Dalam 8 bulan, banyak model besar di China bermunculan dan terus menembus ke berbagai skenario industri dengan kecepatan tinggi. Namun sejauh ini, belum ada skenario atau industri yang benar-benar ditumbangkan oleh model besar.
Statistik menunjukkan bahwa dalam penerapan model besar, 45% perusahaan berada dalam tahap menunggu dan melihat, 39% perusahaan dalam tahap eksplorasi dan studi kelayakan, 16% perusahaan dalam tahap aplikasi percontohan, dan perusahaan dengan aplikasi penuh adalah nol. **
Pertanyaan yang patut dilihat adalah, bagaimana kemajuan penerapan model besar di tanah Cina saat ini?
** Pendaratan model besar, keuangan, energi pertama **
"Tolong bantu saya memeriksa penggunaan listrik saya pada bulan Agustus tahun ini, dan hari apa saya akan menggunakan listrik paling banyak?" Bantu saya mendeteksi kekurangan pada gambar ini"... Di Platform Inovasi Kecerdasan Buatan Selatan, melalui interaksi bahasa, sepotong data ditampilkan dengan jelas di depan Anda.
Pada platform ini, pekerja industri listrik dapat mengeluarkan instruksi ke model daya, sehingga dapat secara otomatis menghasilkan hasil pemrosesan data, secara akurat mengidentifikasi detail gambar adegan cacat, dan membantu staf mengambil dan memproses data dalam proses inspeksi daya.
Saat ini, di bidang layanan pelanggan China Southern Power Grid, 60% masalah frekuensi tinggi dapat diselesaikan dengan model daya, dan model daya bahkan lebih baik daripada manual dalam mengidentifikasi fluktuasi sentimen pelanggan.
Selain itu, di bidang transmisi dan distribusi daya, model daya ** memiliki kemampuan untuk memproses 100 gambar masalah per menit, dan juga dapat mengidentifikasi 20 jenis cacat pada saat yang sama, dan efisiensi pengenalan 10 kali lipat dari algoritma AI tradisional. **
Di bidang pengiriman daya, model daya dapat membantu departemen pengiriman untuk dengan cepat dan otomatis menghasilkan rencana pembuangan untuk kondisi abnormal di jaringan listrik, dan menanggapi persyaratan regulasi pasar tenaga secara tepat waktu, membuat rencana lebih aman, lebih efisien, dan lebih murah.
Ini adalah mikrokosmos dari implementasi model besar di bidang energi.
Dapat dipahami bahwa beberapa produsen energi terkemuka telah memulai kerja sama dengan perusahaan teknologi dalam penerapan model besar, terutama di bidang jaringan listrik dan tambang, membentuk beberapa demonstrasi percontohan awal, seperti penjadwalan jaringan listrik, penyelidikan cacat / kesalahan, pemantauan operasi tambang batubara dan skenario lainnya.
Selain bidang energi, bidang keuangan juga merupakan salah satu skenario pendaratan terbesar dari model besar. **
Dalam laporan dari iAnalytics, energi dan perbankan juga tercatat sebagai dua industri dengan kemajuan tercepat dalam implementasi model besar.
Luasnya implementasi di bidang keuangan juga dapat dilihat dari banyaknya model besar dan dinamika perusahaan. Menurut satu set data, pada Agustus, jumlah model besar dengan parameter domestik di atas 1 miliar setinggi 116, di mana sekitar 18 adalah model besar di industri keuangan. **
Selain itu, dalam laporan tengah tahunan, sembilan bank, termasuk Industrial and Commercial Bank of China, Agricultural Bank of China, Bank of China, Bank of Communications, China Merchants Bank, China CITIC Bank, Industrial Bank, Huaxia Bank dan Zheshang Bank, jelas mengusulkan untuk mengeksplorasi penerapan model besar.
Di sisi produsen model skala besar, rilis beberapa model industri intensif juga mencerminkan panasnya implementasi skenario keuangan.
Misalnya, pada akhir Mei, Du Xiaoman merilis model Cina tingkat 100 miliar "Xuanyuan"; pada bulan Juni, Tencent Cloud bergandengan tangan dengan DCIS untuk melakukan kerja sama model keuangan, Agricultural Bank of China meluncurkan aplikasi model besar seperti ChatGPT ChatABC, dan Industrial and Commercial Bank of China merilis model umum untuk industri keuangan berdasarkan Ascend AI.
