课程: 生成式 AI vs. 传统 AI
今天就开通帐号，24,000 门业界名师课程任您挑！
提示工程
新的预测式 AI 系统遇到的挑战之一是， 它与生成式 AI 系统有一些重叠。 可以这样想， 假如你是一家大型信用卡公司的产品经理。 公司已经创建了一个预测式 AI 系统， 来识别欺诈交易。 这是一个通过标记数据训练的人工神经网络。 还记得吗？这种系统使用的是监督学习， 所以计算机科学家， 使用标记过的欺诈数据来训练系统。 然后这个人工神经网络， 把每笔交易分为欺诈交易和安全交易。 现在，公司想要使用生成式 AI， 来做同样的事情。 这时，就需要创建一个基础模型。 这个模型使用无监督学习， 浏览万亿字节的非结构化数据。 而且这个新模型将会分析各种数据， 除了数十亿笔信用卡交易之外， 还包括信用评分、财务历史、薪资信息、 区域房价稳定性和其他相关因素。 所以在某种意义上， 你在对这个模型进行预训练， 以便它能够从这些财务数据中寻找模式。 记得吗？ 这就是使用千亿字节文本数据 预训练 ChatGPT 的方法。 这种方法让它发现了数十亿种不同模式。 这个基础模型比预测式人工神经网络， 更加灵活， 但是这种灵活性伴随着巨大的数据需求。 另外， 从这些数据中创造出一个可用的基础模型， 也需要更多的算力。 一旦有了这样的模型， 就可以做下面这几件事： 开展提示工程， 就是编写特定的提示， 来从模型中得出想要的结果。 在这个例子中，提示可能很简单， 像是“这是欺诈交易吗？” 计算机科学家们可以重新调整这个基础模型， 让它像预测模型一样对交易进行分类。 还可以使用与预测模型相同的少量标记数据， 来重新调整这个基础模型，以寻找欺诈行为。 实际上，这也是创建基础模型的好处之一。 这个模型可以根据需要进行定制， 来减少欺诈，提供贷款建议，推广信用卡优惠 及其他信用卡公司需要的业务。 我们不需要为每个任务， 都重新创建一个 用标注数据训练的预测式人工神经网络。 产品经理需要做的是尽可能多地收集数据， 并找到增加计算资源可用性的方法。 如果可以创建一个可用的基础模型， 那么这个新系统， 就可能会成为 AI 系统的核心。 它应该能完成多项任务， 包括传统分类任务， 而这种任务通常留给早期的预测模型来完成。
下载课程离线学习
下载课程到移动设备，轻松离线学习。在领英学习 iOS 或安卓版 APP 下载课程