Εκμάθηση εντός πλαισίου
Η εκμάθηση εντός πλαισίου είναι η εκπληκτική ικανότητα των μεγάλων μοντέλων γλώσσας να επιλέγουν μια νέα εργασία από μερικά παραδείγματα που έχουν τοποθετηθεί στην προτροπή, χωρίς καμία επανεκπαίδευση.
Επισκόπηση
It is the reason you can 'teach' a model on the fly just by showing it what you want.
Βαθιά κατάδυση
Κανονικά, η διδασκαλία ενός νέου έργου σε ένα νευρωνικό δίκτυο σημαίνει ενημέρωση των βαρών του μέσω της εκπαίδευσης. Η εκμάθηση εντός περιβάλλοντος είναι διαφορετική: γράφετε μερικά παραδείγματα απευθείας στη γραμμή εντολών (το «πλαίσιο») και το μοντέλο συνάγει το μοτίβο και το εφαρμόζει σε μια νέα είσοδο. Δεν αλλάζει τίποτα μέσα στο μοντέλο. τα παραδείγματα απλώς κατευθύνουν την επόμενη πρόβλεψη. Θα ακούσετε "zero-shot" (μόνο οδηγίες), "one-shot" (ένα παράδειγμα) και "few-shot" (αρκετά παραδείγματα). Αυτή η συμπεριφορά έγινε δημοφιλής από το GPT-3 το 2020 και αποδείχθηκε ότι ήταν μια αναδυόμενη ικανότητα: τα μικροσκοπικά μοντέλα δεν μπορούν να το κάνουν, αλλά πέρα από την κλίμακα περίπου 100 δισεκατομμυρίων παραμέτρων, η ακρίβεια σε προτροπές λίγων βολών ανεβαίνει απότομα. Το μοντέλο έμαθε αποτελεσματικά να αναγνωρίζει και να συνεχίζει τα μοτίβα κατά τη διάρκεια της προεκπαίδευσης, ώστε να μπορεί να επαναχρησιμοποιήσει αυτή την ικανότητα κατά το χρόνο συμπερασμάτων.
Τεχνική διορατικότητα
Η έρευνα ερμηνείας εντόπισε μεγάλο μέρος αυτής της ικανότητας σε «κεφαλές επαγωγής» - κυκλώματα προσοχής που εμφανίζονται κατά τη διάρκεια της προπόνησης και εκτελούν ασαφή αντιστοίχιση προθέματος: σαρώνουν πίσω για το πού εμφανίστηκε ένα παρόμοιο διακριτικό και μετά αντιγράφουν αυτό που το ακολούθησε. Έτσι, όταν η προτροπή σας εμφανίζει "μήλο -> φρούτα, καρότα -> λαχανικά", το μοντέλο ταιριάζει με τη δομή και προβλέπει τη σωστή ετικέτα για το επόμενο στοιχείο. Το σημαντικό είναι ότι δεν ρέουν διαβαθμίσεις και δεν ενημερώνονται τα βάρη στο συμπέρασμα. Τα παραδείγματα απλώς αναδιαμορφώνουν τις ενεργοποιήσεις που τροφοδοτούν την κατανομή πιθανότητας του επόμενου διακριτικού.
Στρατηγικός αντίκτυπος
Ταχύτητα και κλίμακα
Οι ροές εργασίας της γλώσσας μπορούν να κινηθούν πιο γρήγορα χωρίς να θυσιάζεται η συνέπεια.
Πρόσβαση και προσέγγιση χρηστών
Επεκτείνει την πρόσβαση σε όλες τις γλώσσες και τα στυλ επικοινωνίας.
Σαφέστερες αποφάσεις
Οι ομάδες μπορούν να αφιερώσουν περισσότερο χρόνο στην κρίση, ενώ ο αυτοματισμός χειρίζεται την επανάληψη.
Το μέλλον της μάθησης εντός πλαισίου
Η επέκταση των παραθύρων περιβάλλοντος (τώρα εκατοντάδες χιλιάδες διακριτικά) ωθεί τη μάθηση εντός περιβάλλοντος προς καθεστώτα «πολλές βολών», όπου δεκάδες ή εκατοντάδες παραδείγματα μπορούν να συναγωνιστούν τη λεπτομέρεια για ορισμένες εργασίες, χωρίς κόστος εκπαίδευσης. Αναμένετε στενότερη ενσωμάτωση με την ανάκτηση, ώστε σχετικά παραδείγματα να λαμβάνονται αυτόματα και καλύτερη θεωρία όταν η μάθηση εντός πλαισίου αποτυγχάνει ή αποσπάται η προσοχή. Θα παραμείνει ο γρήγορος, φθηνός τρόπος προσαρμογής ενός μοντέλου, συμπληρώνοντας —όχι αντικαθιστώντας— τη λεπτομέρεια για σταθερές εργασίες μεγάλου όγκου.
