एलएलएमच्या आत काय आहे? स्त्रोत स्त्रोत अनुसरण करेल

प्रशिक्षण डेटासह ग्रँड लँग्वेज फॉर्म (एलएलएम) कसे हे एक रहस्यमय आणि आयटी फाउंडेशनला कसे आव्हान आहे हे समजून घेणे.

या आठवड्यात अ‍ॅलन इन्स्टिट्यूट ऑफ द स्लीपिंग ऑर्गनायझेशन (एआय 2) ने सुरू केलेल्या नवीन मुक्त स्त्रोताच्या प्रयत्नाचे उद्दीष्ट एलएलएम आउटपुटचा प्रशिक्षण प्रशिक्षण इनपुटवर ट्रॅक करून हे आव्हान सोडविण्यात मदत करणे आहे. वापरकर्त्यांसाठी अल्मोट्रेस टूल भाषेच्या मॉडेलच्या हल्ले पुन्हा थेट मूळ प्रशिक्षण डेटावर ट्रॅक करण्यास अनुमती देते, एआयचा अवलंब करण्यास प्रतिबंधित करणार्‍या सर्वात महत्वाच्या अडथळ्यांपैकी एकावर प्रक्रिया करते: कृत्रिम बुद्धिमत्ता प्रणाली कशी घ्यावी याबद्दल पारदर्शकतेचा अभाव.

ओल्मो एक संक्षेप आहे ओपन लँग्वेज मॉडेलसाठी, जे एलएलएमएस ओपन ध्वनीचे एआय 2 कुटुंब देखील आहे. कंपनीच्या एआय 2 स्टेडियम वेबसाइटवर, अलीकडेच प्रसिद्ध झालेल्या ओएलएमओ 2 बीसह वापरकर्ते ओल्मोट्रेसचा अनुभव घेऊ शकतात. ओपन सोर्स कोड गीथबवर देखील उपलब्ध आहे आणि आहे वापरण्यासाठी कोणालाही उपलब्ध.

आत्मविश्वासाच्या अंशांवर किंवा पुनर्प्राप्तीच्या पिढीवर लक्ष केंद्रित करणार्‍या सध्याच्या पद्धतींच्या विपरीत, ओल्मोत्रा ​​मॉडेलचे आउटपुट आणि त्याने तयार केलेल्या कोट्यावधी खर्चाच्या किंमतींच्या किंमती दरम्यानच्या संबंधात थेट विंडो प्रदान करते.

व्हेंचरबीटचे एआय 2 संशोधक जेशेंग लिओ म्हणाले, “भाषेचे मॉडेल ते करत असलेल्या प्रतिक्रिया का तयार करतात हे समजण्यास मदत करणे हे आमचे ध्येय आहे.”

ओल्मोट्रेस कसे कार्य करते: फक्त कोटपेक्षा अधिक

हे वेबवर शोध फंक्शन्ससह एलएलएम प्रदान करू शकते, जसे की गोंधळ किंवा CHATGPT, स्त्रोत शहादत. तथापि, या श्रेणी ओल्मोत्रा ​​जे करतात त्यापेक्षा पूर्णपणे भिन्न आहेत.

लिऊ यांनी स्पष्ट केले की गोंधळात टाकणारे संशोधन आणि चॅटजीपीटी संशोधन पुनर्प्राप्ती पिढी (आरएजी) वापरतात. आरएजी सह, मॉडेलमध्ये प्रशिक्षित होण्यापेक्षा अधिक स्त्रोत प्रदान करून निर्मितीच्या गुणवत्तेत सुधारणा करणे हा आहे. ओल्मोट्रेस बदलते कारण ते कोणत्याही बाह्य स्रोत किंवा कागदपत्रांशिवाय समान स्वरूपाचे आउटपुट ट्रॅक करते.

तंत्रज्ञान मॉडेल आउटपुटमध्ये एक दीर्घ आणि अनन्य अनुक्रम निर्धारित करते आणि प्रशिक्षण गटाच्या विशिष्ट दस्तऐवजांसह जुळते. एखादा सामना शोधताना, ओल्मोत्रा ​​संबंधित मजकूर हायलाइट करतो आणि मूळ स्त्रोत सामग्रीचे दुवे प्रदान करतो, ज्यामुळे वापरकर्त्यांना तो वापरलेली माहिती कोठे आणि कशी शिकते हे कळू देते.

