مصدر الصورة: تم إنشاؤه بواسطة الذكاء الاصطناعي غير محدود
لقد مرت 8 أشهر منذ اليوم الذي اندلعت فيه ChatGPT.
في 8 أشهر ، ظهرت العديد من النماذج الكبيرة في الصين واستمرت في اختراق سيناريوهات الصناعة المختلفة بسرعة كبيرة. ولكن حتى الآن ، لم تكن هناك سيناريوهات أو صناعات تم تخريبها حقا بواسطة النماذج الكبيرة.
تشير الإحصاءات إلى أنه في تطبيق النماذج الكبيرة ، 45٪ من الشركات في مرحلة الانتظار والترقب ، و 39٪ من الشركات في مرحلة الاستكشاف ودراسة الجدوى ، و 16٪ من الشركات في مرحلة التطبيق التجريبي ، والشركات ذات التطبيق الكامل صفر. **
سؤال يستحق المشاهدة هو ، ما هو التقدم المحرز في تنفيذ النماذج الكبيرة في الأراضي الصينية اليوم؟
** نموذج كبير للهبوط ، التمويل ، الطاقة أولا **
"الرجاء مساعدتي في التحقق من استخدامي للكهرباء في أغسطس من هذا العام ، وفي أي يوم سأستخدم أكبر قدر من الكهرباء؟" ساعدني في اكتشاف أي عيوب في هذه الصورة "... على منصة ابتكار الذكاء الاصطناعي الجنوبية ، من خلال التفاعل اللغوي ، يتم عرض جزء من البيانات أمامك بوضوح.
على هذا النظام الأساسي ، يمكن للعاملين في صناعة الطاقة إصدار تعليمات لنموذج الطاقة ، بحيث يمكنه إنشاء نتائج معالجة البيانات تلقائيا ، وتحديد تفاصيل صورة مشاهد العيوب بدقة ، ومساعدة الموظفين على استرداد البيانات ومعالجتها في عملية فحص الطاقة.
في الوقت الحاضر ، في مجال خدمة العملاء لشبكة الطاقة الجنوبية الصينية ، يمكن حل 60٪ من المشكلات عالية التردد بواسطة نموذج الطاقة ، ونموذج الطاقة أفضل من اليدوي في تحديد تقلبات مشاعر العملاء.
بالإضافة إلى ذلك ، في مجال نقل الطاقة وتوزيعها ، يتمتع نموذج الطاقة ** بالقدرة على معالجة 100 صورة مشكلة في الدقيقة ، ويمكنه أيضا تحديد 20 نوعا من العيوب في نفس الوقت ، وكفاءة التعرف هي 10 أضعاف خوارزميات الذكاء الاصطناعي التقليدية. **
في مجال إرسال الطاقة ، يمكن أن يساعد نموذج الطاقة قسم الإرسال على إنشاء خطط التخلص بسرعة وتلقائيا للظروف غير الطبيعية في شبكة الطاقة ، والاستجابة لمتطلبات تنظيم سوق الطاقة في الوقت المناسب ، مما يجعل الخطط أكثر أمانا وكفاءة وأقل تكلفة.
هذا نموذج مصغر لتنفيذ نماذج كبيرة في مجال الطاقة.
من المفهوم أن بعض مصنعي الطاقة الرائدين قد بدأوا التعاون مع شركات التكنولوجيا في تطبيق النماذج الكبيرة ، لا سيما في مجال شبكات الطاقة والمناجم ، وتشكيل بعض العروض التجريبية الأولية ، مثل جدولة شبكة الطاقة ، والتحقيق في العيوب / الأعطال ، ومراقبة تشغيل مناجم الفحم وغيرها من السيناريوهات.
بالإضافة إلى مجال الطاقة ، يعد المجال المالي أيضا أحد أكبر سيناريوهات الهبوط للنماذج الكبيرة. **
في تقرير صادر عن iAnalytics ، تم إدراج الطاقة والخدمات المصرفية أيضا كصناعتين مع أسرع تقدم في تنفيذ النماذج الكبيرة.
يمكن أيضا رؤية النطاق الواسع للتنفيذ في المجال المالي من عدد النماذج الكبيرة وديناميكيات المؤسسة. وفقا لمجموعة من البيانات ، اعتبارا من أغسطس ، كان عدد النماذج الكبيرة ذات المعايير المحلية فوق 1 مليار يصل إلى 116 ، منها حوالي 18 نموذجا كبيرا في الصناعة المالية. **
بالإضافة إلى ذلك ، في التقرير نصف السنوي ، اقترحت تسعة بنوك ، بما في ذلك البنك الصناعي والتجاري الصيني ، والبنك الزراعي الصيني ، وبنك الصين ، وبنك الاتصالات ، وبنك التجار الصيني ، وبنك CITIC الصيني ، والبنك الصناعي ، وبنك هواشيا ، وبنك Zheshang ، بوضوح استكشاف تطبيق النماذج الكبيرة.
على جانب الشركات المصنعة للنماذج على نطاق واسع ، يعكس إصدار بعض نماذج الصناعة المكثفة أيضا سخونة تنفيذ السيناريوهات المالية.
على سبيل المثال، في أواخر مايو، أصدرت دو شياومان النموذج الصيني "Xuanyuan" على مستوى 100 مليار؛ في يونيو، تعاونت تينسنت كلاود مع DCIS لتنفيذ تعاون النموذج المالي، وأطلق البنك الزراعي الصيني تطبيق نموذج كبير يشبه ChatGPT ChatABC، وأصدر البنك الصناعي والتجاري الصيني نموذجا عاما للصناعة المالية يعتمد على Ascend الذكاء الاصطناعي.