Dari Juli hingga Agustus, dengan penerapan resmi "Tindakan Sementara untuk Manajemen Layanan Kecerdasan Buatan Generatif", banyak perusahaan, termasuk Tencent, Baidu, iFLYTEK, Huawei, ByteDance, dan perusahaan lain, telah berturut-turut merilis kemajuan model skala besar terbaru; Pada bulan September, Ant Group juga secara resmi merilis model keuangan dan CodeFuse open-source, platform pemrograman AI generatif.
** Bidang keuangan tidak diragukan lagi merupakan salah satu skenario paling banyak untuk model besar untuk mendarat. **
Apakah itu di bidang energi atau bidang keuangan, alasan mengapa kita dapat mencapai pendaratan terkemuka model besar berasal dari beberapa kesamaan antara kedua industri ini. **
Pertama-tama, industri energi dan perbankan adalah industri yang sangat berorientasi data, dengan fondasi data yang baik dan lingkungan digital, yang menyediakan kondisi yang menguntungkan untuk pelatihan dan penerapan model besar. **
Kedua, kedua industri memiliki sejumlah besar pemrosesan data dan kebutuhan pengambilan keputusan, dan pembelajaran mesin skala besar serta teknologi pembelajaran mendalam dapat membantu industri memecahkan masalah ini dan meningkatkan efisiensi dan akurasi pengambilan keputusan.
Selain itu, model bisnis industri energi dan perbankan relatif matang dan memiliki nilai komersial yang tinggi, sehingga permintaan akan teknologi model besar di industri ini juga relatif besar, sehingga mendorong penerapan model besar.
Dapat dilihat bahwa dua industri utama energi dan perbankan relatif cepat dalam implementasi model besar, terutama karena efek komprehensif dari banyak faktor seperti fondasi data yang baik, permintaan teknis yang besar, dan nilai komersial yang tinggi. **
Perlu dicatat bahwa bahkan dalam dua skenario pendaratan keuangan dan energi, masih ada beberapa masalah yang sulit diatasi untuk model besar.
2 Gagal memenuhi nilai pemandangan yang diharapkan
Dalam industri keuangan, pemasaran, pengendalian risiko, dan operasi adalah arah aplikasi model besar yang lebih diperhatikan banyak bank.
Diantaranya, asisten Tanya Jawab yang cerdas, layanan pelanggan yang cerdas, pembuatan gambar pemasaran otomatis, dan penulisan laporan pasca pinjaman adalah subdivisi yang diatur secara aktif oleh bank dan lembaga keuangan lainnya. Namun, saat ini, nilai skenario generatif seperti asisten Tanya Jawab cerdas, layanan pelanggan cerdas, dan pembuatan gambar pemasaran otomatis hampir sama dengan yang diharapkan, tetapi masih ada kesenjangan antara efek yang diharapkan dan aktual dari penerapan model besar dalam pengambilan keputusan dan skenario aplikasi asli seperti bangun pelanggan tidur dan ruang bisnis digital.
Misalnya, dalam skenario layanan pelanggan yang cerdas, di masa lalu, ada beberapa bank soal sparring yang cerdas dan tidak memiliki relevansi. Saat ini, produksi bank soal yang dipersonalisasi berdasarkan model besar dapat mempersingkat siklus pelatihan; Dalam skenario pembuatan gambar pemasaran secara otomatis, desainer biasa memilih dan mendesain di perpustakaan materi, tetapi sekarang mereka dapat menggunakan Midjourney untuk menghasilkannya secara otomatis, yang dapat mengurangi biaya hak cipta dan biaya tenaga kerja.
Dalam kasus bangun pelanggan mengantuk dan ekspektasi nilai skenario aula bisnis digital, yang pertama menggunakan model besar untuk secara otomatis menghasilkan strategi untuk mencapai strategi ujung ke ujung untuk meningkatkan efek bangun, sedangkan yang kedua menggunakan model besar untuk membantu pelanggan menangani bisnis, merekomendasikan produk dan menyelesaikan transaksi, dan dapat mewujudkan saluran baru yang independen dari APP.
Namun, saat ini, nilai aplikasi praktis dari kedua skenario ini belum diketahui. **
Penerapan model skala besar dalam industri energi juga serupa.
