ภาพรวม
การเรียนรู้ในบริบทคือความสามารถอันน่าประหลาดใจของโมเดลภาษาขนาดใหญ่ในการรับงานใหม่จากตัวอย่างสองสามตัวอย่างที่อยู่ในพรอมต์ โดยไม่ต้องมีการฝึกอบรมซ้ำ นี่คือเหตุผลที่คุณสามารถ 'สอน' โมเดลได้ทันทีเพียงแค่แสดงสิ่งที่คุณต้องการ
การเรียนรู้ในบริบทเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด
เจาะลึก
โดยปกติแล้ว การสอนโครงข่ายประสาทเทียมเป็นงานใหม่หมายถึงการอัปเดตน้ำหนักของโครงข่ายประสาทเทียมผ่านการฝึกอบรม การเรียนรู้ในบริบทนั้นแตกต่างออกไป: คุณเขียนตัวอย่างบางส่วนโดยตรงในข้อความแจ้ง ("บริบท") และแบบจำลองจะอนุมานรูปแบบและนำไปใช้กับอินพุตใหม่ ไม่มีสิ่งใดภายในโมเดลเปลี่ยนแปลง ตัวอย่างเป็นเพียงการทำนายโทเค็นถัดไป คุณจะได้ยินคำว่า 'zero-shot' (คำแนะนำเท่านั้น), 'one-shot' (หนึ่งตัวอย่าง) และ 'few-shot' (หลายตัวอย่าง) พฤติกรรมนี้ได้รับความนิยมโดย GPT-3 ในปี 2020 และกลายเป็นความสามารถที่เกิดขึ้นใหม่ โมเดลขนาดเล็กไม่สามารถทำได้ แต่เกินขนาดพารามิเตอร์ประมาณ 100 พันล้านพารามิเตอร์ ความแม่นยำในการแจ้งเตือนไม่กี่ครั้งก็เพิ่มขึ้นอย่างรวดเร็ว แบบจำลองเรียนรู้ได้อย่างมีประสิทธิภาพที่จะจดจำและดำเนินการรูปแบบต่อไปในระหว่างการฝึกล่วงหน้า ดังนั้นจึงสามารถนำทักษะนั้นกลับมาใช้ใหม่ได้ในเวลาอนุมาน
ข้อมูลเชิงลึกทางเทคนิค
การวิจัยความสามารถในการตีความได้ติดตามความสามารถส่วนใหญ่ของ 'หัวเหนี่ยวนำ' ซึ่งเป็นวงจรความสนใจที่เกิดขึ้นระหว่างการฝึกและทำการจับคู่คำนำหน้าที่คลุมเครือ โดยจะสแกนกลับไปหาบริเวณที่มีโทเค็นที่คล้ายกันปรากฏขึ้น จากนั้นคัดลอกสิ่งที่ตามมา ดังนั้นเมื่อข้อความแจ้งของคุณแสดง 'แอปเปิ้ล -> ผลไม้ แครอท -> ผัก' แบบจำลองจะตรงกับโครงสร้างและคาดการณ์ป้ายกำกับที่ถูกต้องสำหรับรายการถัดไป สิ่งสำคัญที่สุดคือไม่มีการไล่ระดับสีและไม่มีการอัปเดตน้ำหนักเมื่ออนุมาน ตัวอย่างเพียงปรับรูปแบบการเปิดใช้งานที่ป้อนการแจกแจงความน่าจะเป็นของโทเค็นถัดไป
การเรียนรู้ในบริบทอย่างเชี่ยวชาญ
การเรียนรู้ในบริบทคือความสามารถอันน่าประหลาดใจของโมเดลภาษาขนาดใหญ่ในการรับงานใหม่จากตัวอย่างสองสามตัวอย่างที่อยู่ในพรอมต์ โดยไม่ต้องมีการฝึกอบรมซ้ำ นี่คือเหตุผลที่คุณสามารถ 'สอน' โมเดลได้ทันทีเพียงแค่แสดงสิ่งที่คุณต้องการ การเรียนรู้ในบริบทเป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่าการเรียนรู้ในบริบทเป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งใช้การแจ้งเตือนการออกแบบการเรียนรู้ในบริบท การดึงข้อมูล และการตรวจสอบลูปเป็นระบบการสื่อสารแบบรวมระบบเดียว โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในขณะเดียวกัน ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