من يوليو إلى أغسطس ، مع التنفيذ الرسمي ل "التدابير المؤقتة لإدارة خدمات الذكاء الاصطناعي التوليدية" ، أصدرت العديد من الشركات ، بما في ذلك Tencent و Baidu و iFLYTEK و Huawei و ByteDance وغيرها من الشركات ، على التوالي أحدث تقدم في النموذج على نطاق واسع ؛ في سبتمبر ، أصدرت Ant Group رسميا نموذجها المالي و CodeFuse مفتوح المصدر ، وهو عبارة عن منصة برمجة الذكاء الاصطناعي توليدية.
** المجال المالي هو بلا شك أحد أكثر السيناريوهات لهبوط النماذج الكبيرة. **
سواء كان ذلك في مجال الطاقة أو المجال المالي ، فإن السبب في أن الأول يمكن أن يحقق الهبوط الرائد للنماذج الكبيرة ينبع من بعض القواسم المشتركة بين هاتين الصناعتين. **
بادئ ذي بدء ، تعد صناعات الطاقة والبنوك صناعات موجهة نحو البيانات بشكل كبير ، مع أساس جيد للبيانات وبيئة رقمية ، والتي توفر ظروفا مواتية للتدريب وتطبيق النماذج الكبيرة. **
ثانيا ، لدى كلتا الصناعتين عدد كبير من احتياجات معالجة البيانات وصنع القرار ، ويمكن أن تساعد تقنيات التعلم الآلي والتعلم العميق على نطاق واسع الصناعة في حل هذه المشكلات وتحسين كفاءة ودقة صنع القرار.
بالإضافة إلى ذلك ، فإن نموذج الأعمال في صناعة الطاقة والبنوك ناضج نسبيا وله قيمة تجارية عالية ، وبالتالي فإن الطلب على تكنولوجيا النماذج الكبيرة في هذه الصناعات كبير نسبيا أيضا ، وبالتالي تعزيز تطبيق النماذج الكبيرة.
يمكن ملاحظة أن الصناعتين الرئيسيتين للطاقة والبنوك سريعتان نسبيا في تنفيذ النماذج الكبيرة ، ويرجع ذلك أساسا إلى التأثير الشامل للعديد من العوامل مثل أساس البيانات الجيد ، والطلب الفني الكبير ، والقيمة التجارية العالية. **
تجدر الإشارة إلى أنه حتى في سيناريوهين للهبوط للتمويل والطاقة ، لا تزال هناك بعض المشاكل التي يصعب التغلب عليها بالنسبة للنماذج الكبيرة.
2 عدم تلبية قيمة المشهد المتوقعة
في الصناعة المالية ، يعد التسويق والتحكم في المخاطر والتشغيل اتجاهات تطبيق النماذج الكبيرة التي توليها العديد من البنوك مزيدا من الاهتمام.
من بينها ، مساعد الأسئلة والأجوبة الذكي ، وخدمة العملاء الذكية ، والتوليد التلقائي للصور التسويقية ، وكتابة تقارير ما بعد القرض هي التقسيمات الفرعية التي يتم ترتيبها بنشاط بين البنوك والمؤسسات المالية الأخرى. ومع ذلك ، في الوقت الحاضر ، فإن قيمة السيناريوهات التوليدية مثل مساعد الأسئلة والأجوبة الذكي وخدمة العملاء الذكية والتوليد التلقائي للصور التسويقية هي نفسها تقريبا كما هو متوقع ، ولكن لا تزال هناك فجوة بين الآثار المتوقعة والفعلية لتنفيذ النماذج الكبيرة في صنع القرار وسيناريوهات التطبيق الأصلية مثل إيقاظ العملاء النائمين وقاعات الأعمال الرقمية.
على سبيل المثال ، في سيناريو خدمة العملاء الذكية ، في الماضي ، كان هناك عدد قليل من بنوك أسئلة السجال الذكية وتفتقر إلى الصلة. في الوقت الحاضر ، يمكن أن يؤدي إنتاج بنوك الأسئلة المخصصة بناء على نماذج كبيرة إلى تقصير دورة التدريب ، وفي التوليد التلقائي للصور التسويقية ، اعتاد المصممون الاختيار والتصميم في مكتبة المواد ، ولكن يمكنهم الآن استخدام Midjourney للإنشاء تلقائيا ، مما يمكن أن يقلل من تكاليف حقوق النشر وتكاليف العمالة.
في حالة إيقاظ العملاء النائمين وتوقع قيمة سيناريو قاعة الأعمال الرقمية ، يستخدم الأول نموذجا كبيرا لإنشاء استراتيجية تلقائيا ، والتي يمكن أن تحقق استراتيجية شاملة لتحسين تأثير الاستيقاظ. يساعد الإنسان الرقمي المدعوم من النموذج الكبير الأخير العملاء على التعامل مع الأعمال ، ويوصي بالمنتجات لإكمال المعاملات ، ويمكنه تحقيق قنوات جديدة مستقلة عن التطبيق.
غير أن قيمة التطبيق العملي لهذين السيناريوهين غير معروفة في الوقت الحاضر. **
تطبيق النماذج واسعة النطاق في صناعة الطاقة مشابه أيضا.