Dalam industri energi, nilai aplikasi generatif seperti operasi peralatan dan asisten pengetahuan inspeksi dan layanan pelanggan yang cerdas hampir sama dengan yang diharapkan. Namun, dalam skenario seperti dokumentasi pemeliharaan, perbaikan kesalahan peralatan, dan perkiraan beban daya, nilai sebenarnya dari skenario masih belum diketahui. **
Secara khusus, dalam skenario asisten pengetahuan operasi dan inspeksi peralatan, di masa lalu, basis pengetahuan terstruktur dibangun berdasarkan teknologi NLP, dan dengan dukungan model besar, model besar dapat digunakan untuk membangun asisten operasi dan inspeksi untuk meningkatkan efisiensi. Dalam skenario layanan pelanggan cerdas, di masa lalu, layanan pelanggan cerdas berdasarkan model Bert digunakan, tetapi sekarang model besar digunakan untuk meningkatkan pengalaman pengguna layanan pelanggan cerdas, yang dapat mencapai pemahaman maksud yang lebih akurat, bahasa yang lebih antropomorfik, dan pengalaman pengguna yang lebih baik.
Dalam skenario pembuatan dokumen pemeliharaan, pemeliharaan kesalahan peralatan, dan prediksi beban daya, nilai dari model besar adalah dengan cepat dan otomatis menghasilkan dokumen untuk meningkatkan efisiensi, model besar dapat dengan cepat menemukan penyebab kesalahan dan memberikan saran dan solusi pemeliharaan, dan menggabungkan lebih banyak faktor yang mempengaruhi untuk memprediksi beban secara real time untuk meningkatkan akurasi prediksi.
Namun, saat ini, nilai model besar dalam skenario ini belum diketahui, dan masih perlu waktu untuk mengeksplorasi. ** Dapat ditemukan bahwa apakah itu industri keuangan atau industri energi, skenario pembangkitan cepat mendarat dan memiliki banyak aplikasi, sedangkan skenario pengambilan keputusan lebih lambat dan lebih sulit untuk mendarat, dan ada lebih sedikit aplikasi. **
Saat ini, implementasi ** model besar masih dalam tahap aplikasi percontohan dan belum sepenuhnya diluncurkan. **
Seperti disebutkan di atas, aplikasi model besar AI di industri keuangan, seperti Tanya Jawab cerdas, layanan pelanggan cerdas, ruang bisnis digital, pembuatan laporan pasca-pinjaman, bangun pelanggan yang tidur, dan rekomendasi produk keuangan, telah diterapkan secara bertahap, dan layanan pelanggan cerdas, operasi peralatan dan asisten pengetahuan inspeksi, pembuatan dokumen pemeliharaan, platform simulasi sistem tenaga, dan peramalan beban daya telah diujicobakan di industri energi.
Namun, ritel barang konsumsi, sekuritas, dan media masih dalam tahap penjajakan, sementara perusahaan manufaktur dan farmasi masih dalam tahap wait and see.
Dapat dilihat bahwa meskipun implementasi model besar lebih optimis luasnya, itu lebih sulit secara mendalam.
Kedalaman model besar tergantung pada kemampuan, skala, sumber daya komputasi, kualitas data, pengetahuan domain, dll. Namun, untuk model domestik saat ini, masih dalam tahap awal pengembangan, dan banyak fasilitas dan kemampuan masih berangsur-angsur membaik. **
Dibatasi oleh faktor-faktor seperti kemampuan model dan efek aplikasi, aplikasi pendaratan saat ini terutama didasarkan pada skenario generasi. **
Berbeda dari model pengambilan keputusan, model generatif terutama digunakan di bidang pembuatan teks, sistem dialog, terjemahan bahasa, dll., Dan dapat menghasilkan output teks berkualitas tinggi dengan menganalisis sejumlah besar data teks untuk mempelajari aturan pembuatan dan hubungan semantik internal teks. Model representatif model besar generatif termasuk seri GPT OpenAI dan Wenxin Yiyan Baidu.
Model pengambilan keputusan terutama digunakan dalam sistem rekomendasi, pembelajaran penguatan dan bidang lainnya, dan data yang perlu diproses biasanya mengandung variabel numerik kontinu, dan perlu untuk membuat keputusan atau memprediksi perilaku masa depan. Model representatif dari model pengambilan keputusan termasuk seri AlphaZero DeepMind dan Dota2 AI OpenAI.
Dibandingkan dengan model pengambilan keputusan, model generatif pertama-tama dalam pembuatan teks dan sistem dialog, data dapat dikumpulkan dan diatur melalui sejumlah besar korpora teks, sedangkan dalam sistem rekomendasi dan pembelajaran penguatan, data biasanya perlu dirancang dan dibangun secara manual, yang relatif kompleks.
Kedua, penelitian di bidang pembuatan teks dan sistem dialog telah relatif matang, dan ada banyak algoritma dan kerangka kerja siap pakai yang dapat digunakan, sedangkan bidang sistem rekomendasi dan pembelajaran penguatan membutuhkan lebih banyak eksplorasi dan penelitian.
