In dieser Episode von Lead With Data tauchen wir in die faszinierende Welt der Datenwissenschaft mit Rohan Rao ein, einem Vierfach -Gro?meister und Experten für maschinelles Lernl?sungen. Rohan gibt Einblicke in strategische Partnerschaften, die Entwicklung von Datenwerkzeugen und die Zukunft von Gro?sprachmodellen, die Aufschluss über die Herausforderungen und Innovationen, die die Branche gestalten.

Sie k?nnen diese Episode von Leading mit Daten auf beliebten Plattformen wie Spotify, Google Podcasts und Apple anh?ren. W?hlen Sie Ihren Favoriten aus, um den aufschlussreichen Inhalt zu genie?en!

Wichtige Erkenntnisse aus unserem Gespr?ch mit Rohan Rao

• Strategische Partnerschaften in Wettbewerben k?nnen zu unvergesslichen Siegen und Lernerfahrungen führen.
• Die Entwicklung von Datenwissenschaftstools erfordert kontinuierliches Lernen und Anpassung von Praktikern.
• Die Zukunft von LLMs kann von neuen Datenquellen und synthetischen Datenerzeugung abh?ngen.
• Unternehmen sind daran interessiert, LLMs zu integrieren, stehen jedoch vor Herausforderungen bei der Anwendung von einzigartigen Datens?tzen.
• Ein umfassender Rahmen für die Auswahl von LLMs kann Unternehmen bei fundierten Entscheidungen leiten.
• Experimente sind der Schlüssel zur Auswahl traditioneller Algorithmen und generatives KI für Gesch?ftsprobleme.
• Propriet?re LLMs mit APIs bieten trotz h?herer Kosten h?ufig eine bequemere L?sung für Unternehmen.
• Verantwortliche KI beinhaltet einen facettenreichen Ansatz, einschlie?lich Technologie, Politik und Regulierung.
• Spezialisierte AI-Agenten versprechen eine gezielte, effiziente Probleml?sung innerhalb von Unternehmen.

Nehmen Sie an unserer bevorstehenden Führung mit Datensitzungen teil, um aufschlussreiche Diskussionen mit KI- und Datenwissenschaftsleitern zu diskutieren!

Schauen wir uns die Details unseres Gespr?chs mit Rohan Rao an!

Wie haben Sie Ihre Reise in die Datenwissenschaft begonnen und welcher Wettbewerb f?llt Ihnen auf?

Vielen Dank, Kunal, dass Sie mich mit Daten führen. Meine Reise in die Datenwissenschaft begann vor fast einem Jahrzehnt, gefüllt mit Codierung, Hackathons und Wettbewerben. Es ist schwierig, einen herausragenden Wettbewerb auszuw?hlen, aber ein unvergesslicher Moment bestand darin, einen Hattrick von Siegen in der Analytics Vidhyas Hackathons zu erzielen, indem sie sich geschickt mit einem starken Konkurrenten zusammenschlie?en. Es war ein strategischer Schritt, der sich ausgezahlt hat und eine gute Erinnerung an meine Wettbewerbstage ist.

Wie hat sich die Data Science in letzter Zeit entwickelt, um die Trends zu beobachten?

Das Gebiet der Data Science hat Phasen allm?hlicher Fortschritte und pl?tzlichen Sprüngen erlebt. Tools wie XGBOOST revolutionierte pr?diktive Modellierung, w?hrend Bert NLP transformierte. Kürzlich war die Ver?ffentlichung von ChatGPT einen bedeutenden Meilenstein, der die F?higkeiten von LLMs zeigt. Bei diesen Fortschritten müssen Datenwissenschaftler ihre F?higkeiten kontinuierlich anpassen und aufrüsten.

Was sind Ihre Vorhersagen für die Zukunft der generativen KI?

Die Flugbahn von LLMs zeigt tendenziell eine starke anf?ngliche Verbesserung, gefolgt von einem Plateau. Die Verbesserung der Leistung inkrementell wird im Laufe der Zeit schwieriger. W?hrend LLMs aus gro?en Mengen an Internetdaten gelernt haben, k?nnen die zukünftigen Verbesserungen auf neue, gro?e Datens?tze oder Innovationen in der Erzeugung synthetischer Daten abh?ngen. Die heute verfügbaren rechnerischen Ressourcen sind beispiellos und machen Innovationen zug?nglicher als je zuvor.

Wie übernehmen Unternehmen die generative KI und LLMs?

Unternehmen in verschiedenen Branchen sind bestrebt, LLMs in ihren Betrieb zu integrieren. Die Herausforderung besteht darin, diese Modelle mit propriet?ren Gesch?ftsdaten zu heiraten, was h?ufig nicht so umfangreich ist, wie die Daten LLMs ausgebildet sind. Auf H2O.AI sehen wir einen erheblichen Teil unserer Arbeit, der sich darauf konzentriert, dass Unternehmen die Leistung von LLMs mit ihren einzigartigen Datens?tzen nutzen k?nnen.

