出典:インダストリアル 画像ソース: Unbounded AIによって生成ChatGPTが勃発した日から8ヶ月が経ちました。8か月で、中国の多くの大型モデルが出現し、さまざまな業界シナリオに急速に浸透し続けています。 しかし、これまでのところ、大規模なモデルによって真に覆されたシナリオや業界はありません。統計によると、大規模モデルの適用では、45%の企業が様子見の段階にあり、39%の企業が調査および実現可能性調査の段階にあり、16%の企業がパイロット申請段階にあり、完全なアプリケーションの企業はゼロです。 **注目に値する質問は、今日の中国の土壌における大規模モデルの実装の進捗状況です。## **大型モデルの着陸、金融、エネルギーファースト**「今年の8月の電気使用量の確認を手伝ってください。電気を最も多く使用するのは何日ですか?」 この画像の欠陥を検出するのを手伝ってください」... Southern Artificial Intelligence Innovation Platformでは、言語インタラクションを通じて、データの一部が目の前にはっきりと表示されます。このプラットフォームでは、電力業界の作業員が電力モデルに指示を出すことができるため、データ処理結果を自動的に生成し、欠陥現場の画像の詳細を正確に識別し、スタッフが電力検査の過程でデータを取得して処理するのに役立ちます。現在、中国南方電力網の顧客サービスの分野では、高周波問題の60%を電力モデルで解決でき、電力モデルは顧客感情の変動を特定する上で手動よりも優れています。また、送配電の分野では、**電力モデルは毎分100枚の問題画像を処理する能力を持ち、20種類の欠陥を同時に識別することもでき、認識効率は従来のAIアルゴリズムの10倍です。 **配電の分野では、配電部門が送電網の異常状態に対する廃棄計画を迅速かつ自動的に生成し、電力市場規制の要件にタイムリーに対応して、計画をより安全で効率的、かつ低コストにするのを支援することができます。これは、エネルギー分野における大規模モデルの実装の縮図です。一部の大手エネルギーメーカーは、特に電力網や鉱山の分野で、大規模モデルの適用においてテクノロジー企業との協力を開始し、電力網のスケジューリング、欠陥/障害の調査、炭鉱の操業監視、その他のシナリオなどの予備的なパイロットデモンストレーションを形成していると理解されています。エネルギー分野に加えて、金融分野も大型モデルの最大の着陸シナリオの1つです。 **iAnalyticsのレポートでは、エネルギーと銀行も、大規模モデルの実装が最も急速に進んでいる2つの業界として挙げられています。 金融分野での実装の幅広さは、大規模なモデルの数とエンタープライズダイナミクスからもわかります。 データによると、8月時点で、国内パラメータが10億を超える大型モデルの数は116に上り、そのうち約18が金融業界の大規模モデルでした。 **さらに、半期報告書では、中国工商銀行、中国農業銀行、中国銀行、交通銀行、招商銀行、中国中信銀行、工商銀行、華夏銀行、浙上銀行を含む9つの銀行が、大規模モデルの適用を検討することを明確に提案しました。大規模なモデルメーカーの側では、いくつかの集中的なインダストリモデルのリリースも、金融シナリオの実装の熱さを反映しています。例えば、5月下旬には杜暁曼が1000億レベルの中国モデル「玄元」をリリースし、6月にはテンセントクラウドがDCISと手を組んで金融モデル協力を行い、中国農業銀行がChatGPTのような大規模モデルアプリ「ChatABC」をローンチし、中国工商銀行がAscend AIをベースにした金融業界向けの汎用モデルをリリースした。7月から8月にかけて、「生成人工知能サービス管理のための暫定措置」が正式に実施され、テンセント、バイドゥ、iFLYTEK、ファーウェイ、バイトダンスなど多くの企業が最新の大規模モデルの進捗状況を次々と発表しました。 9月には、アント・グループも財務モデルと、ジェネレーティブAIプログラミングプラットフォームであるCodeFuseをオープンソース化した。**金融分野は、間違いなく、大規模なモデルが着陸する最も多くのシナリオの1つです。 **エネルギー分野にせよ、金融分野にせよ、大型モデルが先行上陸できるのは、この2つの産業の共通点にあります。 **まず第一に、エネルギーおよび銀行業界は高度にデータ指向の産業であり、優れたデータ基盤とデジタル環境を備えているため、大規模モデルのトレーニングと適用に有利な条件が提供されます。 **第二に、両業界には多数のデータ処理と意思決定のニーズがあり、大規模な機械学習とディープラーニング技術は、業界がこれらの問題を解決し、意思決定の効率と精度を向上させるのに役立ちます。また、エネルギー・銀行業界のビジネスモデルは比較的成熟しており、商品価値も高いため、これらの業界におけるラージモデル技術の需要も比較的大きく、ラージモデルの適用が促進されています。エネルギーと銀行の2大産業は、主に優れたデータ基盤、大きな技術的需要、高い商業的価値などの多くの要因の包括的な効果により、大規模モデルの実装が比較的速いことがわかります。 **金融とエネルギーという2つのランディングシナリオにおいても、大規模モデルでは克服が困難な問題がまだいくつかあることは注目に値します。## **2 期待されるシーン値を満たしていない**金融業界では、マーケティング、リスク管理、および運用は、多くの銀行がより注意を払っている大規模なモデルの適用方向です。その中で、インテリジェントなQ&Aアシスタント、インテリジェントな顧客サービス、マーケティングイメージの自動生成、およびローン後のレポート作成は、銀行やその他の金融機関が積極的に配置している細分化です。 しかし、現時点では、インテリジェントなQ&Aアシスタント、インテリジェントな顧客サービス、マーケティング画像の自動生成などの生成シナリオの価値は期待とほぼ同じですが、意思決定における大規模モデルの実装と、眠っている顧客の目覚めやデジタルビジネスホールなどのネイティブアプリケーションシナリオの期待効果と実際の効果の間にはまだギャップがあります。たとえば、インテリジェントな顧客サービスのシナリオでは、過去にはインテリジェントなスパーリング問題バンクがほとんどなく、適切性に欠けていました。 今日では、大規模なモデルに基づいてパーソナライズされた質問バンクを作成することで、トレーニングサイクルを短縮できます。 マーケティング画像を自動生成するシナリオでは、これまでデザイナーが素材ライブラリで選択してデザインしていましたが、Midjourneyを使って自動生成できるようになり、著作権コストや人件費を削減することができます。眠い顧客の目覚めとデジタルビジネスホールのシナリオ価値期待の場合、前者は大規模なモデルを使用して、ウェイクアップ効果を向上させるためのエンドツーエンドの戦略を達成するための戦略を自動的に生成し、後者は大規模なモデルを使用して、顧客がビジネスを処理し、製品を推奨し、トランザクションを完了し、APPから独立した新しいチャネルを実現できるようにします。しかし、現時点では、これら2つのシナリオの実用的なアプリケーションの価値はまだわかっていません。 **エネルギー産業における大規模モデルの適用も同様です。エネルギー業界では、機器の操作や検査のナレッジアシスタント、インテリジェントなカスタマーサービスなどのジェネレーティブアプリケーションの価値は、予想とほぼ同じです。 ただし、メンテナンス ドキュメント、機器の障害修理、電力負荷予測などのシナリオでは、シナリオの実際の値はまだ不明です。 **具体的には、設備の運転・点検ナレッジアシスタントのシナリオでは、従来はNLP技術をベースに構造化されたナレッジベースを構築し、大規模モデルのサポートにより、大規模モデルを使用して操作・点検アシスタントを構築し、効率を向上させることができます。 インテリジェント カスタマー サービスのシナリオでは、過去には Bert モデルに基づくインテリジェント カスタマー サービスが使用されていましたが、現在は大規模なモデルを使用してインテリジェント カスタマー サービスのユーザー エクスペリエンスを向上させ、より正確な意図の理解、より擬人化された言語、およびユーザー エクスペリエンスの向上を実現できます。メンテナンスドキュメントの生成、機器の故障メンテナンス、および電力負荷予測のシナリオでは、大規模モデルの価値は、効率を向上させるためのドキュメントを迅速かつ自動的に生成することであり、大規模モデルは障害の原因をすばやく特定し、メンテナンスの提案と解決策を提供し、より多くの影響力のある要因を組み込んでリアルタイムで負荷を予測し、予測精度を向上させます。ただし、現時点では、これらのシナリオにおける大規模モデルの価値はまだ不明であり、調査にはまだ時間が必要です。 **金融業界であろうとエネルギー業界であろうと、発電シナリオは着陸が速く、多くのアプリケーションがあるのに対し、意思決定シナリオは着陸が遅く、着陸が難しく、アプリケーションが少ないことがわかります。 **## **3 「シナリオ>意思決定シナリオの生成」:変換が困難な生産性**現在、** 大規模モデルの実装はまだパイロット アプリケーションの段階にあり、完全には開始されていません。 **前述のように、インテリジェントQ&A、インテリジェントカスタマーサービス、デジタルビジネスホール、ローン後のレポート生成、眠っている顧客の目覚め、金融商品の推奨など、金融業界でのAI大規模モデルアプリケーションは徐々に実装されており、インテリジェントカスタマーサービス、機器の操作および検査ナレッジアシスタント、メンテナンスドキュメントの生成、電力システムシミュレーションプラットフォーム、電力負荷予測がエネルギー業界で試験的に導入されています。しかし、消費財小売、証券、メディアはまだ模索段階にあり、製造業や製薬会社はまだ様子見の段階にあります。大規模モデルの実装は、幅ではより楽観的ですが、深さではより困難であることがわかります。大規模モデルの深さは、その機能、スケール、コンピューティング リソース、データ品質、ドメイン知識などによって異なります。 しかし、現在の国産モデルについては開発の初期段階にあり、多くの設備や能力はまだまだ徐々に改善されています。 **モデルの機能やアプリケーションの効果などの要因によって制限されるため、現在のランディング アプリケーションは主に生成シナリオに基づいています。 **意思決定モデルとは異なり、生成モデルは主にテキスト生成、対話システム、言語翻訳などの分野で使用され、大量のテキストデータを分析してテキストの生成ルールと内部意味関係を学習することで、高品質のテキスト出力を生成できます。 ジェネレーティブラージモデルの代表的なモデルとしては、OpenAIのGPTシリーズやBaiduのWenxin Yiyanなどがある。意思決定モデルは、主にレコメンダーシステムや強化学習などの分野で利用されており、処理が必要なデータには連続的な数値変数が含まれているのが普通で、意思決定や将来の行動予測に必要です。 意思決定モデルの代表的なモデルとしては、DeepMindのAlphaZeroシリーズやOpenAIのDota2 AIなどがあります。意思決定モデルと比較して、生成モデルは、まず第一に、テキスト生成および対話システムでは、多数のテキストコーパスを介してデータを収集および整理できますが、レコメンデーションシステムおよび強化学習では、通常、データを手動で設計および構築する必要があり、比較的複雑です。第二に、テキスト生成や対話システムの分野の研究は比較的成熟しており、既製のアルゴリズムやフレームワークが多く存在する一方で、レコメンデーションシステムや強化学習の分野は、より多くの探求と研究が必要です。また、検索エンジン、チャットボット、自動書記などのテキスト生成や対話システムなどの分野では幅広い応用シーンがあり、レコメンドシステムや強化学習は主にeコマース、広告、ゲームなどの分野で利用されています。ジェネレーティブシナリオは広く利用されていますが、予測的意思決定シナリオは将来的に価値の高いシナリオであるのは事実です。 大規模モデルサプライヤーであろうと企業であろうと、大規模モデル機能に基づいてビジネス価値を向上させたい場合は、後者が取り組みの方向性です。 **## **4 業界のシナリオでは、AI モデルを見てみましょう****大規模なモデルを着陸させるには、まず適切なフィールドとシナリオを選択する必要があります。 この分野のシナリオには、強力なデジタル機能とデジタル基盤があります。 **たとえば、インテリジェントな顧客サービスの分野では、FAQシステムやチャットボットなどのシナリオで大規模なモデルを検討できます。 広告レコメンデーションの分野では、eコマースプラットフォームでのパーソナライズされたレコメンデーションなどのシナリオに適用できます。 世論調査の分野では、ニュースメディアのコンテンツ分類や感情分析などのシナリオに適用できます。第二に、高いモデル能力と応用効果が必要です。 現在の企業ユーザーが大規模モデルを実装するためのメインパスの観点から、グループ企業は大規模モデルの能力開発に重点を置き、一般企業/部門はアプリケーションシナリオの探索に重点を置きます。 大規模モデルのキャパシティ ビルディングは、インフラストラクチャの構築、大規模モデルのトレーニング、大規模モデルの適用の 3 つのレベルに分かれています。