Selain itu, ada berbagai skenario aplikasi di berbagai bidang seperti pembuatan teks dan sistem dialog, seperti mesin pencari, chatbots, penulisan otomatis, dll., Sementara sistem rekomendasi dan pembelajaran penguatan terutama digunakan dalam e-commerce, periklanan, permainan, dan bidang lainnya.
Ini adalah fakta bahwa meskipun skenario generatif banyak digunakan, skenario pengambilan keputusan prediktif adalah skenario bernilai tinggi di masa depan. Apakah itu pemasok model besar atau perusahaan, jika Anda ingin meningkatkan nilai bisnis berdasarkan kemampuan model besar, yang terakhir adalah arah upaya. **
4 Dalam skenario industri, mari kita lihat model AI
**Pendaratan model besar pertama-tama membutuhkan pemilihan bidang dan skenario yang sesuai. Skenario di bidang ini memiliki kemampuan digital dan fondasi digital yang kuat. **
Misalnya, di bidang layanan pelanggan cerdas, model besar dapat dipertimbangkan untuk skenario seperti sistem FAQ dan chatbots. Di bidang rekomendasi periklanan, ini dapat diterapkan pada skenario seperti rekomendasi yang dipersonalisasi pada platform e-commerce; Di bidang pemantauan opini publik, ini dapat diterapkan pada skenario seperti klasifikasi konten dan analisis sentimen media berita.
Kedua, harus memiliki kemampuan model dan efek aplikasi yang tinggi. Dari perspektif jalur utama pengguna perusahaan saat ini untuk menerapkan model besar, fokus perusahaan grup adalah pada pengembangan kapasitas model besar, dan fokus perusahaan / departemen umum adalah pada eksplorasi skenario aplikasi. Pengembangan kapasitas model besar dibagi menjadi tiga tingkatan: konstruksi infrastruktur, pelatihan model besar dan aplikasi model besar.
Perlu dicatat bahwa saat ini, arah aplikasi model besar terutama dibagi menjadi dua jenis: pertama, model kecil adalah andalan, dan model besar meningkatkan efisiensi pengembangan model kecil; **
Namun, jalur pendaratan ini membatasi kemampuan model.
Untuk mempromosikan kedalaman pendaratan model skala besar, pemasok model skala besar dan perusahaan perlu terus mengeksplorasi kemampuan dan model kerja sama. **
Beberapa jalur untuk memperdalam pendaratan model besar secara bertahap menjadi jelas.
Di masa depan, dengan pengembangan berkelanjutan dan mempopulerkan teknologi model skala besar, penerapan model kaskade akan menjadi semakin luas.
Misalnya, beberapa model besar dapat digabungkan dan berjenjang untuk mencapai skenario aplikasi yang lebih kompleks dan akurat seperti pengenalan suara, pengenalan gambar, dan pemrosesan bahasa alami. Pada saat yang sama, model besar dan model kecil juga dapat mengalir untuk memberikan permainan penuh untuk keuntungan masing-masing dan meningkatkan kinerja dan kemampuan generalisasi model.
Berdasarkan hal ini, kedalaman aplikasi model besar diperluas, dan penerapan skenario pengambilan keputusan di berbagai bidang dipercepat.
Kedua, industri yang berbeda memiliki kebutuhan spesifik yang berbeda, dan model besar perlu dikembangkan ke arah yang lebih disesuaikan di masa depan. Melalui pelatihan korporat khusus industri, model besar dapat lebih beradaptasi dengan skenario aplikasi aktual dari berbagai industri.
Kedua, untuk lebih memenuhi persyaratan efisiensi dan sumber daya dalam aplikasi praktis, model besar perlu dikembangkan ke arah yang lebih ringan. Teknik seperti kompresi dan pemangkasan model dapat mengurangi ukuran dan konsumsi sumber daya komputasi model sambil memastikan kinerja model.
Selain itu, dengan semakin menonjolnya masalah perlindungan privasi data, model besar perlu lebih memperhatikan keamanan data dan perlindungan privasi.
Kustomisasi, ringan, dan keamanan data model telah menjadi faktor penting untuk implementasinya.
Penerapan model AI China telah mencapai serangkaian pencapaian di bidang layanan pelanggan cerdas, rekomendasi iklan, dan pemantauan opini publik. Namun, ** juga menghadapi banyak kesulitan dalam proses pendaratan. Di masa depan, dengan perkembangan teknologi seperti kustomisasi industri, model ringan, dan keamanan data, pendaratan dan penerapan model besar AI akan mengantarkan ruang pengembangan yang lebih luas. **
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Delapan bulan telah berlalu, bagaimana kemajuan implementasi model skala besar China?
