在這一集《 Leading With Data》中，我們與四倍的Kaggle Grandmaster兼機器學習解決方案專家Rohan Rao一起研究了有趣的數(shù)據(jù)科學世界。羅漢（Rohan）分享了對戰(zhàn)略合作夥伴關係，數(shù)據(jù)工具的發(fā)展以及大語模型的未來的見解，從而闡明了塑造行業(yè)的挑戰(zhàn)和創(chuàng)新。

您可以在流行平臺上的數(shù)據(jù)，例如Spotify，Google Podcasts和Apple等流行平臺上收聽這一集。選擇您喜歡的人來享受有見地的內(nèi)容！

我們與Rohan Rao對話的關鍵見解

• 比賽中的戰(zhàn)略夥伴關係可以帶來令人難忘的勝利和學習經(jīng)驗。
• 數(shù)據(jù)科學工具的演變需要持續(xù)的學習和從業(yè)者的適應。
• LLM的未來可能取決於新的數(shù)據(jù)源和合成數(shù)據(jù)的生成。
• 企業(yè)熱衷於整合LLM，但在將其應用於獨特數(shù)據(jù)集時面臨挑戰(zhàn)。
• 選擇LLM的綜合框架可以指導企業(yè)做出明智的決策。
• 實驗是在傳統(tǒng)算法和生成AI之間選擇業(yè)務問題的關鍵。
• 具有API的專有LLM，儘管成本更高，但經(jīng)常為企業(yè)提供更便捷的解決方案。
• 負責人的AI涉及多方面的方法，包括技術，政策和法規(guī)。
• 專業(yè)的AI代理人對企業(yè)內(nèi)的有針對性，有效的解決問題的有望有望。

加入我們即將舉行的數(shù)據(jù)會議，與AI和數(shù)據(jù)科學領導者進行洞察力的討論！

讓我們看看我們與Rohan Rao對話的細節(jié)！

您是如何開始數(shù)據(jù)科學旅程的？

感謝您，Kunal，讓我掌握了數(shù)據(jù)。我的數(shù)據(jù)科學旅程始於大約十年前，充滿了編碼，黑客馬拉松和比賽。參加一場傑出的比賽是一個挑戰(zhàn)，但是一個令人難忘的時刻是通過巧妙地與一個強大的競爭對手合作，在Vidhya的黑客馬拉鬆上取得了勝利。這是一個戰(zhàn)略舉動，回報了我的競爭時代，這是一種美好的回憶。

觀察趨勢，數(shù)據(jù)科學最近如何發(fā)展？

數(shù)據(jù)科學領域已經(jīng)看到了逐步進步和突然飛躍的階段。諸如XGBoost之類的工具徹底改變了預測性建模，而BERT則改變了NLP。最近，Chatgpt的發(fā)行標誌著一個重要的里程碑，展示了LLM的功能。這些進步要求數(shù)據(jù)科學家不斷適應和升級他們的技能。

您對生成AI的未來有何預測？

LLM的軌跡傾向於顯示出陡峭的初始改善，然後是平穩(wěn)的。隨著時間的流逝，提高績效變得更具挑戰(zhàn)性。儘管LLM已從大量的互聯(lián)網(wǎng)數(shù)據(jù)中學到了學習，但未來的改進可能取決於合成數(shù)據(jù)生成的新，大型數(shù)據(jù)集或創(chuàng)新。當今可用的計算資源是前所未有的，使創(chuàng)新比以往任何時候都更容易獲得。

企業(yè)如何採用生成AI和LLM？

各個行業(yè)的企業(yè)都渴望將LLMS整合到其運營中。挑戰(zhàn)在於將這些模型與專有業(yè)務數(shù)據(jù)結合起來，這通常不像對數(shù)據(jù)LLM的培訓那樣廣泛。在H2O.AI上，我們看到了很大一部分工作的重點是使企業(yè)通過其獨特的數(shù)據(jù)集利用LLM的功能。

您在不同領域看到的最常見用例是什麼？

企業(yè)最常見的問題是如何使LLM從其特定數(shù)據(jù)中學習。目的是運用LLM的一般能力來應對獨特的業(yè)務挑戰(zhàn)。這涉及了解模型的優(yōu)勢和局限性，並將它們與現(xiàn)有系統(tǒng)和數(shù)據(jù)格式集成在一起。

您可以分享您為業(yè)務需求選擇合適的LLM的框架嗎？

當然。我在數(shù)據(jù)黑客峰會上介紹的框架包括為您的業(yè)務選擇LLM時要考慮的12點。這些範圍從模型的功能和準確性到遵守和隱私等法律考慮。評估這些因素以確定哪些LLM與您的業(yè)務目標和約束最合適至關重要。

您如何在傳統(tǒng)算法和生成AI之間進行選擇？

關鍵是進行實驗和迭代。雖然像XGBoost這樣的傳統(tǒng)算法一直是許多問題的首選，但LLMS提供了新的可能性。通過比較其在特定任務上的績效，企業(yè)可以確定哪種方法可以產(chǎn)生更好的結果，並且可以部署和管理更可行。

LLM周圍建立工程解決方案時有什麼考慮？

在專有的LLM與API之間進行選擇和託管開源LLMS本地託管是一個重大決定。儘管開源模型似乎具有成本效益，但它們具有基礎架構管理和可擴展性等隱藏的複雜性。儘管成本更高，但企業(yè)通常會為了方便起見而傾向於API服務。

您如何應對負責人AI的挑戰(zhàn)？

負責人的AI是一個複雜的問題，超出了技術解決方案。儘管有防護措施和框架可以防止濫用，但LLM的不可預測性質(zhì)使得很難完全控制。該解決方案可能涉及技術保障，政府政策和AI法規(guī)的結合，以平衡創(chuàng)新與道德使用。

您對AI代理商在業(yè)務中的使用有何看法？

我對AI代理商的潛力非?？春谩I(yè)代理可以以高準確的方式執(zhí)行特定的任務，而挑戰(zhàn)在於將這些微型提交整合到更廣泛的解決方案中。雖然某些產(chǎn)品可能只是通過自定義提示將現(xiàn)有的LLM包裹起來，但真正的專業(yè)代理有可能革新我們?nèi)绾卧诟鱾€領域解決問題。

結尾

正如羅漢（Rohan）強調(diào)的那樣，瀏覽數(shù)據(jù)科學和生成AI的景觀需要持續(xù)學習和實驗。通過擁抱創(chuàng)新的框架和負責任的AI實踐，企業(yè)可以利用數(shù)據(jù)的力量推動有意義的解決方案，最終改變他們在快速發(fā)展的市場中運作和競爭的方式。

有關AI，Data Science和Genai的更多引人入勝的會議，請繼續(xù)關注我們的數(shù)據(jù)。

在此處查看我們即將舉行的會議。

以上是Rohan Rao為企業(yè)選擇合適的LLM的指南的詳細內(nèi)容。更多資訊請關注PHP中文網(wǎng)其他相關文章！