الذكاء الاصطناعي يحتاج إلى البيانات الجيدة، وليس فقط النماذج الكبيرة

لقد تغيرت الماجستير في إدارة الموارد البشرية بسرعة وسوف تفعل ذلك أسرع من معظمنا المتوقع. نحن نرى أنهم يفعلون الأشياء التي كانوا يشعرون أنها غير ممكنة قبل بضعة سنوات. ولكن خلف كل التحرك، لا يزال هناك تحديات كبيرة، وخاصة حول البيانات التي تدرب هذه النماذج.Sapienويقوم الرئيس التنفيذي روو ستون بتحقيق ما يفعله، ما يحتاج إلى إصلاح، وكيف يقترب سابين من المشكلة من البداية.

لقد تم تطوير نموذج اللغة الكبيرة في السنوات القليلة الماضية.كيف تقييم التقدم، وما هي المجالات التي يمكن تحسينها؟

ليس من المستبعد أن تطور التطورات في LLM قد شكلت بيئة الذكاء الاصطناعي اليوم. كانت التقدمات خلال السنوات الماضية مثيرة للجدل – لقد تم تحسينها بشكل كبير في القدرة على معالجة اللغات الطبيعية. ومع ذلك، يتطلب تدريب هذه النماذج كميات كبيرة من البيانات. إنها المنطقة التي، على الرغم من مساعدة الشركات الكثير، لا تزال تتطلب العمل. مجموعة محدودة من البيانات هي تحدٍّ. يمكن أن تقضي على النماذج من المعلومات التي تحتاجها لتعلم لتقديم الخدمات الفعالة والفعالة.

احتمالات تشديد التناقضات هي مشكلة حقيقية ، والتي يمكن أن تؤدي إلى تكرار النماذج والضعف في التحديث.

نحن ، في Sapien ، نناقش هذه التحدي في الجانب الأيسر. دقة ، التكلفة ، والخبرات - هذه الثلاثة هي قوائمنا. نحن نضمن أن البيانات التي تم جمعها لتدريب LLM هي ذات جودة عالية. لقد خلصنا إلى نظام حيث يمكن أن يتم تخصيص LLM مع ردود الفعل البشرية الخبيرة. عملية التوصية البشرية في الجانب تساعد على تقديم ردود الفعل في الوقت الحقيقي لجميع مجموعات البيانات التخصيصية لإنشاء النماذج الذكية الأكثر فعالية ومختلفة.

أنت تعتقد أن التدخلات الخبيرة البشرية تساعد على تحسين دقة LLM. هل يمكنك التفكير في المجالات الفعالة للتدخل؟

ونحن نعتقد أن التدخلات الخبيرة البشرية مهمة لتحسين دقة LLM ، وخاصة في المناطق التي تعلم الآلات غالبا ما تكون خفية. خبراء علامات البيانات النصائح لدينا تدعم مجموعة من تطبيقات معالجة اللغة الطبيعية.

للمراقبة على وسائل التواصل الاجتماعي، والعمليات العلاجية للمستخدمين، والقياسات على المنتجات، يمكن للإنسان أن يضيف رسائل نصية لمساعدة النماذج على اكتشاف الصوت والعاطفة بشكل أفضل.

تقييم العناوين والقرارات الرئيسية تساعد النماذج على تعلم كيفية التقييم بشكل دقيق. يمكن للمدربين الذكاء الاصطناعيين أيضًا تحديد أهداف المستخدمين من خلال تقييم تقييمات خدمة العملاء. بالإضافة إلى ذلك، فإنهم يضيفون FAQs، والموضوعات والموضوعات لتدريب أنظمة QA، وتقييم النص باللغات المختلفة لتطوير أدوات الترجمة الآلية الأكثر موثوقية.

وتتضمن هذه التدابير التي تديرها الخبراء تحسين بشكل مباشر دقة النماذج من خلال حل الفجوات والتصحيح من التناقضات وتقوية السياق.

تطوير الذكاء الاصطناعي الناجح يتطلب أيضًا فهمًا للصور.

نعم، نحن نعيش في عالم يسيطر عليه الضوء. في Sapien، نحن نناقش حالات استخدام الذكاء الاصطناعي على الصورة من خلال معالجة البيانات المرئية بطريقة أكثر تعقيداً ممكنة. فريق خبراء البيانات المرئية لدينا يدعم مجموعة واسعة من تطبيقات الرؤية الكمبيوترية. تضمين الخبرة المسجلة في منصة متقدمة وقطاع التكنولوجيا يساعدنا على تحمل أحدث نموذجات الذكاء الاصطناعي. نحن نحدد علامات المرور والمسارات والأشياء الأخرى لتطوير أنظمة السيارات الذكية ذاتية القيادة. نحن نحدد صور X-ray، MRI، والصور الميكروبيكية للتعرف على الأمراض وتشخيصها. نحن نساعد على تدريب الروبوتات على

في الآونة الأخيرة، نسمع الكثير عن اثنين من النماذج التكنولوجية المتقدمة - الترخيص والذكاء الاصطناعي - التي تساهم في تحقيق التوسع بشكل فعال.

لقد رأينا الشركات الكبيرة تتحول إلى محطات البيانات المترابطة التي تصل إلى مليارات الدولارات من الإيرادات عن طريق استخدام الملايين من الناس لإنشاء البيانات وتشكيلها لتغذية نموذجها - قد يبدو ذلك قابلًا للتنفيذ. ولكن مع النظر في الطلب على البيانات للذكاء الاصطناعي، سيخسر النماذج المترابطة.

هذا هو المكان الذي تتوافق فيه تنسيق وتكنولوجيا الذكاء الاصطناعي معها كأداة قوية.نقدتنا تتميز في وسط كل ذلك.نحن نمتلك نموذجًا ذكيًا يستخدمه الإنسان الذي يتوافق مع نموذجات الذكاء الاصطناعي للشركات مع شبكة تنسيقية من العاملين في الذكاء الاصطناعي الذين يحصلون على مكافأة لإنتاج البيانات من هاتفهم الذكي.نموذج التنسيق يساعدنا على تحقيق التوسع، والحفاظ على الجودة، وتوفير مكافآت على سلسلة، وبناء عملية مثيرة من التفاعلات عبر الألعاب.نستخدم مكافآت على سلسلة لتعزيز الجودة تلقائيًا.

وأخيرًا، يضمن تقييم البيانات أن يكون التقييم مزعجًا، مثيرًا للاهتمام، تنافسيًا، وممتازًا على الفور.هذا هو وجود جميع هذه العوامل التي قد تساعدنا على النمو كبرنامج مع مجموعة عالمية من موظفي الذكاء الاصطناعي المختلفة، مما يقلل من التناقضات المحلية وتقديم البيانات ذات جودة أعلى.

تم كتابة هذه القصة تحت برنامج HackerNoon Business Blogging Program.