في صناعة الطاقة ، فإن قيمة التطبيقات التوليدية مثل تشغيل المعدات ومساعدي المعرفة بالتفتيش وخدمة العملاء الذكية هي نفسها تقريبا كما هو متوقع. ومع ذلك ، في سيناريوهات مثل وثائق الصيانة وإصلاح أعطال المعدات والتنبؤ بحمل الطاقة ، لا تزال القيمة الفعلية للسيناريو غير معروفة. **
على وجه التحديد ، في سيناريو مساعد معرفة تشغيل المعدات والتفتيش ، تم بناء قاعدة معرفية منظمة تعتمد على تقنية البرمجة اللغوية العصبية في الماضي ، وبمباركة نموذج كبير ، يمكن بناء مساعد التشغيل والتفتيش بدعم من نموذج كبير لتحسين الكفاءة ، وفي سيناريو خدمة العملاء الذكية ، تم استخدام خدمة عملاء ذكية تعتمد على نموذج بيرت في الماضي ، والآن يتم تحسين تجربة المستخدم لخدمة العملاء الذكية باستخدام نموذج كبير ، والذي يمكن أن يحقق فهما أكثر دقة للنوايا ، ولغة مجسمة أكثر ، وتجربة مستخدم محسنة.
في سيناريوهات إنشاء مستندات الصيانة ، وصيانة أعطال المعدات ، والتنبؤ بحمل الطاقة ، تتمثل قيمة النموذج الكبير في إنشاء المستندات بسرعة وتلقائيا لتحسين الكفاءة ، ويمكن للنموذج الكبير تحديد سبب الخطأ بسرعة وتقديم اقتراحات وحلول الصيانة ، ودمج المزيد من العوامل المؤثرة للتنبؤ بالحمل في الوقت الفعلي لتحسين دقة التنبؤ.
ومع ذلك ، في الوقت الحاضر ، لم تعرف بعد قيمة النماذج الكبيرة في هذه السيناريوهات ، ولا تزال بحاجة إلى وقت لاستكشافها. ** يمكن العثور على أنه سواء كانت الصناعة المالية أو صناعة الطاقة ، فإن سيناريو التوليد سريع الهبوط وله العديد من التطبيقات ، في حين أن سيناريو صنع القرار أبطأ وأكثر صعوبة في الهبوط ، وهناك تطبيقات أقل. **
في الوقت الحاضر ، لا يزال تنفيذ النموذج ** الكبير في مرحلة التطبيق التجريبي ولم يتم إطلاقه بالكامل. **
كما ذكر أعلاه ، تم تنفيذ الذكاء الاصطناعي تطبيقات نموذجية كبيرة في الصناعة المالية ، مثل الأسئلة والأجوبة الذكية ، وخدمة العملاء الذكية ، وقاعات الأعمال الرقمية ، وإنشاء تقارير ما بعد القرض ، وإيقاظ العملاء النائمين ، وتوصية المنتجات المالية ، تدريجيا ، وخدمة العملاء الذكية ، وتشغيل المعدات ومساعدي المعرفة التفتيش ، وتوليد وثائق الصيانة ، ومنصات محاكاة نظام الطاقة ، والتنبؤ بحمل الطاقة في صناعة الطاقة.
ومع ذلك ، لا تزال تجارة التجزئة للسلع الاستهلاكية والأوراق المالية ووسائل الإعلام في مرحلة الاستكشاف ، في حين أن شركات التصنيع والأدوية لا تزال في مرحلة الانتظار والترقب.
يمكن ملاحظة أنه على الرغم من أن تنفيذ النموذج الكبير أكثر تفاؤلا في الاتساع ، إلا أنه أكثر صعوبة في العمق.
يعتمد عمق النموذج الكبير على قدراته وحجمه وموارد الحوسبة وجودة البيانات ومعرفة المجال وما إلى ذلك. ومع ذلك ، بالنسبة للنموذج المحلي الحالي ، فهو في مرحلة مبكرة من التطوير ، ولا تزال العديد من المرافق والقدرات تتحسن تدريجيا. **
محدودة بعوامل مثل قدرات النموذج وتأثيرات التطبيق ، يعتمد تطبيق الهبوط الحالي بشكل أساسي على سيناريوهات التوليد. **
يختلف النموذج التوليدي عن نموذج صنع القرار ، ويستخدم بشكل أساسي في مجالات إنشاء النصوص ، ونظام الحوار ، وترجمة اللغة ، وما إلى ذلك ، ويمكنه توليد مخرجات نصية عالية الجودة من خلال تحليل كمية كبيرة من البيانات النصية لمعرفة قواعد التوليد والعلاقات الدلالية الداخلية للنصوص. تشمل النماذج التمثيلية للنماذج الكبيرة التوليدية سلسلة GPT من OpenAI و Wenxin Yiyan من Baidu.
تستخدم نماذج صنع القرار بشكل أساسي في أنظمة التوصية والتعلم المعزز وغيرها من المجالات ، وعادة ما تحتوي البيانات التي تحتاج إلى معالجة على متغيرات عددية مستمرة ، ومن الضروري اتخاذ القرارات أو التنبؤ بالسلوكيات المستقبلية. تشمل النماذج التمثيلية لنماذج صنع القرار سلسلة AlphaZero من DeepMind و Dota2 الذكاء الاصطناعي من OpenAI.
بالمقارنة مع نموذج صنع القرار ، فإن النموذج التوليدي هو أولا وقبل كل شيء في نظام توليد النص والحوار ، ويمكن جمع البيانات وتنظيمها من خلال عدد كبير من مجموعات النصوص ، بينما في نظام التوصية والتعلم المعزز ، تحتاج البيانات عادة إلى التصميم والبناء يدويا ، وهو أمر معقد نسبيا.
ثانيا، كان البحث في مجالات توليد النصوص وأنظمة الحوار ناضجا نسبيا، وهناك العديد من الخوارزميات والأطر الجاهزة التي يمكن استخدامها، بينما تحتاج مجالات أنظمة التوصية والتعلم المعزز إلى مزيد من الاستكشاف والبحث.