Sumber asli: Industrialis
Sudah 8 bulan sejak hari ChatGPT pecah.
Dalam 8 bulan, banyak model besar di China bermunculan dan terus menembus ke berbagai skenario industri dengan kecepatan tinggi. Namun sejauh ini, belum ada skenario atau industri yang benar-benar ditumbangkan oleh model besar.
Statistik menunjukkan bahwa dalam penerapan model besar, 45% perusahaan berada dalam tahap menunggu dan melihat, 39% perusahaan dalam tahap eksplorasi dan studi kelayakan, 16% perusahaan dalam tahap aplikasi percontohan, dan perusahaan dengan aplikasi penuh adalah nol. **
Pertanyaan yang patut dilihat adalah, bagaimana kemajuan penerapan model besar di tanah Cina saat ini?
** Pendaratan model besar, keuangan, energi pertama **
"Tolong bantu saya memeriksa penggunaan listrik saya pada bulan Agustus tahun ini, dan hari apa saya akan menggunakan listrik paling banyak?" Bantu saya mendeteksi kekurangan pada gambar ini"... Di Platform Inovasi Kecerdasan Buatan Selatan, melalui interaksi bahasa, sepotong data ditampilkan dengan jelas di depan Anda.
Pada platform ini, pekerja industri listrik dapat mengeluarkan instruksi ke model daya, sehingga dapat secara otomatis menghasilkan hasil pemrosesan data, secara akurat mengidentifikasi detail gambar adegan cacat, dan membantu staf mengambil dan memproses data dalam proses inspeksi daya.
Saat ini, di bidang layanan pelanggan China Southern Power Grid, 60% masalah frekuensi tinggi dapat diselesaikan dengan model daya, dan model daya bahkan lebih baik daripada manual dalam mengidentifikasi fluktuasi sentimen pelanggan.
Selain itu, di bidang transmisi dan distribusi daya, model daya ** memiliki kemampuan untuk memproses 100 gambar masalah per menit, dan juga dapat mengidentifikasi 20 jenis cacat pada saat yang sama, dan efisiensi pengenalan 10 kali lipat dari algoritma AI tradisional. **
Di bidang pengiriman daya, model daya dapat membantu departemen pengiriman untuk dengan cepat dan otomatis menghasilkan rencana pembuangan untuk kondisi abnormal di jaringan listrik, dan menanggapi persyaratan regulasi pasar tenaga secara tepat waktu, membuat rencana lebih aman, lebih efisien, dan lebih murah.
Ini adalah mikrokosmos dari implementasi model besar di bidang energi.
Dapat dipahami bahwa beberapa produsen energi terkemuka telah memulai kerja sama dengan perusahaan teknologi dalam penerapan model besar, terutama di bidang jaringan listrik dan tambang, membentuk beberapa demonstrasi percontohan awal, seperti penjadwalan jaringan listrik, penyelidikan cacat / kesalahan, pemantauan operasi tambang batubara dan skenario lainnya.
Selain bidang energi, bidang keuangan juga merupakan salah satu skenario pendaratan terbesar dari model besar. **
Dalam laporan dari iAnalytics, energi dan perbankan juga tercatat sebagai dua industri dengan kemajuan tercepat dalam implementasi model besar.
Selain itu, dalam laporan tengah tahunan, sembilan bank, termasuk Industrial and Commercial Bank of China, Agricultural Bank of China, Bank of China, Bank of Communications, China Merchants Bank, China CITIC Bank, Industrial Bank, Huaxia Bank dan Zheshang Bank, jelas mengusulkan untuk mengeksplorasi penerapan model besar.
Di sisi produsen model skala besar, rilis beberapa model industri intensif juga mencerminkan panasnya implementasi skenario keuangan.
Misalnya, pada akhir Mei, Du Xiaoman merilis model Cina tingkat 100 miliar "Xuanyuan"; pada bulan Juni, Tencent Cloud bergandengan tangan dengan DCIS untuk melakukan kerja sama model keuangan, Agricultural Bank of China meluncurkan aplikasi model besar seperti ChatGPT ChatABC, dan Industrial and Commercial Bank of China merilis model umum untuk industri keuangan berdasarkan Ascend AI.
Dari Juli hingga Agustus, dengan penerapan resmi "Tindakan Sementara untuk Manajemen Layanan Kecerdasan Buatan Generatif", banyak perusahaan, termasuk Tencent, Baidu, iFLYTEK, Huawei, ByteDance, dan perusahaan lain, telah berturut-turut merilis kemajuan model skala besar terbaru; Pada bulan September, Ant Group juga secara resmi merilis model keuangan dan CodeFuse open-source, platform pemrograman AI generatif.