आत्मविश्वासाच्या डिग्रीच्या पलीकडे: कृत्रिम बुद्धिमत्तेवरून निर्णय घेण्याचे ठोस पुरावे

डिझाइनवर अवलंबून, एलएलएम ठराविक वजनाच्या आधारे आउटपुट तयार करतात जे आत्मविश्वासाची डिग्री प्रदान करण्यात मदत करतात. मूलभूत कल्पना अशी आहे की आत्मविश्वासाची डिग्री जितकी जास्त असेल तितकी आउटपुटची अचूकता जास्त असेल.

लिऊच्या दृष्टिकोनातून, आत्मविश्वासाची डिग्री मूलत: सदोष आहे.

लिऊ म्हणाले: “आपण तयार केलेल्या गोष्टींवर मॉडेल्सचा आत्मविश्वास असू शकतो आणि जर आपण त्यांना पदवी तयार करण्यास सांगितले तर हे सहसा वाढलेले असते.” “हेच शैक्षणिक कॅलिब्रेशनमध्ये एक चूक आहे – आत्मविश्वास ज्यामध्ये मॉडेलचे आउटपुट त्यांच्या प्रतिक्रियांची अचूकता प्रतिबिंबित करत नाही.”

इतर संभाव्य दिशाभूल करणा result ्या परिणामाऐवजी ओल्मोत्रा ​​मॉडेलच्या शिकण्याच्या स्त्रोताचा थेट पुरावा प्रदान करतो, ज्यामुळे वापरकर्त्यांना त्यांचे प्रबुद्ध निर्णय जारी करता येतात.

“ओल्मोट्रेस हे मॉडेल आउटपुट आणि प्रशिक्षण दस्तऐवजांमधील सामने दर्शविणे आहे,” लिओ. “इंटरफेसद्वारे, आपण थेट जुळणारे बिंदू कोठे आहेत आणि मॉडेलचे आउटपुट प्रशिक्षण दस्तऐवजांशी कसे जुळतात हे आपण थेट पाहू शकता.”

ओल्मोट्रेसची तुलना इतर पारदर्शकता दृष्टिकोनाशी कशी करावी

एलएलएम कसे तयार करावे याबद्दल अधिक चांगले समजून घेण्यासाठी एआय 2 एकटा नाही. अंटारबरने अलीकडेच या प्रकरणात तिचे स्वतःचे संशोधन प्रसिद्ध केले. या संशोधनात डेटा समजण्याऐवजी ठराविक अंतर्गत प्रक्रियेवर लक्ष केंद्रित केले गेले.

“आम्ही त्यांच्याकडे वेगळ्या दृष्टिकोनाचे अनुसरण करीत आहोत,” लिऊ म्हणाले. “आम्ही टिपिकल न्यूरॉन्स आणि अंतर्गत मंडळे या प्रकारच्या गोष्टींचा मागोवा घेण्याऐवजी त्यांच्या प्रशिक्षण डेटावर, त्यांच्या प्रशिक्षण डेटावर थेट ट्रॅक करतो.”

हा दृष्टिकोन ऑल्मोत्राला संस्था अनुप्रयोगांसाठी त्वरित उपयुक्त ठरतो, कारण परिणामांचे स्पष्टीकरण देण्यासाठी मज्जातंतू नेटवर्कच्या संरचनेत सखोल अनुभवाची आवश्यकता नसते.

फाउंडेशनसाठी एआय अनुप्रयोगः संघटनात्मक अनुपालन पासून ठराविक त्रुटी दुरुस्त करण्यापर्यंत

आरोग्य सेवा, वित्तपुरवठा किंवा कायदेशीर सेवा यासारख्या संघटित उद्योगांमध्ये कृत्रिम बुद्धिमत्ता पसरविणार्‍या संस्थांसाठी ओल्मोट्रेस सध्याच्या ब्लॅक फंड सिस्टमवर चांगले फायदे देते.

“आमचा विश्वास आहे की ओल्मोत्रा ​​व्यवसाय आणि व्यवसाय वापरकर्त्यांना मॉडेल्सच्या प्रशिक्षणात काय वापरले जाते हे समजून घेण्यास मदत करेल जेणेकरून जेव्हा त्यांना ते तयार करायचे असेल तेव्हा त्यांना अधिक आत्मविश्वास वाढेल,” लिऊ म्हणाले. “यामुळे त्यांच्या मॉडेल्समधील पारदर्शकता आणि आत्मविश्वास वाढू शकेल तसेच त्यांच्या विशिष्ट वर्तनांसाठी.”