بالإضافة إلى ذلك ، هناك مجموعة واسعة من سيناريوهات التطبيق في مجالات مثل إنشاء النصوص وأنظمة الحوار ، مثل محركات البحث وروبوتات الدردشة والكتابة التلقائية وما إلى ذلك ، بينما تستخدم أنظمة التوصية والتعلم المعزز بشكل أساسي في التجارة الإلكترونية والإعلان والألعاب وغيرها من المجالات.
إنها حقيقة أنه على الرغم من استخدام السيناريوهات التوليدية على نطاق واسع ، فإن سيناريوهات صنع القرار التنبؤية هي سيناريوهات عالية القيمة في المستقبل. سواء كان موردا نموذجيا كبيرا أو مؤسسة ، إذا كنت ترغب في تحسين قيمة الأعمال بناء على قدرات النموذج الكبيرة ، فإن الأخير هو اتجاه الجهود. **
**4 في سيناريو الصناعة ، دعونا نلقي نظرة على نموذج الذكاء الاصطناعي **
** يتطلب هبوط نموذج كبير أولا اختيار الحقول والسيناريوهات المناسبة. تتمتع السيناريوهات في هذا المجال بقدرات رقمية قوية وأسس رقمية. **
على سبيل المثال ، في مجال خدمة العملاء الذكية ، يمكن اعتبار النماذج الكبيرة لسيناريوهات مثل أنظمة الأسئلة الشائعة وروبوتات الدردشة. في مجال التوصية الإعلانية ، يمكن تطبيقه على سيناريوهات مثل التوصيات الشخصية على منصات التجارة الإلكترونية ؛ في مجال مراقبة الرأي العام ، يمكن تطبيقه على سيناريوهات مثل تصنيف المحتوى وتحليل المشاعر في وسائل الإعلام.
ثانيا ، يجب أن يكون لها قدرة نموذج عالية وتأثير تطبيق. من منظور المسار الرئيسي لمستخدمي المؤسسة الحاليين لتنفيذ النموذج الكبير ، ينصب تركيز مؤسسات المجموعة على بناء قدرات النماذج الكبيرة ، وينصب تركيز المؤسسات / الإدارات العامة على استكشاف سيناريوهات التطبيق. ينقسم بناء قدرات النموذج الكبير إلى ثلاثة مستويات: بناء البنية التحتية ، والتدريب على النماذج الكبيرة ، وتطبيق النموذج الكبير.
تجدر الإشارة إلى أنه في الوقت الحاضر ، ينقسم اتجاه تطبيق النماذج الكبيرة بشكل أساسي إلى نوعين: أولا ، النماذج الصغيرة هي الدعامة الأساسية ، والنماذج الكبيرة تعمل على تحسين كفاءة تطوير النماذج الصغيرة ؛ **
ومع ذلك ، فإن مسار الهبوط هذا يحد من قدرات النموذج.
من أجل تعزيز عمق هبوط النموذج على نطاق واسع ، يحتاج موردو النماذج والمؤسسات على نطاق واسع إلى مواصلة استكشاف القدرات ونماذج التعاون. **
أصبحت بعض المسارات لتعميق هبوط النماذج الكبيرة واضحة تدريجيا.
في المستقبل ، مع التطوير المستمر وتعميم تكنولوجيا النماذج واسعة النطاق ، سيصبح تطبيق سلسلة النماذج أكثر شمولا.
على سبيل المثال ، يمكن دمج نماذج كبيرة متعددة وتسلسلها لتحقيق سيناريوهات تطبيق أكثر تعقيدا ودقة مثل التعرف على الكلام والتعرف على الصور ومعالجة اللغة الطبيعية. في الوقت نفسه ، يمكن أيضا تعاقب النماذج الكبيرة والنماذج الصغيرة لإفساح المجال كاملا لمزايا كل منها وتحسين أداء النموذج وقدرته على التعميم.
بناء على ذلك ، يتم توسيع عمق تطبيق النماذج الكبيرة ، ويتم تسريع تطبيق سيناريوهات صنع القرار في مختلف المجالات.
ثانيا ، الصناعات المختلفة لها احتياجات محددة مختلفة ، وتحتاج النماذج الكبيرة إلى التطوير في اتجاه أكثر تخصيصا في المستقبل. من خلال تدريب الشركات الخاصة بالصناعة ، يمكن للنماذج الكبيرة أن تتكيف بشكل أفضل مع سيناريوهات التطبيق الفعلية لمختلف الصناعات.
ثانيا ، من أجل تلبية متطلبات الكفاءة والموارد بشكل أفضل في التطبيقات العملية ، يجب تطوير نماذج كبيرة في اتجاه أن تكون أكثر خفة الوزن. يمكن لتقنيات مثل ضغط النموذج وتقليمه تقليل حجم واستهلاك موارد الحوسبة للنموذج مع ضمان أداء النموذج.
بالإضافة إلى ذلك ، مع تزايد أهمية قضايا حماية خصوصية البيانات ، تحتاج النماذج الكبيرة إلى إيلاء المزيد من الاهتمام لأمن البيانات وحماية الخصوصية.
أصبح التخصيص وخفة الوزن وأمن البيانات للنموذج عوامل مهمة لتنفيذه.
حقق تطبيق نموذج الذكاء الاصطناعي الصيني سلسلة من الإنجازات في مجالات خدمة العملاء الذكية والتوصية الإعلانية ومراقبة الرأي العام. ومع ذلك ، ** يواجه أيضا العديد من الصعوبات في عملية الهبوط. في المستقبل ، مع تطور تقنيات مثل تخصيص الصناعة ، ووزن النموذج الخفيف ، وأمن البيانات ، فإن هبوط وتطبيق الذكاء الاصطناعي النماذج الكبيرة سيؤدي إلى مساحة تطوير أوسع. **
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
لقد مرت ثمانية أشهر ، كيف يتقدم تنفيذ نموذج الصين واسع النطاق؟
المصدر الأصلي: صناعي
لقد مرت 8 أشهر منذ اليوم الذي اندلعت فيه ChatGPT.