** Bidang keuangan tidak diragukan lagi merupakan salah satu skenario paling banyak untuk model besar untuk mendarat. **
Apakah itu di bidang energi atau bidang keuangan, alasan mengapa kita dapat mencapai pendaratan terkemuka model besar berasal dari beberapa kesamaan antara kedua industri ini. **
Pertama-tama, industri energi dan perbankan adalah industri yang sangat berorientasi data, dengan fondasi data yang baik dan lingkungan digital, yang menyediakan kondisi yang menguntungkan untuk pelatihan dan penerapan model besar. **
Kedua, kedua industri memiliki sejumlah besar pemrosesan data dan kebutuhan pengambilan keputusan, dan pembelajaran mesin skala besar serta teknologi pembelajaran mendalam dapat membantu industri memecahkan masalah ini dan meningkatkan efisiensi dan akurasi pengambilan keputusan.
Selain itu, model bisnis industri energi dan perbankan relatif matang dan memiliki nilai komersial yang tinggi, sehingga permintaan akan teknologi model besar di industri ini juga relatif besar, sehingga mendorong penerapan model besar.
Dapat dilihat bahwa dua industri utama energi dan perbankan relatif cepat dalam implementasi model besar, terutama karena efek komprehensif dari banyak faktor seperti fondasi data yang baik, permintaan teknis yang besar, dan nilai komersial yang tinggi. **
Perlu dicatat bahwa bahkan dalam dua skenario pendaratan keuangan dan energi, masih ada beberapa masalah yang sulit diatasi untuk model besar.
2 Gagal memenuhi nilai pemandangan yang diharapkan
Dalam industri keuangan, pemasaran, pengendalian risiko, dan operasi adalah arah aplikasi model besar yang lebih diperhatikan banyak bank.
Diantaranya, asisten Tanya Jawab yang cerdas, layanan pelanggan yang cerdas, pembuatan gambar pemasaran otomatis, dan penulisan laporan pasca pinjaman adalah subdivisi yang diatur secara aktif oleh bank dan lembaga keuangan lainnya. Namun, saat ini, nilai skenario generatif seperti asisten Tanya Jawab cerdas, layanan pelanggan cerdas, dan pembuatan gambar pemasaran otomatis hampir sama dengan yang diharapkan, tetapi masih ada kesenjangan antara efek yang diharapkan dan aktual dari penerapan model besar dalam pengambilan keputusan dan skenario aplikasi asli seperti bangun pelanggan tidur dan ruang bisnis digital.
Misalnya, dalam skenario layanan pelanggan yang cerdas, di masa lalu, ada beberapa bank soal sparring yang cerdas dan tidak memiliki relevansi. Saat ini, produksi bank soal yang dipersonalisasi berdasarkan model besar dapat mempersingkat siklus pelatihan; Dalam skenario pembuatan gambar pemasaran secara otomatis, desainer biasa memilih dan mendesain di perpustakaan materi, tetapi sekarang mereka dapat menggunakan Midjourney untuk menghasilkannya secara otomatis, yang dapat mengurangi biaya hak cipta dan biaya tenaga kerja.
Dalam kasus bangun pelanggan mengantuk dan ekspektasi nilai skenario aula bisnis digital, yang pertama menggunakan model besar untuk secara otomatis menghasilkan strategi untuk mencapai strategi ujung ke ujung untuk meningkatkan efek bangun, sedangkan yang kedua menggunakan model besar untuk membantu pelanggan menangani bisnis, merekomendasikan produk dan menyelesaikan transaksi, dan dapat mewujudkan saluran baru yang independen dari APP.
Namun, saat ini, nilai aplikasi praktis dari kedua skenario ini belum diketahui. **
Penerapan model skala besar dalam industri energi juga serupa.
Dalam industri energi, nilai aplikasi generatif seperti operasi peralatan dan asisten pengetahuan inspeksi dan layanan pelanggan yang cerdas hampir sama dengan yang diharapkan. Namun, dalam skenario seperti dokumentasi pemeliharaan, perbaikan kesalahan peralatan, dan perkiraan beban daya, nilai sebenarnya dari skenario masih belum diketahui. **
Secara khusus, dalam skenario asisten pengetahuan operasi dan inspeksi peralatan, di masa lalu, basis pengetahuan terstruktur dibangun berdasarkan teknologi NLP, dan dengan dukungan model besar, model besar dapat digunakan untuk membangun asisten operasi dan inspeksi untuk meningkatkan efisiensi. Dalam skenario layanan pelanggan cerdas, di masa lalu, layanan pelanggan cerdas berdasarkan model Bert digunakan, tetapi sekarang model besar digunakan untuk meningkatkan pengalaman pengguna layanan pelanggan cerdas, yang dapat mencapai pemahaman maksud yang lebih akurat, bahasa yang lebih antropomorfik, dan pengalaman pengguna yang lebih baik.
