Τεχνικός ΟΔΗΓΟΣ

Toolformer και Αυτοδίδακτος Χρήση εργαλείων

Το Toolformer είναι μια Meta μέθοδος τεχνητής νοημοσύνης του 2023 που επιτρέπει σε ένα μοντέλο γλώσσας να μαθαίνει πότε και πώς να καλεί εξωτερικά εργαλεία όπως αριθμομηχανές, μηχανές αναζήτησης και μεταφραστές.

Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min

Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
  1. Επισκόπηση
  2. Βαθιά κατάδυση
  3. Υλοποίηση σε πραγματικό κόσμο
  4. The Future of Toolformer και Αυτοδίδακτης Χρήσης Εργαλείων
  5. Κάνοντάς το στην πράξη
  6. Συνεχίστε την εξερεύνηση
  7. Συχνές ερωτήσεις

Επισκόπηση

Αντί για κλήσεις εργαλείων ετικετών από ανθρώπους, το μοντέλο δημιουργεί και φιλτράρει τα δικά του παραδείγματα εκπαίδευσης και, στη συνέχεια, προσαρμόζει με ακρίβεια αυτά που πραγματικά βοηθούν.

Βαθιά κατάδυση

Toolformer, από τους Schick et al. στο Meta AI, αντιμετωπίζει ένα παράδοξο: τα μεγάλα μοντέλα είναι εξαιρετικά στη γλώσσα, αλλά κακά στην αριθμητική, τα νέα στοιχεία και τις ακριβείς αναζητήσεις. Ο βρόχος εκπαίδευσης εποπτεύεται από τον εαυτό του. Στο μοντέλο δίνονται μια χούφτα γραμμένα από τον άνθρωπο παραδείγματα που δείχνουν σύνταξη κλήσης API και, στη συνέχεια, ζητείται να εισαγάγετε υποψήφιες κλήσεις (τυλιγμένες σε ειδικά διακριτικά) σε πολλές θέσεις σε ένα μεγάλο σώμα κειμένου. Κάθε υποψήφια κλήση εκτελείται στην πραγματικότητα και το αποτέλεσμα συνδυάζεται. Το βήμα φιλτραρίσματος κλειδιού διατηρεί μια κλήση εργαλείου μόνο εάν το αποτέλεσμα του API μειώνει την αμηχανία του μοντέλου στο επερχόμενο πραγματικό κείμενο περισσότερο από τη μη κλήση ή διαφορετική κλήση. Στη συνέχεια, το μοντέλο ρυθμίζεται με ακρίβεια σε αυτό το φιλτραρισμένο, αυτοπαραγόμενο σύνολο δεδομένων, μαθαίνοντας να επικαλείται πέντε εργαλεία: μια αριθμομηχανή, ένα σύστημα QA, μια μηχανή αναζήτησης, έναν μεταφραστή και ένα ημερολόγιο.

Υλοποίηση σε πραγματικό κόσμο

Κλήση API αριθμομηχανής στη μέση πρόταση για να λάβετε ακριβή αριθμητική αντί να μαντέψετε μια αριθμητική απάντηση.

Ερώτηση για ένα σύστημα αναζήτησης ή διασφάλισης ποιότητας για τη λήψη ενημερωμένων ή σπάνια εμφανιζόμενων πραγματικών πληροφοριών.

Επίκληση ενός εργαλείου μηχανικής μετάφρασης για απόδοση μιας φράσης σε άλλη γλώσσα μέσα στο κείμενο που δημιουργείται.

Χρησιμοποιώντας ένα εργαλείο ημερολογίου/ημερομηνίας για την επίλυση σχετικών παραπομπών όπως «την επόμενη Παρασκευή» σε μια συγκεκριμένη ημερομηνία.

The Future of Toolformer και Αυτοδίδακτης Χρήσης Εργαλείων

Το Toolformer δημιούργησε τους σημερινούς πράκτορες που χρησιμοποιούν εργαλεία και καλούν λειτουργίες. Τα σύνορα μετακινούνται από μια σταθερή χούφτα εργαλείων σε δεκάδες ή εκατοντάδες που ανακαλύφθηκαν κατά τη διάρκεια της εκτέλεσης, με τα μοντέλα να συλλογίζονται για το ποιο εργαλείο να καλέσουν, να αλυσιδώνουν τις κλήσεις και να χειρίζονται αστοχίες. Αναμένετε στενότερη ενσωμάτωση με την ενισχυτική μάθηση και τους βρόχους πράκτορα, καθώς και την άμεση εκμάθηση νέων API, έτσι ώστε η χρήση αυτοδίδακτων εργαλείων να γίνει τυπική ικανότητα και όχι εξειδικευμένη λεπτομέρεια.