現在、大型モデルの適用方向は主に2つのタイプに分けられていることは注目に値します:まず、小型モデルが主力であり、大型モデルは小型モデルの開発効率を向上させます。 **ただし、このランディング パスでは、モデルの機能が制限されます。大規模模型着陸の深みを促進するために、大規模模型のサプライヤーと企業は、能力と協力モデルを模索し続ける必要があります。 **大型模型の着地を深める道筋が少しずつ見えてきています。将来的には、大規模モデル技術の継続的な開発と普及に伴い、モデルカスケードの適用はますます広範になります。たとえば、複数の大規模モデルを組み合わせてカスケード接続することで、音声認識、画像認識、自然言語処理など、より複雑で正確なアプリケーション シナリオを実現できます。 同時に、大規模なモデルと小さなモデルをカスケードして、それぞれの利点を十分に発揮し、モデルのパフォーマンスと汎化能力を向上させることもできます。これにより、大規模モデルの適用深度が拡大し、さまざまな分野での意思決定シナリオの適用が加速されます。第二に、業界が異なれば特定のニーズも異なり、大規模なモデルは将来、よりカスタマイズされた方向に開発する必要があります。 業界固有のコーパスのトレーニングを通じて、大規模なモデルはさまざまな業界の実際のアプリケーション シナリオによりよく適応できます。第二に、実用化における効率とリソースの要件をよりよく満たすためには、より軽量な方向で大型モデルを開発する必要があります。 モデルの圧縮や枝刈りなどの手法により、モデルのパフォーマンスを確保しながら、モデルのサイズとコンピューティング リソースの消費を削減できます。さらに、データプライバシー保護の問題がますます顕著になるにつれて、大規模なモデルではデータセキュリティとプライバシー保護にもっと注意を払う必要があります。モデルのカスタマイズ、軽量、およびデータ セキュリティは、その実装の重要な要素になっています。中国のAIモデルの適用は、インテリジェントな顧客サービス、広告の推奨、世論調査の分野で一連の成果を達成しています。 しかし、**は着陸の過程で多くの困難にも直面しています。 将来的には、業界のカスタマイズ、モデルの軽量化、データセキュリティなどの技術の発展に伴い、AI大規模モデルの着陸と適用により、より広い開発空間が到来するでしょう。 **
8ヶ月が経過したが、中国の大規模モデルの実装はどのように進んでいるのか。
出典:インダストリアル
ChatGPTが勃発した日から8ヶ月が経ちました。
8か月で、中国の多くの大型モデルが出現し、さまざまな業界シナリオに急速に浸透し続けています。 しかし、これまでのところ、大規模なモデルによって真に覆されたシナリオや業界はありません。
統計によると、大規模モデルの適用では、45%の企業が様子見の段階にあり、39%の企業が調査および実現可能性調査の段階にあり、16%の企業がパイロット申請段階にあり、完全なアプリケーションの企業はゼロです。 **
注目に値する質問は、今日の中国の土壌における大規模モデルの実装の進捗状況です。
大型モデルの着陸、金融、エネルギーファースト
「今年の8月の電気使用量の確認を手伝ってください。電気を最も多く使用するのは何日ですか?」 この画像の欠陥を検出するのを手伝ってください」... Southern Artificial Intelligence Innovation Platformでは、言語インタラクションを通じて、データの一部が目の前にはっきりと表示されます。
このプラットフォームでは、電力業界の作業員が電力モデルに指示を出すことができるため、データ処理結果を自動的に生成し、欠陥現場の画像の詳細を正確に識別し、スタッフが電力検査の過程でデータを取得して処理するのに役立ちます。
現在、中国南方電力網の顧客サービスの分野では、高周波問題の60%を電力モデルで解決でき、電力モデルは顧客感情の変動を特定する上で手動よりも優れています。
また、送配電の分野では、**電力モデルは毎分100枚の問題画像を処理する能力を持ち、20種類の欠陥を同時に識別することもでき、認識効率は従来のAIアルゴリズムの10倍です。 **
配電の分野では、配電部門が送電網の異常状態に対する廃棄計画を迅速かつ自動的に生成し、電力市場規制の要件にタイムリーに対応して、計画をより安全で効率的、かつ低コストにするのを支援することができます。
これは、エネルギー分野における大規模モデルの実装の縮図です。
