tech
โมเดลภาษาขนาดใหญ่อาจฟังดูมั่นใจแต่ล้าสมัย เพราะความรู้ถูกแช่แข็งไว้ตอนฝึก เทคนิคยอดนิยมหนึ่งแก้ปัญหานี้โดยให้โมเดลไปค้นข้อมูลก่อน
Retrieval-Augmented Generation (RAG) ค้นหาแหล่งความรู้ภายนอก เช่น ฐานข้อมูลเอกสารหรือเว็บ เพื่อหาข้อความที่เกี่ยวข้องกับคำถามของผู้ใช้ จากนั้นป้อนข้อความเหล่านั้นเข้าไปในโมเดลพร้อมกับคำถาม เพื่อให้มันตอบโดยอิงจากข้อมูลปัจจุบัน วิธีนี้แก้ไขจุดอ่อนหลักของโมเดลภาษาขนาดใหญ่ นั่นคือความรู้ของมันหยุดนิ่งอยู่ ณ จุดที่การฝึกฝนสิ้นสุดลง ดังนั้นหากไม่มีการค้นคืน มันจะไม่สามารถรู้ได้ว่าเกิดอะไรขึ้นหลังจากนั้นหรือเข้าถึงเอกสารส่วนตัวที่มันไม่เคยถูกฝึกด้วยเลย
การฝึกโมเดลทั้งหมดใหม่ทุกครั้งที่มีคำถามจะมีค่าใช้จ่ายมหาศาล เท่ากับสร้าง AI ขึ้นใหม่ตั้งแต่ต้นทุกครั้ง ซึ่งไม่ใช่วิธีที่ RAG ทำงาน การลบคำตอบที่ผิดหลังจากแสดงผลไปแล้วก็ไม่ได้แก้ปัญหาความรู้ที่ล้าสมัย มันเป็นการแก้ไขภายหลังไม่ใช่การทำให้คำตอบดีขึ้นตั้งแต่แรก
RAG ได้รับความนิยมสำหรับการสร้างผู้ช่วย AI ที่ปรับให้เหมาะกับบริษัทเฉพาะ ทำให้โมเดลอเนกประสงค์สามารถตอบคำถามเกี่ยวกับเอกสารภายในได้โดยไม่ต้องเสียค่าใช้จ่ายมหาศาลในการฝึกโมเดลเฉพาะขึ้นใหม่ตั้งแต่ต้น
tech
ข้อได้เปรียบสำคัญของ AI แบบ 'บนอุปกรณ์' นี้คืออะไร?โมเดลแบบ 'Mixture of Experts' ทำเช่นนี้ได้อย่างไร?วัสดุฝึกที่ AI สร้างขึ้นนี้เรียกว่าอะไร?วิธีที่สอง คือการฝึกด้วยตัวอย่าง เรียกว่าอะไร?โดยทั่วไป 'ลายน้ำ' ของข้อความนี้ทำงานอย่างไร?เทคนิคการฝึกแบบนี้เรียกว่าอะไร?เทคนิคการบีบอัดนี้เรียกว่าอะไร?โมเดล AI ที่จัดการอินพุตหลายประเภทพร้อมกันเรียกว่าอะไร?บริษัทใดให้บริการโรโบแท็กซีเชิงพาณิชย์ไร้คนขับเต็มรูปแบบนี้?ในมาตรา SAE ที่รู้จักกันดี ตัวเลขระดับสูงสุดที่แทนการขับเคลื่อนอัตโนมัติเต็มรูปแบบคือเท่าใด?หุ่นยนต์ฮิวแมนนอยด์ที่เปิดตัวโดยผู้ผลิตรถยนต์เทสลามีชื่อว่าอะไร?บริษัทใดเป็นผู้บุกเบิกบริการส่งเวชภัณฑ์ด้วยโดรนนี้ในแอฟริกา?Quration — Quration Play