Was sind die h?ufigsten Anwendungsf?lle, die Sie in verschiedenen Sektoren gesehen haben?

Die h?ufigste Frage von Unternehmen ist, wie ein LLM aus ihren spezifischen Daten lernen kann. Ziel ist es, die allgemeinen F?higkeiten von LLMs anzuwenden, um einzigartige gesch?ftliche Herausforderungen zu bew?ltigen. Dies beinhaltet das Verst?ndnis der St?rken und Einschr?nkungen der Modelle und die Integration in vorhandene Systeme und Datenformate.

K?nnen Sie Ihr Framework für die Auswahl des richtigen LLM für Gesch?ftsanforderungen teilen?

Sicherlich. Das Framework, das ich auf dem Data Hack Summit vorgestellt habe, enth?lt 12 Punkte, die bei der Auswahl eines LLM für Ihr Unternehmen zu berücksichtigen sind. Diese reichen von den F?higkeiten des Modells und der Genauigkeit über Skalierbarkeit, Kosten und rechtliche überlegungen wie Compliance und Privatsph?re. Es ist entscheidend, diese Faktoren zu bewerten, um festzustellen, welche LLM am besten mit Ihren Gesch?ftszielen und Einschr?nkungen übereinstimmt.

Wie navigieren Sie die Wahl zwischen herk?mmlichen Algorithmen und generativen KI?

Der Schlüssel ist zu experimentieren und zu iterieren. W?hrend traditionelle Algorithmen wie Xgboost für viele Probleme die Anlaufstelle waren, bieten LLMs neue M?glichkeiten. Durch den Vergleich ihrer Leistung mit bestimmten Aufgaben k?nnen Unternehmen bestimmen, welcher Ansatz bessere Ergebnisse erzielt und ist für die Bereitstellung und Verwaltung m?glich.

Was sind die überlegungen beim Bau von LLMs in technischen L?sungen?

Die Wahl zwischen propriet?ren LLMs mit APIs und der Hosting von Open-Source-LLMs vor Ort ist eine bedeutende Entscheidung. Open-Source-Modelle m?gen zwar kostengünstig erscheinen, sind jedoch mit verborgenen Komplexit?ten wie dem Infrastrukturmanagement und der Skalierbarkeit ausgestattet. Oft betrachten Unternehmen trotz h?herer Kosten API -Dienste für ihre Bequemlichkeit.

Wie gehen Sie mit den Herausforderungen der verantwortlichen KI um?

Responsible AI ist ein komplexes Thema, das über technologische L?sungen hinausgeht. W?hrend Leitplanken und Frameworks vorhanden sind, um Missbrauch zu verhindern, erschwert die unvorhersehbare Natur von LLMs es schwierig, vollst?ndig zu kontrollieren. Die L?sung kann eine Kombination aus technologischen Schutzma?nahmen, Regierungsrichtlinien und KI -Vorschriften beinhalten, um Innovationen mit ethischer Verwendung in Einklang zu bringen.

Wie sehen Sie die Verwendung von AI -Agenten im Gesch?ft?

Ich bin extrem optimistisch über das Potenzial von AI -Agenten. Spezialisierte Wirkstoffe k?nnen bestimmte Aufgaben mit hoher Genauigkeit ausführen, und die Herausforderung besteht darin, diese Mikrotasks in breitere L?sungen zu integrieren. W?hrend einige Produkte m?glicherweise vorhandene LLMs mit benutzerdefinierten Eingabeaufforderungen einwickeln, k?nnen wirklich spezialisierte Agenten das Potenzial revolutionieren, wie wir die Probleml?sung in verschiedenen Bereichen n?hern.

Endnote

Wie Rohan betont, erfordert das Navigieren in der Landschaft der Datenwissenschaft und der generativen KI kontinuierliches Lernen und Experimentieren. Durch die Einführung innovativer Rahmenbedingungen und verantwortungsbewusster KI -Praktiken k?nnen Unternehmen die Macht der Daten nutzen, um sinnvolle L?sungen voranzutreiben und letztendlich die Art und Weise zu ver?ndern, wie sie arbeiten und in einem sich schnell entwickelnden Markt konkurrieren.

Weitere engagierende Sitzungen zu KI, Data Science und Genai, bleiben Sie mit uns auf dem Laufenden.

Sehen Sie sich hier unsere bevorstehenden Sitzungen an.

Das obige ist der detaillierte Inhalt vonRohan Raos Leitfaden zur Auswahl der richtigen LLMs für Unternehmen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!