Υλοποίηση σε πραγματικό κόσμο
Δίνοντας σε ένα chatbot τρία παραδείγματα υποστηρικτικών εισιτηρίων και των κατηγοριών τους και, στη συνέχεια, το να ταξινομήσει ένα νέο εισιτήριο με τον ίδιο τρόπο
Εμφάνιση ενός μοντέλου δύο πριν/μετά ζεύγη ακατάστατου κειμένου που έχουν επαναδιαμορφωθεί σε καθαρό JSON ώστε να μετατρέπει τα υπόλοιπα
Επικολλήστε μερικά δείγματα περιγραφών προϊόντων με τον τόνο της επωνυμίας σας, ώστε οι νέες να ταιριάζουν με το στυλ
Η επίδειξη ενός δύσκολου μαθηματικού προβλήματος λέξης λειτούργησε βήμα προς βήμα, έτσι ώστε το μοντέλο να λύνει παρόμοια προβλήματα με την ίδια μορφή συλλογισμού
Κίνδυνοι & προστατευτικά κιγκλιδώματα
Τα παραισθησιακά γεγονότα μπορούν να εισάγουν αθόρυβα αναφορές, να υποστηρίζουν ροές ή αποτελέσματα έρευνας.
Η άμεση ευαισθησία μπορεί να δημιουργήσει ασυνεπή αποτελέσματα σε παρόμοια αιτήματα.
Τα ευαίσθητα δεδομένα κειμένου ενδέχεται να εκτεθούν εάν τα στοιχεία ελέγχου πρόσβασης είναι αδύναμα.
Οδικός Χάρτης Εφαρμογής
Καθορίστε τη μορφή εξόδου, τον τόνο και τα πρότυπα ποιότητας πριν από την κυκλοφορία.
Επίγειες απαντήσεις με αξιόπιστες πηγές όποτε έχει σημασία η ακρίβεια.
Διατηρήστε ένα σημείο ελέγχου ανθρώπινης αξιολόγησης για αποτελέσματα υψηλού πονταρίσματος.
Παρακολουθήστε τα μοτίβα αποτυχίας και επανεκπαιδεύστε τις προτροπές ή τις ροές εργασίας τακτικά.
Συνεχίστε την εξερεύνηση
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the In-Context Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Επόμενος οδηγός
Περιβάλλον Windows
Συχνές ερωτήσεις
What is In-Context Learning?
Η εκμάθηση εντός πλαισίου είναι η εκπληκτική ικανότητα των μεγάλων μοντέλων γλώσσας να επιλέγουν μια νέα εργασία από μερικά παραδείγματα που έχουν τοποθετηθεί στην προτροπή, χωρίς καμία επανεκπαίδευση. Είναι ο λόγος που μπορείς να «διδάξεις» ένα μοντέλο εν κινήσει απλά δείχνοντάς του αυτό που θέλεις.
Τι αλλάζει θεμελιωδώς μέσα στο μοντέλο κατά τη διάρκεια της μάθησης εντός πλαισίου;
Η μάθηση εντός πλαισίου γίνεται εξ ολοκλήρου στο συμπέρασμα. Τα παραδείγματα στην προτροπή διαμορφώνουν τις ενεργοποιήσεις του μοντέλου και τις επόμενες προβλέψεις, αλλά δεν ενημερώνονται τα βάρη.
Γιατί η μάθηση εντός πλαισίου περιγράφεται ως «αναδυόμενη» ικανότητα;
Η ικανότητα είναι αδύναμη ή απουσιάζει σε μικρά μοντέλα και ανεβαίνει απότομα μόλις τα μοντέλα φτάσουν σε πολύ μεγάλη κλίμακα, γι' αυτό και ονομάζεται αναδυόμενη.
Ποιος εσωτερικός μηχανισμός σχετίζεται περισσότερο με τη μάθηση εντός πλαισίου σε μετασχηματιστές;
Η εργασία ερμηνείας προσδιόρισε τις κεφαλές επαγωγής - κυκλώματα προσοχής που βρίσκουν πού εμφανίστηκε ένα παρόμοιο διακριτικό και αντιγράφουν αυτό που ακολούθησε - ως βασική κινητήρια δύναμη της μάθησης εντός του πλαισίου.