तंत्रज्ञान फाउंडेशन एआय संघांसाठी अनेक महत्त्वपूर्ण क्षमता प्रदान करते:

• मूळ स्त्रोतांविरूद्ध वास्तविकता -वास्तविकता फॉर्मचे आउटपुट
• भ्रमांची उत्पत्ती समजून घेणे
• समस्याप्रधान नमुने ओळखून त्रुटी सुधारणे सुधारणे
• डेटा ट्रॅक करून संघटनात्मक अनुपालन वाढविणे
• पारदर्शकता वाढवून भागधारकांशी आत्मविश्वास वाढवणे

एआय 2 टीमने त्यांच्या मॉडेलच्या समस्या ओळखण्यासाठी आणि दुरुस्त करण्यासाठी आधीपासूनच ओल्मोट्रेसचा वापर केला आहे.

“आम्ही आमचा प्रशिक्षण डेटा सुधारण्यासाठी आधीपासूनच वापरत आहोत,” लिऊ प्रकट करतात. “जेव्हा आम्ही ओल्मो 2 बांधले आणि आम्ही ओल्मोट्रेसच्या माध्यमातून प्रशिक्षण सुरू केले तेव्हा आम्हाला आढळले की काही पोस्ट -ट्रेडिंग डेटा प्रत्यक्षात चांगला नव्हता.”

एआय वर अवलंबून राहणे याचा अर्थ काय आहे?

कृत्रिम बुद्धिमत्तेचा अवलंब करण्याच्या मार्गाचे नेतृत्व करण्याच्या प्रयत्नात असलेल्या संस्थांसाठी, ओल्मोट्रेस जबाबदार असण्याची शक्यता असलेल्या संस्थांसाठी एआय सिस्टमच्या दिशेने एक महत्त्वपूर्ण पाऊल दर्शविते. हे तंत्रज्ञान ओपन सोर्स अपाचे २.० परवान्याअंतर्गत उपलब्ध आहे, याचा अर्थ असा आहे की कोणत्याही संस्थेला त्याच्या मॉडेल प्रशिक्षण डेटामध्ये प्रवेश आहे जो समान ट्रॅकिंग क्षमता अंमलात आणू शकतो.

“आपल्याकडे मॉडेलसाठी प्रशिक्षण डेटा जोपर्यंत आहे तोपर्यंत ओल्मोट्रेस कोणत्याही मॉडेलवर कार्य करू शकते,” लियू नोट्स. “पूर्णपणे खुल्या मॉडेलसाठी जिथे प्रत्येकजण स्वरूपित डेटा डेटामध्ये प्रवेश करू शकतो, कोणीही या मॉडेलसाठी आणि मक्तेदारी टोमॅटोसाठी ओल्मोट्रेस तयार करू शकतो, काही सेवा प्रदात्यांना त्यांचा डेटा जारी करण्याची इच्छा असू शकत नाही आणि ते हे ओल्मोट्रेस अंतर्गतरित्या देखील करू शकतात.”

जगातील कृत्रिम बुद्धिमत्ता गव्हर्नन्स फ्रेमवर्कच्या निरंतर विकासामुळे, हे ओल्मोत्रासारख्या साधने बनण्याची शक्यता आहे जी संस्थेच्या एआयच्या एआयच्या मूलभूत घटकांची पडताळणी आणि ऑडिट करण्यास परवानगी देते, विशेषत: संघटित उद्योगांमध्ये जेथे अल्गोरिदम पारदर्शकता वाढत आहे.

तंत्रज्ञ निर्णयासाठी -कृत्रिम बुद्धिमत्ता स्वीकारण्याचे फायदे आणि जोखीम वजन करणारे निर्माते, ऑलमोट्रेस मोठ्या भाषेच्या मॉडेल्सच्या सामर्थ्याने बलिदान न देता आत्मविश्वास आणि अर्थ लावण्यायोग्य कृत्रिम बुद्धिमत्ता प्रणालीची अंमलबजावणी करण्याचा एक व्यावहारिक मार्ग प्रदान करते.