في 8 أشهر ، ظهرت العديد من النماذج الكبيرة في الصين واستمرت في اختراق سيناريوهات الصناعة المختلفة بسرعة كبيرة. ولكن حتى الآن ، لم تكن هناك سيناريوهات أو صناعات تم تخريبها حقا بواسطة النماذج الكبيرة.
تشير الإحصاءات إلى أنه في تطبيق النماذج الكبيرة ، 45٪ من الشركات في مرحلة الانتظار والترقب ، و 39٪ من الشركات في مرحلة الاستكشاف ودراسة الجدوى ، و 16٪ من الشركات في مرحلة التطبيق التجريبي ، والشركات ذات التطبيق الكامل صفر. **
سؤال يستحق المشاهدة هو ، ما هو التقدم المحرز في تنفيذ النماذج الكبيرة في الأراضي الصينية اليوم؟
** نموذج كبير للهبوط ، التمويل ، الطاقة أولا **
"الرجاء مساعدتي في التحقق من استخدامي للكهرباء في أغسطس من هذا العام ، وفي أي يوم سأستخدم أكبر قدر من الكهرباء؟" ساعدني في اكتشاف أي عيوب في هذه الصورة "... على منصة ابتكار الذكاء الاصطناعي الجنوبية ، من خلال التفاعل اللغوي ، يتم عرض جزء من البيانات أمامك بوضوح.
على هذا النظام الأساسي ، يمكن للعاملين في صناعة الطاقة إصدار تعليمات لنموذج الطاقة ، بحيث يمكنه إنشاء نتائج معالجة البيانات تلقائيا ، وتحديد تفاصيل صورة مشاهد العيوب بدقة ، ومساعدة الموظفين على استرداد البيانات ومعالجتها في عملية فحص الطاقة.
في الوقت الحاضر ، في مجال خدمة العملاء لشبكة الطاقة الجنوبية الصينية ، يمكن حل 60٪ من المشكلات عالية التردد بواسطة نموذج الطاقة ، ونموذج الطاقة أفضل من اليدوي في تحديد تقلبات مشاعر العملاء.
بالإضافة إلى ذلك ، في مجال نقل الطاقة وتوزيعها ، يتمتع نموذج الطاقة ** بالقدرة على معالجة 100 صورة مشكلة في الدقيقة ، ويمكنه أيضا تحديد 20 نوعا من العيوب في نفس الوقت ، وكفاءة التعرف هي 10 أضعاف خوارزميات الذكاء الاصطناعي التقليدية. **
في مجال إرسال الطاقة ، يمكن أن يساعد نموذج الطاقة قسم الإرسال على إنشاء خطط التخلص بسرعة وتلقائيا للظروف غير الطبيعية في شبكة الطاقة ، والاستجابة لمتطلبات تنظيم سوق الطاقة في الوقت المناسب ، مما يجعل الخطط أكثر أمانا وكفاءة وأقل تكلفة.
هذا نموذج مصغر لتنفيذ نماذج كبيرة في مجال الطاقة.
من المفهوم أن بعض مصنعي الطاقة الرائدين قد بدأوا التعاون مع شركات التكنولوجيا في تطبيق النماذج الكبيرة ، لا سيما في مجال شبكات الطاقة والمناجم ، وتشكيل بعض العروض التجريبية الأولية ، مثل جدولة شبكة الطاقة ، والتحقيق في العيوب / الأعطال ، ومراقبة تشغيل مناجم الفحم وغيرها من السيناريوهات.
بالإضافة إلى مجال الطاقة ، يعد المجال المالي أيضا أحد أكبر سيناريوهات الهبوط للنماذج الكبيرة. **
في تقرير صادر عن iAnalytics ، تم إدراج الطاقة والخدمات المصرفية أيضا كصناعتين مع أسرع تقدم في تنفيذ النماذج الكبيرة.
بالإضافة إلى ذلك ، في التقرير نصف السنوي ، اقترحت تسعة بنوك ، بما في ذلك البنك الصناعي والتجاري الصيني ، والبنك الزراعي الصيني ، وبنك الصين ، وبنك الاتصالات ، وبنك التجار الصيني ، وبنك CITIC الصيني ، والبنك الصناعي ، وبنك هواشيا ، وبنك Zheshang ، بوضوح استكشاف تطبيق النماذج الكبيرة.
على جانب الشركات المصنعة للنماذج على نطاق واسع ، يعكس إصدار بعض نماذج الصناعة المكثفة أيضا سخونة تنفيذ السيناريوهات المالية.
على سبيل المثال، في أواخر مايو، أصدرت دو شياومان النموذج الصيني "Xuanyuan" على مستوى 100 مليار؛ في يونيو، تعاونت تينسنت كلاود مع DCIS لتنفيذ تعاون النموذج المالي، وأطلق البنك الزراعي الصيني تطبيق نموذج كبير يشبه ChatGPT ChatABC، وأصدر البنك الصناعي والتجاري الصيني نموذجا عاما للصناعة المالية يعتمد على Ascend الذكاء الاصطناعي.
