Prezentare generală
Învățarea în context este capacitatea surprinzătoare a modelelor de limbaj mari de a prelua o nouă sarcină din câteva exemple plasate în prompt, fără nicio reinstruire. Acesta este motivul pentru care poți „învăța” un model din mers doar arătându-i ceea ce vrei.
Învățarea în context face parte din stiva de limbaj-AI folosită pentru a citi, genera, clasifica și transforma textul și vorbirea la scară.
Deep Dive
În mod normal, a preda unei rețele neuronale o sarcină nouă înseamnă actualizarea greutăților acesteia prin antrenament. Învățarea în context este diferită: scrieți câteva exemple direct în prompt („contextul”), iar modelul deduce modelul și îl aplică unei noi intrări. Nu se schimbă nimic în interiorul modelului; exemplele ghidează doar predicția următorului simbol. Veți auzi „zero-shot” (doar instrucțiuni), „one-shot” (un exemplu) și „few-shot” (mai multe exemple). Acest comportament a fost popularizat de GPT-3 în 2020 și s-a dovedit a fi o abilitate emergentă: modelele minuscule nu o pot face, dar după o scară de aproximativ 100 de miliarde de parametri, acuratețea la solicitările de câteva lovituri crește brusc. Modelul a învățat în mod eficient să recunoască și să continue tiparele în timpul antrenamentului, astfel încât să poată reutiliza acea abilitate la momentul deducerii.
Perspectivă tehnică
Cercetările de interpretabilitate au urmărit o mare parte din această abilitate la „capete de inducție” – circuite de atenție care apar în timpul antrenamentului și efectuează potrivire neclară a prefixelor: scanează înapoi unde a apărut un simbol similar, apoi copiază ceea ce a urmat. Deci, atunci când promptul dvs. arată „măr -> fructe, morcov -> legume”, modelul se potrivește cu structura și prezice eticheta potrivită pentru următorul articol. În mod esențial, nu curge gradienți și nicio pondere nu se actualizează la inferență. Exemplele pur și simplu remodelează activările care alimentează distribuția probabilității următoarei simboluri.
Stăpânirea învățării în context
Învățarea în context este capacitatea surprinzătoare a modelelor de limbaj mari de a prelua o nouă sarcină din câteva exemple plasate în prompt, fără nicio reinstruire. Acesta este motivul pentru care poți „învăța” un model din mers doar arătându-i ceea ce vrei. Învățarea în context face parte din stiva de limbaj-AI folosită pentru a citi, genera, clasifica și transforma textul și vorbirea la scară. Pentru a construi o înțelegere profundă, tratați învățarea în context ca un model de operare, nu o singură caracteristică: definiți rezultatele dorite, clarificați ipotezele și separați ceea ce poate face sistemul în mod fiabil de ceea ce necesită încă o judecată expertă.
În practică, echipele puternice care utilizează învățarea în context proiectează solicitări, recuperări și bucle de revizuire ca un singur sistem de comunicare integrat. Aceștia documentează criteriile de succes explicite, testează în funcție de date și fluxuri de lucru realiste și repetă pe baza modelelor de eșec observate, mai degrabă decât a câștigurilor de referință unice. Aici înțelegerea teoretică se transformă în capacitate durabilă pentru produse, politici și operațiuni.
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența. În același timp, faptele halucinate pot intra în liniște în rapoarte, fluxuri de suport sau rezultate ale cercetării. Cea mai rezistentă abordare este combinarea vitezei de experimentare cu disciplina de guvernare: desfășurați pilot, capturați dovezi, publicați jurnalele de decizie și actualizați continuu măsurile de protecție pe măsură ce comportamentul modelului, așteptările utilizatorilor și cerințele de reglementare evoluează.
Impact strategic
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența.
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Extinde accesul în diferite limbi și stiluri de comunicare.
Extinde accesul în diferite limbi și stiluri de comunicare. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție.
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Implementare în lumea reală
Dându-i unui chatbot trei exemple de bilete de asistență și categoriile acestora, apoi punându-l să clasifice un nou bilet în același mod
Afișează un model două perechi înainte/după de text dezordonat reformatat în JSON curat, astfel încât să convertească restul
Lipiți câteva exemple de descrieri de produse în tonul mărcii dvs., astfel încât altele noi să se potrivească cu stilul
Demonstrarea unui cuvânt-problemă de matematică complicată lucrată pas cu pas, astfel încât modelul să rezolve probleme similare cu același format de raționament
Modele de implementare
Învățare în context în practică
Dându-i unui chatbot trei exemple de bilete de asistență și categoriile acestora, apoi punându-l să clasifice un nou bilet în același mod.
Dându-i unui chatbot trei exemple de bilete de asistență și categoriile acestora, apoi punându-l să clasifice un nou bilet în același mod în care echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile erorilor în timp.
Învățare în context în practică
Afișează un model două perechi înainte/după de text dezordonat reformatat în JSON curat, astfel încât să convertească restul.
Afișarea unui model două perechi înainte/după de text dezordonat reformatat în JSON curat, astfel încât să transforme restul Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile erorilor în timp.
Învățare în context în practică
Lipiți câteva exemple de descrieri de produse în tonul mărcii dvs., astfel încât altele noi să se potrivească cu stilul.
Inserați câteva exemple de descrieri de produse în tonul mărcii dvs., astfel încât cele noi să se potrivească cu stilul Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile erorilor în timp.
Învățare în context în practică
Demonstrarea unui cuvânt-problemă de matematică complicată a lucrat pas cu pas, astfel încât modelul să rezolve probleme similare cu același format de raționament.
Demonstrarea unei probleme de matematică complicată, lucrată pas cu pas, astfel încât modelul să rezolve probleme similare cu același format de raționament.
Riscuri și balustrade
Faptele halucinate pot intra în liniște în rapoarte, fluxuri de sprijin sau rezultate ale cercetării.
Sensibilitatea promptă poate crea rezultate inconsecvente pentru solicitări similare.
Datele text sensibile pot fi expuse dacă controalele de acces sunt slabe.
Foaia de parcurs de implementare
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare.
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Păstrați un punct de control uman pentru rezultate cu mize mari.
Păstrați un punct de control uman pentru rezultate cu mize mari. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.