را بهبود بخشد و خطاهای پزشکی را کاهش دهد.

شرکت‌های حقوقی می‌توانند از RAG برای کمک به وکلا در انجام تحقیقات و نوشتن استدلال استفاده کنند. با ارائه رویه‌های قضایی، قوانین و مقالات حقوقی مرتبط به LLM، وکلا می‌توانند به سرعت اطلاعات مورد نیاز برای حمایت از استدلال‌های حقوقی خود را بیابند. این می‌تواند در وقت و تلاش وکلا صرفه جویی کند و به آنها اجازه دهد تا بر سایر جنبه‌های مهم پرونده تمرکز کنند.

برای استفاده کامل از Prompting و RAG، شرکت‌ها باید به کارکنان خود کمک کنند تا مهارت‌های مهندسی Prompt را توسعه دهند. یکی از روش‌های موثر، استفاده از Prompting "زنجیره تفکر" است که در آن کاربر به LLM دستور می‌دهد "به صورت گام به گام فکر کند". این رویکرد اغلب نتایج دقیقتری تولید می‌کند، زیرا LLM را تشویق می‌کند تا وظایف پیچیده را تجزیه کند و به روشی منظم استدلال کند.

راماکریشنان تاکید می‌کند که در مهندسی Prompt باید دقت کرد تا اطمینان حاصل شود که پاسخ‌های ارائه شده توسط LLM واقعاً همان چیزی است که ما به آن نیاز داریم. با ایجاد دقیق Prompt و ارائه زمینه مرتبط، شرکت‌ها می‌توانند دقت و ارتباط نتایج ارائه شده توسط LLM را به حداکثر برسانند.

3. Fine-tuning دستوری: سفارشی کردن LLM برای برآورده کردن نیازهای خاص

Fine-tuning دستوری یک تکنیک پیشرفته‌تر است که شامل آموزش بیشتر LLM با استفاده از مثال‌های پرسش و پاسخ خاص برنامه است. این روش به ویژه برای وظایفی مفید است که شامل اصطلاحات و دانش مختص به دامنه است یا دشوار است به راحتی توصیف شود، مانند تجزیه و تحلیل سوابق پزشکی یا اسناد حقوقی.

برخلاف Prompting و RAG، Fine-tuning دستوری شامل اصلاح خود مدل است. با آموزش LLM با استفاده از داده‌های خاص برنامه، شرکت‌ها می‌توانند دقت و عملکرد آن را در یک حوزه خاص بهبود بخشند.

به عنوان مثال، سازمانی که تلاش می‌کند یک چت بات بسازد که به تشخیص پزشکی کمک می‌کند، باید صدها مثال پرسش و پاسخ را گردآوری کرده و در اختیار LLM قرار دهد. پرس و جوهای حاوی جزئیات پرونده بیمار با پاسخ‌های منطقی پزشکی جفت می‌شوند که شامل جزئیاتی در مورد تشخیص‌های احتمالی است. این اطلاعات بیشتر به LLM آموزش داده می‌شود و احتمال ارائه پاسخ‌های دقیق به سؤالات پزشکی را افزایش می‌دهد.

موسسات مالی می‌توانند از Fine-tuning دستوری برای بهبود دقت سیستم‌های تشخیص تقلب خود استفاده کنند. با آموزش LLM بر روی داده‌های تاریخی تراکنش‌های متقلبانه و غیر متقلبانه، موسسات می‌توانند توانایی خود را در شناسایی فعالیت‌های متقلبانه بهبود بخشند. این به موسسات کمک می‌کند تا زیان‌های مالی را کاهش دهند و از مشتریان خود در برابر تقلب محافظت کنند.

شرکت‌های تولیدی می‌توانند از Fine-tuning دستوری برای بهینه سازی فرآیندهای تولید خود استفاده کنند. با آموزش LLM بر روی داده‌های مربوط به فرآیند تولید، شرکت‌ها می‌توانند ناکارآمدی‌ها را شناسایی کرده و کارایی کلی را بهبود بخشند. این به شرکت‌ها کمک می‌کند تا هزینه‌ها را کاهش دهند و بهره وری را افزایش دهند.

در حالی که Fine-tuning دستوری یک تکنیک قدرتمند است، می‌تواند زمان بر هم باشد. برای ایجاد داده‌های مورد نیاز برای آموزش مدل، برخی از شرکت‌ها ممکن است تصمیم بگیرند از LLM برای تولید خود داده استفاده کنند. این فرآیند به عنوان تولید داده‌های مصنوعی شناخته می‌شود و می‌تواند به طور موثر هزینه‌ها و تلاش‌های مربوط به Fine-tuning دستوری را کاهش دهد.

یافتن رویکرد صحیح به LLM

از آنجایی که سازمان‌ها به طور عمیق‌تر به بررسی LLM و برنامه‌های کاربردی هوش مصنوعی مولد می‌پردازند، لازم نیست بین این روش‌ها انتخاب کنند و در عوض باید آنها را به روش‌های مختلف، بر اساس مورد استفاده، ترکیب کنند.

راماکریشنان استدلال می‌کند که: "Prompting از نظر مقدار کار آسان‌ترین است، پس از آن RAG و سپس Fine-tuning دستوری قرار دارند. هر چه کار بیشتری انجام شود، بازدهی بیشتر خواهد بود."

با ارزیابی دقیق نیازهای خود و انتخاب مناسب‌ترین روش‌های LLM یا ترکیبی از روش‌ها، شرکت‌ها می‌توانند پتانسیل کامل این فناوری‌های قدرتمند را باز کنند و نوآوری، بهبود کارایی و بهبود تصمیم گیری را هدایت کنند. از آنجایی که LLM به تکامل خود ادامه می‌دهند، شرکت‌ها باید از آخرین تحولات مطلع باشند و تکنیک‌های جدید را آزمایش کنند تا از مزایای این فناوری‌های پیشگامانه نهایت استفاده را ببرند.