من يوليو إلى أغسطس ، مع التنفيذ الرسمي ل "التدابير المؤقتة لإدارة خدمات الذكاء الاصطناعي التوليدية" ، أصدرت العديد من الشركات ، بما في ذلك Tencent و Baidu و iFLYTEK و Huawei و ByteDance وغيرها من الشركات ، على التوالي أحدث تقدم في النموذج على نطاق واسع ؛ في سبتمبر ، أصدرت Ant Group رسميا نموذجها المالي و CodeFuse مفتوح المصدر ، وهو عبارة عن منصة برمجة الذكاء الاصطناعي توليدية.
** المجال المالي هو بلا شك أحد أكثر السيناريوهات لهبوط النماذج الكبيرة. **
سواء كان ذلك في مجال الطاقة أو المجال المالي ، فإن السبب في أن الأول يمكن أن يحقق الهبوط الرائد للنماذج الكبيرة ينبع من بعض القواسم المشتركة بين هاتين الصناعتين. **
بادئ ذي بدء ، تعد صناعات الطاقة والبنوك صناعات موجهة نحو البيانات بشكل كبير ، مع أساس جيد للبيانات وبيئة رقمية ، والتي توفر ظروفا مواتية للتدريب وتطبيق النماذج الكبيرة. **
ثانيا ، لدى كلتا الصناعتين عدد كبير من احتياجات معالجة البيانات وصنع القرار ، ويمكن أن تساعد تقنيات التعلم الآلي والتعلم العميق على نطاق واسع الصناعة في حل هذه المشكلات وتحسين كفاءة ودقة صنع القرار.
بالإضافة إلى ذلك ، فإن نموذج الأعمال في صناعة الطاقة والبنوك ناضج نسبيا وله قيمة تجارية عالية ، وبالتالي فإن الطلب على تكنولوجيا النماذج الكبيرة في هذه الصناعات كبير نسبيا أيضا ، وبالتالي تعزيز تطبيق النماذج الكبيرة.
يمكن ملاحظة أن الصناعتين الرئيسيتين للطاقة والبنوك سريعتان نسبيا في تنفيذ النماذج الكبيرة ، ويرجع ذلك أساسا إلى التأثير الشامل للعديد من العوامل مثل أساس البيانات الجيد ، والطلب الفني الكبير ، والقيمة التجارية العالية. **
تجدر الإشارة إلى أنه حتى في سيناريوهين للهبوط للتمويل والطاقة ، لا تزال هناك بعض المشاكل التي يصعب التغلب عليها بالنسبة للنماذج الكبيرة.
2 عدم تلبية قيمة المشهد المتوقعة
في الصناعة المالية ، يعد التسويق والتحكم في المخاطر والتشغيل اتجاهات تطبيق النماذج الكبيرة التي توليها العديد من البنوك مزيدا من الاهتمام.
من بينها ، مساعد الأسئلة والأجوبة الذكي ، وخدمة العملاء الذكية ، والتوليد التلقائي للصور التسويقية ، وكتابة تقارير ما بعد القرض هي التقسيمات الفرعية التي يتم ترتيبها بنشاط بين البنوك والمؤسسات المالية الأخرى. ومع ذلك ، في الوقت الحاضر ، فإن قيمة السيناريوهات التوليدية مثل مساعد الأسئلة والأجوبة الذكي وخدمة العملاء الذكية والتوليد التلقائي للصور التسويقية هي نفسها تقريبا كما هو متوقع ، ولكن لا تزال هناك فجوة بين الآثار المتوقعة والفعلية لتنفيذ النماذج الكبيرة في صنع القرار وسيناريوهات التطبيق الأصلية مثل إيقاظ العملاء النائمين وقاعات الأعمال الرقمية.
على سبيل المثال ، في سيناريو خدمة العملاء الذكية ، في الماضي ، كان هناك عدد قليل من بنوك أسئلة السجال الذكية وتفتقر إلى الصلة. في الوقت الحاضر ، يمكن أن يؤدي إنتاج بنوك الأسئلة المخصصة بناء على نماذج كبيرة إلى تقصير دورة التدريب ، وفي التوليد التلقائي للصور التسويقية ، اعتاد المصممون الاختيار والتصميم في مكتبة المواد ، ولكن يمكنهم الآن استخدام Midjourney للإنشاء تلقائيا ، مما يمكن أن يقلل من تكاليف حقوق النشر وتكاليف العمالة.
في حالة إيقاظ العملاء النائمين وتوقع قيمة سيناريو قاعة الأعمال الرقمية ، يستخدم الأول نموذجا كبيرا لإنشاء استراتيجية تلقائيا ، والتي يمكن أن تحقق استراتيجية شاملة لتحسين تأثير الاستيقاظ. يساعد الإنسان الرقمي المدعوم من النموذج الكبير الأخير العملاء على التعامل مع الأعمال ، ويوصي بالمنتجات لإكمال المعاملات ، ويمكنه تحقيق قنوات جديدة مستقلة عن التطبيق.
غير أن قيمة التطبيق العملي لهذين السيناريوهين غير معروفة في الوقت الحاضر. **
تطبيق النماذج واسعة النطاق في صناعة الطاقة مشابه أيضا.
في صناعة الطاقة ، فإن قيمة التطبيقات التوليدية مثل تشغيل المعدات ومساعدي المعرفة بالتفتيش وخدمة العملاء الذكية هي نفسها تقريبا كما هو متوقع. ومع ذلك ، في سيناريوهات مثل وثائق الصيانة وإصلاح أعطال المعدات والتنبؤ بحمل الطاقة ، لا تزال القيمة الفعلية للسيناريو غير معروفة. **
على وجه التحديد ، في سيناريو مساعد معرفة تشغيل المعدات والتفتيش ، تم بناء قاعدة معرفية منظمة تعتمد على تقنية البرمجة اللغوية العصبية في الماضي ، وبمباركة نموذج كبير ، يمكن بناء مساعد التشغيل والتفتيش بدعم من نموذج كبير لتحسين الكفاءة ، وفي سيناريو خدمة العملاء الذكية ، تم استخدام خدمة عملاء ذكية تعتمد على نموذج بيرت في الماضي ، والآن يتم تحسين تجربة المستخدم لخدمة العملاء الذكية باستخدام نموذج كبير ، والذي يمكن أن يحقق فهما أكثر دقة للنوايا ، ولغة مجسمة أكثر ، وتجربة مستخدم محسنة.