一部の大手エネルギーメーカーは、特に電力網や鉱山の分野で、大規模モデルの適用においてテクノロジー企業との協力を開始し、電力網のスケジューリング、欠陥/障害の調査、炭鉱の操業監視、その他のシナリオなどの予備的なパイロットデモンストレーションを形成していると理解されています。
エネルギー分野に加えて、金融分野も大型モデルの最大の着陸シナリオの1つです。 **
iAnalyticsのレポートでは、エネルギーと銀行も、大規模モデルの実装が最も急速に進んでいる2つの業界として挙げられています。
さらに、半期報告書では、中国工商銀行、中国農業銀行、中国銀行、交通銀行、招商銀行、中国中信銀行、工商銀行、華夏銀行、浙上銀行を含む9つの銀行が、大規模モデルの適用を検討することを明確に提案しました。
大規模なモデルメーカーの側では、いくつかの集中的なインダストリモデルのリリースも、金融シナリオの実装の熱さを反映しています。
例えば、5月下旬には杜暁曼が1000億レベルの中国モデル「玄元」をリリースし、6月にはテンセントクラウドがDCISと手を組んで金融モデル協力を行い、中国農業銀行がChatGPTのような大規模モデルアプリ「ChatABC」をローンチし、中国工商銀行がAscend AIをベースにした金融業界向けの汎用モデルをリリースした。
7月から8月にかけて、「生成人工知能サービス管理のための暫定措置」が正式に実施され、テンセント、バイドゥ、iFLYTEK、ファーウェイ、バイトダンスなど多くの企業が最新の大規模モデルの進捗状況を次々と発表しました。 9月には、アント・グループも財務モデルと、ジェネレーティブAIプログラミングプラットフォームであるCodeFuseをオープンソース化した。
**金融分野は、間違いなく、大規模なモデルが着陸する最も多くのシナリオの1つです。 **
エネルギー分野にせよ、金融分野にせよ、大型モデルが先行上陸できるのは、この2つの産業の共通点にあります。 **
まず第一に、エネルギーおよび銀行業界は高度にデータ指向の産業であり、優れたデータ基盤とデジタル環境を備えているため、大規模モデルのトレーニングと適用に有利な条件が提供されます。 **
第二に、両業界には多数のデータ処理と意思決定のニーズがあり、大規模な機械学習とディープラーニング技術は、業界がこれらの問題を解決し、意思決定の効率と精度を向上させるのに役立ちます。
また、エネルギー・銀行業界のビジネスモデルは比較的成熟しており、商品価値も高いため、これらの業界におけるラージモデル技術の需要も比較的大きく、ラージモデルの適用が促進されています。
エネルギーと銀行の2大産業は、主に優れたデータ基盤、大きな技術的需要、高い商業的価値などの多くの要因の包括的な効果により、大規模モデルの実装が比較的速いことがわかります。 **
金融とエネルギーという2つのランディングシナリオにおいても、大規模モデルでは克服が困難な問題がまだいくつかあることは注目に値します。
2 期待されるシーン値を満たしていない
金融業界では、マーケティング、リスク管理、および運用は、多くの銀行がより注意を払っている大規模なモデルの適用方向です。
その中で、インテリジェントなQ&Aアシスタント、インテリジェントな顧客サービス、マーケティングイメージの自動生成、およびローン後のレポート作成は、銀行やその他の金融機関が積極的に配置している細分化です。 しかし、現時点では、インテリジェントなQ&Aアシスタント、インテリジェントな顧客サービス、マーケティング画像の自動生成などの生成シナリオの価値は期待とほぼ同じですが、意思決定における大規模モデルの実装と、眠っている顧客の目覚めやデジタルビジネスホールなどのネイティブアプリケーションシナリオの期待効果と実際の効果の間にはまだギャップがあります。
たとえば、インテリジェントな顧客サービスのシナリオでは、過去にはインテリジェントなスパーリング問題バンクがほとんどなく、適切性に欠けていました。 今日では、大規模なモデルに基づいてパーソナライズされた質問バンクを作成することで、トレーニングサイクルを短縮できます。 マーケティング画像を自動生成するシナリオでは、これまでデザイナーが素材ライブラリで選択してデザインしていましたが、Midjourneyを使って自動生成できるようになり、著作権コストや人件費を削減することができます。