Dalam skenario pembuatan dokumen pemeliharaan, pemeliharaan kesalahan peralatan, dan prediksi beban daya, nilai dari model besar adalah dengan cepat dan otomatis menghasilkan dokumen untuk meningkatkan efisiensi, model besar dapat dengan cepat menemukan penyebab kesalahan dan memberikan saran dan solusi pemeliharaan, dan menggabungkan lebih banyak faktor yang mempengaruhi untuk memprediksi beban secara real time untuk meningkatkan akurasi prediksi.
Namun, saat ini, nilai model besar dalam skenario ini belum diketahui, dan masih perlu waktu untuk mengeksplorasi. ** Dapat ditemukan bahwa apakah itu industri keuangan atau industri energi, skenario pembangkitan cepat mendarat dan memiliki banyak aplikasi, sedangkan skenario pengambilan keputusan lebih lambat dan lebih sulit untuk mendarat, dan ada lebih sedikit aplikasi. **
3 "Menghasilkan Skenario > Skenario Pengambilan Keputusan": Produktivitas yang Sulit Dikonversi
Saat ini, implementasi ** model besar masih dalam tahap aplikasi percontohan dan belum sepenuhnya diluncurkan. **
Seperti disebutkan di atas, aplikasi model besar AI di industri keuangan, seperti Tanya Jawab cerdas, layanan pelanggan cerdas, ruang bisnis digital, pembuatan laporan pasca-pinjaman, bangun pelanggan yang tidur, dan rekomendasi produk keuangan, telah diterapkan secara bertahap, dan layanan pelanggan cerdas, operasi peralatan dan asisten pengetahuan inspeksi, pembuatan dokumen pemeliharaan, platform simulasi sistem tenaga, dan peramalan beban daya telah diujicobakan di industri energi.
Namun, ritel barang konsumsi, sekuritas, dan media masih dalam tahap penjajakan, sementara perusahaan manufaktur dan farmasi masih dalam tahap wait and see.
Dapat dilihat bahwa meskipun implementasi model besar lebih optimis luasnya, itu lebih sulit secara mendalam.
Kedalaman model besar tergantung pada kemampuan, skala, sumber daya komputasi, kualitas data, pengetahuan domain, dll. Namun, untuk model domestik saat ini, masih dalam tahap awal pengembangan, dan banyak fasilitas dan kemampuan masih berangsur-angsur membaik. **
Dibatasi oleh faktor-faktor seperti kemampuan model dan efek aplikasi, aplikasi pendaratan saat ini terutama didasarkan pada skenario generasi. **
Berbeda dari model pengambilan keputusan, model generatif terutama digunakan di bidang pembuatan teks, sistem dialog, terjemahan bahasa, dll., Dan dapat menghasilkan output teks berkualitas tinggi dengan menganalisis sejumlah besar data teks untuk mempelajari aturan pembuatan dan hubungan semantik internal teks. Model representatif model besar generatif termasuk seri GPT OpenAI dan Wenxin Yiyan Baidu.
Model pengambilan keputusan terutama digunakan dalam sistem rekomendasi, pembelajaran penguatan dan bidang lainnya, dan data yang perlu diproses biasanya mengandung variabel numerik kontinu, dan perlu untuk membuat keputusan atau memprediksi perilaku masa depan. Model representatif dari model pengambilan keputusan termasuk seri AlphaZero DeepMind dan Dota2 AI OpenAI.
Dibandingkan dengan model pengambilan keputusan, model generatif pertama-tama dalam pembuatan teks dan sistem dialog, data dapat dikumpulkan dan diatur melalui sejumlah besar korpora teks, sedangkan dalam sistem rekomendasi dan pembelajaran penguatan, data biasanya perlu dirancang dan dibangun secara manual, yang relatif kompleks.
Kedua, penelitian di bidang pembuatan teks dan sistem dialog telah relatif matang, dan ada banyak algoritma dan kerangka kerja siap pakai yang dapat digunakan, sedangkan bidang sistem rekomendasi dan pembelajaran penguatan membutuhkan lebih banyak eksplorasi dan penelitian.