في سيناريوهات إنشاء مستندات الصيانة ، وصيانة أعطال المعدات ، والتنبؤ بحمل الطاقة ، تتمثل قيمة النموذج الكبير في إنشاء المستندات بسرعة وتلقائيا لتحسين الكفاءة ، ويمكن للنموذج الكبير تحديد سبب الخطأ بسرعة وتقديم اقتراحات وحلول الصيانة ، ودمج المزيد من العوامل المؤثرة للتنبؤ بالحمل في الوقت الفعلي لتحسين دقة التنبؤ.
ومع ذلك ، في الوقت الحاضر ، لم تعرف بعد قيمة النماذج الكبيرة في هذه السيناريوهات ، ولا تزال بحاجة إلى وقت لاستكشافها. ** يمكن العثور على أنه سواء كانت الصناعة المالية أو صناعة الطاقة ، فإن سيناريو التوليد سريع الهبوط وله العديد من التطبيقات ، في حين أن سيناريو صنع القرار أبطأ وأكثر صعوبة في الهبوط ، وهناك تطبيقات أقل. **
**3 "توليد سيناريوهات > سيناريوهات صنع القرار": إنتاجية يصعب تحويلها **
في الوقت الحاضر ، لا يزال تنفيذ النموذج ** الكبير في مرحلة التطبيق التجريبي ولم يتم إطلاقه بالكامل. **
كما ذكر أعلاه ، تم تنفيذ الذكاء الاصطناعي تطبيقات نموذجية كبيرة في الصناعة المالية ، مثل الأسئلة والأجوبة الذكية ، وخدمة العملاء الذكية ، وقاعات الأعمال الرقمية ، وإنشاء تقارير ما بعد القرض ، وإيقاظ العملاء النائمين ، وتوصية المنتجات المالية ، تدريجيا ، وخدمة العملاء الذكية ، وتشغيل المعدات ومساعدي المعرفة التفتيش ، وتوليد وثائق الصيانة ، ومنصات محاكاة نظام الطاقة ، والتنبؤ بحمل الطاقة في صناعة الطاقة.
ومع ذلك ، لا تزال تجارة التجزئة للسلع الاستهلاكية والأوراق المالية ووسائل الإعلام في مرحلة الاستكشاف ، في حين أن شركات التصنيع والأدوية لا تزال في مرحلة الانتظار والترقب.
يمكن ملاحظة أنه على الرغم من أن تنفيذ النموذج الكبير أكثر تفاؤلا في الاتساع ، إلا أنه أكثر صعوبة في العمق.
يعتمد عمق النموذج الكبير على قدراته وحجمه وموارد الحوسبة وجودة البيانات ومعرفة المجال وما إلى ذلك. ومع ذلك ، بالنسبة للنموذج المحلي الحالي ، فهو في مرحلة مبكرة من التطوير ، ولا تزال العديد من المرافق والقدرات تتحسن تدريجيا. **
محدودة بعوامل مثل قدرات النموذج وتأثيرات التطبيق ، يعتمد تطبيق الهبوط الحالي بشكل أساسي على سيناريوهات التوليد. **
يختلف النموذج التوليدي عن نموذج صنع القرار ، ويستخدم بشكل أساسي في مجالات إنشاء النصوص ، ونظام الحوار ، وترجمة اللغة ، وما إلى ذلك ، ويمكنه توليد مخرجات نصية عالية الجودة من خلال تحليل كمية كبيرة من البيانات النصية لمعرفة قواعد التوليد والعلاقات الدلالية الداخلية للنصوص. تشمل النماذج التمثيلية للنماذج الكبيرة التوليدية سلسلة GPT من OpenAI و Wenxin Yiyan من Baidu.
تستخدم نماذج صنع القرار بشكل أساسي في أنظمة التوصية والتعلم المعزز وغيرها من المجالات ، وعادة ما تحتوي البيانات التي تحتاج إلى معالجة على متغيرات عددية مستمرة ، ومن الضروري اتخاذ القرارات أو التنبؤ بالسلوكيات المستقبلية. تشمل النماذج التمثيلية لنماذج صنع القرار سلسلة AlphaZero من DeepMind و Dota2 الذكاء الاصطناعي من OpenAI.
بالمقارنة مع نموذج صنع القرار ، فإن النموذج التوليدي هو أولا وقبل كل شيء في نظام توليد النص والحوار ، ويمكن جمع البيانات وتنظيمها من خلال عدد كبير من مجموعات النصوص ، بينما في نظام التوصية والتعلم المعزز ، تحتاج البيانات عادة إلى التصميم والبناء يدويا ، وهو أمر معقد نسبيا.
ثانيا، كان البحث في مجالات توليد النصوص وأنظمة الحوار ناضجا نسبيا، وهناك العديد من الخوارزميات والأطر الجاهزة التي يمكن استخدامها، بينما تحتاج مجالات أنظمة التوصية والتعلم المعزز إلى مزيد من الاستكشاف والبحث.