眠い顧客の目覚めとデジタルビジネスホールのシナリオ価値期待の場合、前者は大規模なモデルを使用して、ウェイクアップ効果を向上させるためのエンドツーエンドの戦略を達成するための戦略を自動的に生成し、後者は大規模なモデルを使用して、顧客がビジネスを処理し、製品を推奨し、トランザクションを完了し、APPから独立した新しいチャネルを実現できるようにします。
しかし、現時点では、これら2つのシナリオの実用的なアプリケーションの価値はまだわかっていません。 **
エネルギー産業における大規模モデルの適用も同様です。
エネルギー業界では、機器の操作や検査のナレッジアシスタント、インテリジェントなカスタマーサービスなどのジェネレーティブアプリケーションの価値は、予想とほぼ同じです。 ただし、メンテナンス ドキュメント、機器の障害修理、電力負荷予測などのシナリオでは、シナリオの実際の値はまだ不明です。 **
具体的には、設備の運転・点検ナレッジアシスタントのシナリオでは、従来はNLP技術をベースに構造化されたナレッジベースを構築し、大規模モデルのサポートにより、大規模モデルを使用して操作・点検アシスタントを構築し、効率を向上させることができます。 インテリジェント カスタマー サービスのシナリオでは、過去には Bert モデルに基づくインテリジェント カスタマー サービスが使用されていましたが、現在は大規模なモデルを使用してインテリジェント カスタマー サービスのユーザー エクスペリエンスを向上させ、より正確な意図の理解、より擬人化された言語、およびユーザー エクスペリエンスの向上を実現できます。
メンテナンスドキュメントの生成、機器の故障メンテナンス、および電力負荷予測のシナリオでは、大規模モデルの価値は、効率を向上させるためのドキュメントを迅速かつ自動的に生成することであり、大規模モデルは障害の原因をすばやく特定し、メンテナンスの提案と解決策を提供し、より多くの影響力のある要因を組み込んでリアルタイムで負荷を予測し、予測精度を向上させます。
ただし、現時点では、これらのシナリオにおける大規模モデルの価値はまだ不明であり、調査にはまだ時間が必要です。 **金融業界であろうとエネルギー業界であろうと、発電シナリオは着陸が速く、多くのアプリケーションがあるのに対し、意思決定シナリオは着陸が遅く、着陸が難しく、アプリケーションが少ないことがわかります。 **
3 「シナリオ>意思決定シナリオの生成」:変換が困難な生産性
現在、** 大規模モデルの実装はまだパイロット アプリケーションの段階にあり、完全には開始されていません。 **
前述のように、インテリジェントQ&A、インテリジェントカスタマーサービス、デジタルビジネスホール、ローン後のレポート生成、眠っている顧客の目覚め、金融商品の推奨など、金融業界でのAI大規模モデルアプリケーションは徐々に実装されており、インテリジェントカスタマーサービス、機器の操作および検査ナレッジアシスタント、メンテナンスドキュメントの生成、電力システムシミュレーションプラットフォーム、電力負荷予測がエネルギー業界で試験的に導入されています。
しかし、消費財小売、証券、メディアはまだ模索段階にあり、製造業や製薬会社はまだ様子見の段階にあります。
大規模モデルの実装は、幅ではより楽観的ですが、深さではより困難であることがわかります。
大規模モデルの深さは、その機能、スケール、コンピューティング リソース、データ品質、ドメイン知識などによって異なります。 しかし、現在の国産モデルについては開発の初期段階にあり、多くの設備や能力はまだまだ徐々に改善されています。 **
モデルの機能やアプリケーションの効果などの要因によって制限されるため、現在のランディング アプリケーションは主に生成シナリオに基づいています。 **
意思決定モデルとは異なり、生成モデルは主にテキスト生成、対話システム、言語翻訳などの分野で使用され、大量のテキストデータを分析してテキストの生成ルールと内部意味関係を学習することで、高品質のテキスト出力を生成できます。 ジェネレーティブラージモデルの代表的なモデルとしては、OpenAIのGPTシリーズやBaiduのWenxin Yiyanなどがある。
意思決定モデルは、主にレコメンダーシステムや強化学習などの分野で利用されており、処理が必要なデータには連続的な数値変数が含まれているのが普通で、意思決定や将来の行動予測に必要です。 意思決定モデルの代表的なモデルとしては、DeepMindのAlphaZeroシリーズやOpenAIのDota2 AIなどがあります。