Selain itu, ada berbagai skenario aplikasi di berbagai bidang seperti pembuatan teks dan sistem dialog, seperti mesin pencari, chatbots, penulisan otomatis, dll., Sementara sistem rekomendasi dan pembelajaran penguatan terutama digunakan dalam e-commerce, periklanan, permainan, dan bidang lainnya.
Ini adalah fakta bahwa meskipun skenario generatif banyak digunakan, skenario pengambilan keputusan prediktif adalah skenario bernilai tinggi di masa depan. Apakah itu pemasok model besar atau perusahaan, jika Anda ingin meningkatkan nilai bisnis berdasarkan kemampuan model besar, yang terakhir adalah arah upaya. **
4 Dalam skenario industri, mari kita lihat model AI
**Pendaratan model besar pertama-tama membutuhkan pemilihan bidang dan skenario yang sesuai. Skenario di bidang ini memiliki kemampuan digital dan fondasi digital yang kuat. **
Misalnya, di bidang layanan pelanggan cerdas, model besar dapat dipertimbangkan untuk skenario seperti sistem FAQ dan chatbots. Di bidang rekomendasi periklanan, ini dapat diterapkan pada skenario seperti rekomendasi yang dipersonalisasi pada platform e-commerce; Di bidang pemantauan opini publik, ini dapat diterapkan pada skenario seperti klasifikasi konten dan analisis sentimen media berita.
Kedua, harus memiliki kemampuan model dan efek aplikasi yang tinggi. Dari perspektif jalur utama pengguna perusahaan saat ini untuk menerapkan model besar, fokus perusahaan grup adalah pada pengembangan kapasitas model besar, dan fokus perusahaan / departemen umum adalah pada eksplorasi skenario aplikasi. Pengembangan kapasitas model besar dibagi menjadi tiga tingkatan: konstruksi infrastruktur, pelatihan model besar dan aplikasi model besar.
Perlu dicatat bahwa saat ini, arah aplikasi model besar terutama dibagi menjadi dua jenis: pertama, model kecil adalah andalan, dan model besar meningkatkan efisiensi pengembangan model kecil; **
Namun, jalur pendaratan ini membatasi kemampuan model.
Untuk mempromosikan kedalaman pendaratan model skala besar, pemasok model skala besar dan perusahaan perlu terus mengeksplorasi kemampuan dan model kerja sama. **
Beberapa jalur untuk memperdalam pendaratan model besar secara bertahap menjadi jelas.
Di masa depan, dengan pengembangan berkelanjutan dan mempopulerkan teknologi model skala besar, penerapan model kaskade akan menjadi semakin luas.
Misalnya, beberapa model besar dapat digabungkan dan berjenjang untuk mencapai skenario aplikasi yang lebih kompleks dan akurat seperti pengenalan suara, pengenalan gambar, dan pemrosesan bahasa alami. Pada saat yang sama, model besar dan model kecil juga dapat mengalir untuk memberikan permainan penuh untuk keuntungan masing-masing dan meningkatkan kinerja dan kemampuan generalisasi model.
Berdasarkan hal ini, kedalaman aplikasi model besar diperluas, dan penerapan skenario pengambilan keputusan di berbagai bidang dipercepat.
Kedua, industri yang berbeda memiliki kebutuhan spesifik yang berbeda, dan model besar perlu dikembangkan ke arah yang lebih disesuaikan di masa depan. Melalui pelatihan korporat khusus industri, model besar dapat lebih beradaptasi dengan skenario aplikasi aktual dari berbagai industri.
Kedua, untuk lebih memenuhi persyaratan efisiensi dan sumber daya dalam aplikasi praktis, model besar perlu dikembangkan ke arah yang lebih ringan. Teknik seperti kompresi dan pemangkasan model dapat mengurangi ukuran dan konsumsi sumber daya komputasi model sambil memastikan kinerja model.
Selain itu, dengan semakin menonjolnya masalah perlindungan privasi data, model besar perlu lebih memperhatikan keamanan data dan perlindungan privasi.
Kustomisasi, ringan, dan keamanan data model telah menjadi faktor penting untuk implementasinya.
Penerapan model AI China telah mencapai serangkaian pencapaian di bidang layanan pelanggan cerdas, rekomendasi iklan, dan pemantauan opini publik. Namun, ** juga menghadapi banyak kesulitan dalam proses pendaratan. Di masa depan, dengan perkembangan teknologi seperti kustomisasi industri, model ringan, dan keamanan data, pendaratan dan penerapan model besar AI akan mengantarkan ruang pengembangan yang lebih luas. **