Tiếp theoHướng dẫn tiếp theo
Bảo mật thông tin khách hàng khi luật sư sử dụng công cụ AI
xã hội
HƯỚNG DẪN KỸ THUẬT
Người tạo công cụ và cách sử dụng công cụ tự học
Toolformer là một phương pháp AI 2023 Meta cho phép mô hình ngôn ngữ tự dạy về thời điểm và cách gọi các công cụ bên ngoài như máy tính, công cụ tìm kiếm và trình dịch.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
Instead of humans labeling tool calls, the model generates and filters its own training examples, then fine-tunes on the ones that actually help.
Lặn sâu
Người tạo công cụ, từ Schick et al. tại Meta AI, giải quyết một nghịch lý: các mô hình lớn giỏi về ngôn ngữ nhưng lại kém về số học, dữ liệu mới và tra cứu chính xác. Vòng đào tạo được tự giám sát. Mô hình này được cung cấp một số ví dụ do con người viết hiển thị cú pháp lệnh gọi API, sau đó được nhắc chèn các lệnh gọi ứng viên (được bao bọc trong các mã thông báo đặc biệt) tại nhiều vị trí trên một kho văn bản lớn. Mỗi lệnh gọi ứng viên thực sự được thực thi và kết quả được ghép vào. Bước lọc khóa chỉ giữ một lệnh gọi công cụ nếu kết quả API làm giảm mức độ bối rối của mô hình đối với văn bản thực sắp tới hơn là không gọi hoặc gọi khác. Sau đó, mô hình sẽ được tinh chỉnh trên tập dữ liệu được lọc, tự tạo này, học cách gọi năm công cụ: máy tính, hệ thống QA, công cụ tìm kiếm, trình dịch và lịch.
Triển khai trong thế giới thực
Gọi API máy tính ở giữa câu để có được số học chính xác thay vì đoán câu trả lời bằng số.
Truy vấn hệ thống tìm kiếm hoặc QA để tìm nạp thông tin thực tế cập nhật hoặc hiếm thấy.
Gọi công cụ dịch máy để hiển thị một cụm từ bằng ngôn ngữ khác trong văn bản được tạo.
Sử dụng công cụ lịch/ngày để giải quyết các tham chiếu tương đối như 'thứ Sáu tới' thành một ngày cụ thể.
Tương lai của việc tạo công cụ và sử dụng công cụ tự học
Toolformer đã gieo mầm cho các tác nhân gọi hàm và sử dụng công cụ ngày nay. Biên giới đang chuyển từ một số ít công cụ cố định sang hàng chục hoặc hàng trăm công cụ được phát hiện trong thời gian chạy, với các mô hình lý luận về việc nên gọi công cụ nào, xâu chuỗi các cuộc gọi và xử lý lỗi. Mong đợi sự tích hợp chặt chẽ hơn với vòng lặp tác nhân và học tăng cường, cộng với việc học nhanh các API mới, để việc sử dụng công cụ tự học trở thành một khả năng tiêu chuẩn thay vì tinh chỉnh chuyên dụng.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Chi phí và ngân sách. Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
- Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
- Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
coi chừng
- Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
- Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
- Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Các bước tiếp theo
- Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
- Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
- Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
- Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Toolformer and Self-Taught Tool Use quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
What is Toolformer and Self-Taught Tool Use?
Toolformer là một phương pháp AI 2023 Meta cho phép mô hình ngôn ngữ tự dạy về thời điểm và cách gọi các công cụ bên ngoài như máy tính, công cụ tìm kiếm và trình dịch. Thay vì con người gắn nhãn các lệnh gọi công cụ, mô hình này tạo và lọc các ví dụ đào tạo của riêng nó, sau đó tinh chỉnh những ví dụ thực sự hữu ích.
Điều gì làm cho cách tiếp cận sử dụng công cụ học tập của Toolformer trở nên khác biệt?
Toolformer tự giám sát: mô hình đề xuất các lệnh gọi API ứng viên, thực thi chúng và chỉ giữ lại những lệnh gọi hữu ích mà không có chú thích của con người về cách sử dụng chính xác.
Toolformer sử dụng tiêu chí nào để quyết định có nên giữ lệnh gọi API ứng viên hay không?
Cuộc gọi chỉ được giữ lại nếu việc chèn kết quả của nó làm giảm mức độ bối rối/mất mát của mô hình đối với văn bản thực sắp tới vượt quá ngưỡng, cho thấy nó thực sự hữu ích.
Toolformer ban đầu đã học cách sử dụng bộ công cụ nào?
Toolformer được đào tạo để gọi năm API: máy tính, hệ thống trả lời câu hỏi, công cụ tìm kiếm, máy dịch và lịch.
Các lệnh gọi công cụ được thể hiện như thế nào trong văn bản trong quá trình của Toolformer?
Các cuộc gọi của ứng viên và kết quả trả về của họ được chèn nội tuyến vào văn bản bằng cách sử dụng các mã thông báo đặc biệt, do đó mô hình sẽ tìm hiểu vị trí và đối số cùng nhau.
Điểm yếu tiềm ẩn nào của các mô hình ngôn ngữ lớn đã thúc đẩy Toolformer?
Mặc dù có kỹ năng ngôn ngữ tốt, LLM vẫn phải vật lộn với số học chính xác, dữ kiện cập nhật và truy xuất thông tin chính xác mà các công cụ bên ngoài có thể cung cấp.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này