意思決定モデルと比較して、生成モデルは、まず第一に、テキスト生成および対話システムでは、多数のテキストコーパスを介してデータを収集および整理できますが、レコメンデーションシステムおよび強化学習では、通常、データを手動で設計および構築する必要があり、比較的複雑です。
第二に、テキスト生成や対話システムの分野の研究は比較的成熟しており、既製のアルゴリズムやフレームワークが多く存在する一方で、レコメンデーションシステムや強化学習の分野は、より多くの探求と研究が必要です。
また、検索エンジン、チャットボット、自動書記などのテキスト生成や対話システムなどの分野では幅広い応用シーンがあり、レコメンドシステムや強化学習は主にeコマース、広告、ゲームなどの分野で利用されています。
ジェネレーティブシナリオは広く利用されていますが、予測的意思決定シナリオは将来的に価値の高いシナリオであるのは事実です。 大規模モデルサプライヤーであろうと企業であろうと、大規模モデル機能に基づいてビジネス価値を向上させたい場合は、後者が取り組みの方向性です。 **
4 業界のシナリオでは、AI モデルを見てみましょう
**大規模なモデルを着陸させるには、まず適切なフィールドとシナリオを選択する必要があります。 この分野のシナリオには、強力なデジタル機能とデジタル基盤があります。 **
たとえば、インテリジェントな顧客サービスの分野では、FAQシステムやチャットボットなどのシナリオで大規模なモデルを検討できます。 広告レコメンデーションの分野では、eコマースプラットフォームでのパーソナライズされたレコメンデーションなどのシナリオに適用できます。 世論調査の分野では、ニュースメディアのコンテンツ分類や感情分析などのシナリオに適用できます。
第二に、高いモデル能力と応用効果が必要です。 現在の企業ユーザーが大規模モデルを実装するためのメインパスの観点から、グループ企業は大規模モデルの能力開発に重点を置き、一般企業/部門はアプリケーションシナリオの探索に重点を置きます。 大規模モデルのキャパシティ ビルディングは、インフラストラクチャの構築、大規模モデルのトレーニング、大規模モデルの適用の 3 つのレベルに分かれています。
現在、大型モデルの適用方向は主に2つのタイプに分けられていることは注目に値します:まず、小型モデルが主力であり、大型モデルは小型モデルの開発効率を向上させます。 **
ただし、このランディング パスでは、モデルの機能が制限されます。
大規模模型着陸の深みを促進するために、大規模模型のサプライヤーと企業は、能力と協力モデルを模索し続ける必要があります。 **
大型模型の着地を深める道筋が少しずつ見えてきています。
将来的には、大規模モデル技術の継続的な開発と普及に伴い、モデルカスケードの適用はますます広範になります。
たとえば、複数の大規模モデルを組み合わせてカスケード接続することで、音声認識、画像認識、自然言語処理など、より複雑で正確なアプリケーション シナリオを実現できます。 同時に、大規模なモデルと小さなモデルをカスケードして、それぞれの利点を十分に発揮し、モデルのパフォーマンスと汎化能力を向上させることもできます。
これにより、大規模モデルの適用深度が拡大し、さまざまな分野での意思決定シナリオの適用が加速されます。
第二に、業界が異なれば特定のニーズも異なり、大規模なモデルは将来、よりカスタマイズされた方向に開発する必要があります。 業界固有のコーパスのトレーニングを通じて、大規模なモデルはさまざまな業界の実際のアプリケーション シナリオによりよく適応できます。
第二に、実用化における効率とリソースの要件をよりよく満たすためには、より軽量な方向で大型モデルを開発する必要があります。 モデルの圧縮や枝刈りなどの手法により、モデルのパフォーマンスを確保しながら、モデルのサイズとコンピューティング リソースの消費を削減できます。
さらに、データプライバシー保護の問題がますます顕著になるにつれて、大規模なモデルではデータセキュリティとプライバシー保護にもっと注意を払う必要があります。
モデルのカスタマイズ、軽量、およびデータ セキュリティは、その実装の重要な要素になっています。
中国のAIモデルの適用は、インテリジェントな顧客サービス、広告の推奨、世論調査の分野で一連の成果を達成しています。 しかし、**は着陸の過程で多くの困難にも直面しています。 将来的には、業界のカスタマイズ、モデルの軽量化、データセキュリティなどの技術の発展に伴い、AI大規模モデルの着陸と適用により、より広い開発空間が到来するでしょう。 **