بالإضافة إلى ذلك ، هناك مجموعة واسعة من سيناريوهات التطبيق في مجالات مثل إنشاء النصوص وأنظمة الحوار ، مثل محركات البحث وروبوتات الدردشة والكتابة التلقائية وما إلى ذلك ، بينما تستخدم أنظمة التوصية والتعلم المعزز بشكل أساسي في التجارة الإلكترونية والإعلان والألعاب وغيرها من المجالات.
إنها حقيقة أنه على الرغم من استخدام السيناريوهات التوليدية على نطاق واسع ، فإن سيناريوهات صنع القرار التنبؤية هي سيناريوهات عالية القيمة في المستقبل. سواء كان موردا نموذجيا كبيرا أو مؤسسة ، إذا كنت ترغب في تحسين قيمة الأعمال بناء على قدرات النموذج الكبيرة ، فإن الأخير هو اتجاه الجهود. **
**4 في سيناريو الصناعة ، دعونا نلقي نظرة على نموذج الذكاء الاصطناعي **
** يتطلب هبوط نموذج كبير أولا اختيار الحقول والسيناريوهات المناسبة. تتمتع السيناريوهات في هذا المجال بقدرات رقمية قوية وأسس رقمية. **
على سبيل المثال ، في مجال خدمة العملاء الذكية ، يمكن اعتبار النماذج الكبيرة لسيناريوهات مثل أنظمة الأسئلة الشائعة وروبوتات الدردشة. في مجال التوصية الإعلانية ، يمكن تطبيقه على سيناريوهات مثل التوصيات الشخصية على منصات التجارة الإلكترونية ؛ في مجال مراقبة الرأي العام ، يمكن تطبيقه على سيناريوهات مثل تصنيف المحتوى وتحليل المشاعر في وسائل الإعلام.
ثانيا ، يجب أن يكون لها قدرة نموذج عالية وتأثير تطبيق. من منظور المسار الرئيسي لمستخدمي المؤسسة الحاليين لتنفيذ النموذج الكبير ، ينصب تركيز مؤسسات المجموعة على بناء قدرات النماذج الكبيرة ، وينصب تركيز المؤسسات / الإدارات العامة على استكشاف سيناريوهات التطبيق. ينقسم بناء قدرات النموذج الكبير إلى ثلاثة مستويات: بناء البنية التحتية ، والتدريب على النماذج الكبيرة ، وتطبيق النموذج الكبير.
تجدر الإشارة إلى أنه في الوقت الحاضر ، ينقسم اتجاه تطبيق النماذج الكبيرة بشكل أساسي إلى نوعين: أولا ، النماذج الصغيرة هي الدعامة الأساسية ، والنماذج الكبيرة تعمل على تحسين كفاءة تطوير النماذج الصغيرة ؛ **
ومع ذلك ، فإن مسار الهبوط هذا يحد من قدرات النموذج.
من أجل تعزيز عمق هبوط النموذج على نطاق واسع ، يحتاج موردو النماذج والمؤسسات على نطاق واسع إلى مواصلة استكشاف القدرات ونماذج التعاون. **
أصبحت بعض المسارات لتعميق هبوط النماذج الكبيرة واضحة تدريجيا.
في المستقبل ، مع التطوير المستمر وتعميم تكنولوجيا النماذج واسعة النطاق ، سيصبح تطبيق سلسلة النماذج أكثر شمولا.
على سبيل المثال ، يمكن دمج نماذج كبيرة متعددة وتسلسلها لتحقيق سيناريوهات تطبيق أكثر تعقيدا ودقة مثل التعرف على الكلام والتعرف على الصور ومعالجة اللغة الطبيعية. في الوقت نفسه ، يمكن أيضا تعاقب النماذج الكبيرة والنماذج الصغيرة لإفساح المجال كاملا لمزايا كل منها وتحسين أداء النموذج وقدرته على التعميم.
بناء على ذلك ، يتم توسيع عمق تطبيق النماذج الكبيرة ، ويتم تسريع تطبيق سيناريوهات صنع القرار في مختلف المجالات.
ثانيا ، الصناعات المختلفة لها احتياجات محددة مختلفة ، وتحتاج النماذج الكبيرة إلى التطوير في اتجاه أكثر تخصيصا في المستقبل. من خلال تدريب الشركات الخاصة بالصناعة ، يمكن للنماذج الكبيرة أن تتكيف بشكل أفضل مع سيناريوهات التطبيق الفعلية لمختلف الصناعات.
ثانيا ، من أجل تلبية متطلبات الكفاءة والموارد بشكل أفضل في التطبيقات العملية ، يجب تطوير نماذج كبيرة في اتجاه أن تكون أكثر خفة الوزن. يمكن لتقنيات مثل ضغط النموذج وتقليمه تقليل حجم واستهلاك موارد الحوسبة للنموذج مع ضمان أداء النموذج.
بالإضافة إلى ذلك ، مع تزايد أهمية قضايا حماية خصوصية البيانات ، تحتاج النماذج الكبيرة إلى إيلاء المزيد من الاهتمام لأمن البيانات وحماية الخصوصية.
أصبح التخصيص وخفة الوزن وأمن البيانات للنموذج عوامل مهمة لتنفيذه.
حقق تطبيق نموذج الذكاء الاصطناعي الصيني سلسلة من الإنجازات في مجالات خدمة العملاء الذكية والتوصية الإعلانية ومراقبة الرأي العام. ومع ذلك ، ** يواجه أيضا العديد من الصعوبات في عملية الهبوط. في المستقبل ، مع تطور تقنيات مثل تخصيص الصناعة ، ووزن النموذج الخفيف ، وأمن البيانات ، فإن هبوط وتطبيق الذكاء الاصطناعي النماذج الكبيرة سيؤدي إلى مساحة تطوير أوسع. **