ให้ตั๋วสนับสนุนสามตัวอย่างแก่แชทบอตพร้อมหมวดหมู่ จากนั้นให้จัดประเภทตั๋วใหม่ในลักษณะเดียวกัน
การแสดงโมเดลสองก่อน/หลังคู่ข้อความยุ่งๆ ที่ฟอร์แมตใหม่เป็น JSON ที่สะอาด เพื่อแปลงส่วนที่เหลือ
วางคำอธิบายผลิตภัณฑ์ตัวอย่างสองสามรายการในโทนสีของแบรนด์ของคุณ เพื่อให้คำอธิบายใหม่ตรงกับสไตล์
การสาธิตปัญหาคำศัพท์ทางคณิตศาสตร์ที่ซับซ้อนนั้นทำงานทีละขั้นตอน ดังนั้นแบบจำลองจึงแก้ปัญหาที่คล้ายกันด้วยรูปแบบการใช้เหตุผลเดียวกัน
รูปแบบการดำเนินงาน
การเรียนรู้ในบริบทในทางปฏิบัติ
ให้ตั๋วสนับสนุนสามตัวอย่างแก่แชทบอตพร้อมหมวดหมู่ จากนั้นให้จัดประเภทตั๋วใหม่ในลักษณะเดียวกัน
ให้ตั๋วสนับสนุนตัวอย่างสามตั๋วแก่แชทบอตพร้อมหมวดหมู่ จากนั้นให้จัดประเภทตั๋วใหม่ในลักษณะเดียวกับที่ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเรียนรู้ในบริบทในทางปฏิบัติ
การแสดงโมเดลสองก่อน/หลังคู่ข้อความยุ่งๆ ที่ฟอร์แมตใหม่เป็น JSON ที่สะอาด เพื่อแปลงส่วนที่เหลือ
การแสดงโมเดลสองก่อน/หลังคู่ข้อความยุ่งๆ ที่จัดรูปแบบใหม่เป็น JSON ที่สะอาด ดังนั้นจึงแปลงทีมที่เหลือมักจะได้รับผลลัพธ์ที่ดีขึ้น เมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเรียนรู้ในบริบทในทางปฏิบัติ
วางคำอธิบายผลิตภัณฑ์ตัวอย่างสองสามรายการในโทนสีของแบรนด์ของคุณ เพื่อให้คำอธิบายใหม่ตรงกับสไตล์
วางคำอธิบายผลิตภัณฑ์ตัวอย่างสองสามรายการในโทนสีของแบรนด์ของคุณ เพื่อให้คำอธิบายใหม่ตรงกับสไตล์ ทีมมักจะได้รับผลลัพธ์ที่ดีขึ้นเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเรียนรู้ในบริบทในทางปฏิบัติ
การสาธิตปัญหาคำศัพท์ทางคณิตศาสตร์ที่ซับซ้อนนั้นทำงานทีละขั้นตอน ดังนั้นแบบจำลองจึงแก้ปัญหาที่คล้ายกันด้วยรูปแบบการใช้เหตุผลเดียวกัน
การสาธิตปัญหาคำศัพท์ทางคณิตศาสตร์ที่ซับซ้อนทำงานทีละขั้นตอน ดังนั้นแบบจำลองจึงแก้ปัญหาที่คล้ายกันด้วยรูปแบบการให้เหตุผลเดียวกัน ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ
ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน
ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ
แผนงานการดำเนินงาน
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น