Κάνοντάς το στην πράξη

Γιατί έχει σημασία

  • Κόστος και προϋπολογισμός. Οι αποφάσεις για την αρχιτεκτονική καθορίζουν την απόδοση και το λειτουργικό κόστος για χρόνια.
  • Σαφέστερες αποφάσεις. Η τεχνική εκπαίδευση βοηθά τις ομάδες να επιλέξουν τη σωστή στοίβα, όχι μόνο τη νεότερη.
  • Ελεγχος ποιότητας. Οι καλύτερες επιλογές μηχανικής μειώνουν τα περιστατικά αξιοπιστίας στην παραγωγή.

Προσέξτε

  • Η βελτιστοποίηση ενός σημείου αναφοράς μπορεί να κρύψει ευρύτερες αδυναμίες του συστήματος.
  • Το κόστος υποδομής και συντήρησης συχνά υποτιμάται.
  • Τα κενά ασφάλειας και παρατηρητικότητας μπορούν να αυξηθούν καθώς τα συστήματα γίνονται πιο πολύπλοκα.

Επόμενα βήματα

  1. Καθορίστε τους στόχους καθυστέρησης, ποιότητας και κόστους πριν από την εφαρμογή.
  2. Σημείο αναφοράς υπό ρεαλιστικές συνθήκες φορτίου και δεδομένων.
  3. Παρακολούθηση οργάνου για σφάλματα, μετατόπιση και επιπτώσεις από τον χρήστη.
  4. Προετοιμάστε διαδρομές επαναφοράς και απόκρισης συμβάντος πριν την κλιμάκωση.

Συνεχίστε την εξερεύνηση

Δωρεάν ενημερωτικό δελτίο

Λάβετε την καθημερινή ενημέρωση AI

Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.

Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.

Δοκιμάστε τον εαυτό σας

Take the Toolformer and Self-Taught Tool Use quiz

Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.

Έναρξη κουίζ

Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά

Συχνές ερωτήσεις

Τι είναι η χρήση του Toolformer και του Αυτοδίδακτου Εργαλείου;

Το Toolformer είναι μια Meta μέθοδος τεχνητής νοημοσύνης του 2023 που επιτρέπει σε ένα μοντέλο γλώσσας να μαθαίνει πότε και πώς να καλεί εξωτερικά εργαλεία όπως αριθμομηχανές, μηχανές αναζήτησης και μεταφραστές. Αντί για κλήσεις εργαλείων ετικετών από ανθρώπους, το μοντέλο δημιουργεί και φιλτράρει τα δικά του παραδείγματα εκπαίδευσης και, στη συνέχεια, συντονίζει αυτά που πραγματικά βοηθούν.

Τι κάνει ξεχωριστή την προσέγγιση του Toolformer στη χρήση εργαλείων εκμάθησης;

Το Toolformer εποπτεύεται από τον εαυτό του: το μοντέλο προτείνει υποψήφιες κλήσεις API, τις εκτελεί και διατηρεί μόνο τις χρήσιμες, χωρίς ανθρώπινο σχολιασμό της σωστής χρήσης.

Ποιο κριτήριο χρησιμοποιεί το Toolformer για να αποφασίσει εάν θα διατηρήσει μια κλήση υποψηφίου API;

Μια κλήση διατηρείται μόνο εάν η εισαγωγή του αποτελέσματός της μειώνει την αμηχανία/απώλεια του μοντέλου στο επερχόμενο πραγματικό κείμενο πέρα ​​από ένα όριο, υποδεικνύοντας ότι ήταν πραγματικά χρήσιμο.

Ποιο σύνολο εργαλείων έμαθε να χρησιμοποιεί το αρχικό Toolformer;

Το Toolformer εκπαιδεύτηκε να επικαλείται πέντε API: μια αριθμομηχανή, ένα σύστημα απαντήσεων σε ερωτήσεις, μια μηχανή αναζήτησης, έναν μηχανικό μεταφραστή και ένα ημερολόγιο.

Πώς αντιπροσωπεύονται οι κλήσεις εργαλείων στο κείμενο κατά τη διαδικασία του Toolformer;

Οι κλήσεις υποψηφίων και τα επιστρεφόμενα αποτελέσματά τους εισάγονται ενσωματωμένα στο κείμενο χρησιμοποιώντας ειδικά διακριτικά, έτσι το μοντέλο μαθαίνει την τοποθέτηση και τα ορίσματα μαζί.

Ποια υποκείμενη αδυναμία των μεγάλων γλωσσικών μοντέλων παρακίνησε το Toolformer;

Παρά τις ισχυρές γλωσσικές δεξιότητες, οι LLM αγωνίζονται με την ακριβή αριθμητική, τα ενημερωμένα στοιχεία και την ακριβή ανάκτηση πληροφοριών, που μπορούν να παρέχουν τα εξωτερικά εργαλεία.

Συνέχισε να μαθαίνεις

Σχετικοί οδηγοί

Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα

Λάβετε ένα δωρεάν πιστοποιητικό AIΈνα σύντομο δωρεάν μάθημα και εξέταση. Χωρίς κόστος, χωρίς κάρτα. Περίπου 2,5 ώρες.Ξεκινήστε δωρεάν →