在這一集《 Leading With Data》中，我們與四倍的Kaggle Grandmaster兼機(jī)器學(xué)習(xí)解決方案專家Rohan Rao一起研究了有趣的數(shù)據(jù)科學(xué)世界。羅漢（Rohan）分享了對(duì)戰(zhàn)略合作伙伴關(guān)系，數(shù)據(jù)工具的發(fā)展以及大語模型的未來的見解，從而闡明了塑造行業(yè)的挑戰(zhàn)和創(chuàng)新。

您可以在流行平臺(tái)上的數(shù)據(jù)，例如Spotify，Google Podcasts和Apple等流行平臺(tái)上收聽這一集。選擇您喜歡的人來享受有見地的內(nèi)容！

我們與Rohan Rao對(duì)話的關(guān)鍵見解

• 比賽中的戰(zhàn)略伙伴關(guān)系可以帶來令人難忘的勝利和學(xué)習(xí)經(jīng)驗(yàn)。
• 數(shù)據(jù)科學(xué)工具的演變需要持續(xù)的學(xué)習(xí)和從業(yè)者的適應(yīng)。
• LLM的未來可能取決于新的數(shù)據(jù)源和合成數(shù)據(jù)的生成。
• 企業(yè)熱衷于整合LLM，但在將其應(yīng)用于獨(dú)特?cái)?shù)據(jù)集時(shí)面臨挑戰(zhàn)。
• 選擇LLM的綜合框架可以指導(dǎo)企業(yè)做出明智的決策。
• 實(shí)驗(yàn)是在傳統(tǒng)算法和生成AI之間選擇業(yè)務(wù)問題的關(guān)鍵。
• 具有API的專有LLM，盡管成本更高，但經(jīng)常為企業(yè)提供更便捷的解決方案。
• 負(fù)責(zé)人的AI涉及多方面的方法，包括技術(shù)，政策和法規(guī)。
• 專業(yè)的AI代理人對(duì)企業(yè)內(nèi)的有針對(duì)性，有效的解決問題的有望有望。

加入我們即將舉行的數(shù)據(jù)會(huì)議，與AI和數(shù)據(jù)科學(xué)領(lǐng)導(dǎo)者進(jìn)行洞察力的討論！

讓我們看看我們與Rohan Rao對(duì)話的細(xì)節(jié)！

您是如何開始數(shù)據(jù)科學(xué)旅程的？

感謝您，Kunal，讓我掌握了數(shù)據(jù)。我的數(shù)據(jù)科學(xué)旅程始于大約十年前，充滿了編碼，黑客馬拉松和比賽。參加一場(chǎng)杰出的比賽是一個(gè)挑戰(zhàn)，但是一個(gè)令人難忘的時(shí)刻是通過巧妙地與一個(gè)強(qiáng)大的競(jìng)爭(zhēng)對(duì)手合作，在Vidhya的黑客馬拉松上取得了勝利。這是一個(gè)戰(zhàn)略舉動(dòng)，回報(bào)了我的競(jìng)爭(zhēng)時(shí)代，這是一種美好的回憶。

觀察趨勢(shì)，數(shù)據(jù)科學(xué)最近如何發(fā)展？

數(shù)據(jù)科學(xué)領(lǐng)域已經(jīng)看到了逐步進(jìn)步和突然飛躍的階段。諸如XGBoost之類的工具徹底改變了預(yù)測(cè)性建模，而BERT則改變了NLP。最近，Chatgpt的發(fā)行標(biāo)志著一個(gè)重要的里程碑，展示了LLM的功能。這些進(jìn)步要求數(shù)據(jù)科學(xué)家不斷適應(yīng)和升級(jí)他們的技能。

您對(duì)生成AI的未來有何預(yù)測(cè)？

LLM的軌跡傾向于顯示出陡峭的初始改善，然后是平穩(wěn)的。隨著時(shí)間的流逝，提高績(jī)效變得更具挑戰(zhàn)性。盡管LLM已從大量的互聯(lián)網(wǎng)數(shù)據(jù)中學(xué)到了學(xué)習(xí)，但未來的改進(jìn)可能取決于合成數(shù)據(jù)生成的新，大型數(shù)據(jù)集或創(chuàng)新。當(dāng)今可用的計(jì)算資源是前所未有的，使創(chuàng)新比以往任何時(shí)候都更容易獲得。

企業(yè)如何采用生成AI和LLM？

各個(gè)行業(yè)的企業(yè)都渴望將LLMS整合到其運(yùn)營中。挑戰(zhàn)在于將這些模型與專有業(yè)務(wù)數(shù)據(jù)結(jié)合起來，這通常不像對(duì)數(shù)據(jù)LLM的培訓(xùn)那樣廣泛。在H2O.AI上，我們看到了很大一部分工作的重點(diǎn)是使企業(yè)通過其獨(dú)特的數(shù)據(jù)集利用LLM的功能。

您在不同領(lǐng)域看到的最常見用例是什么？

企業(yè)最常見的問題是如何使LLM從其特定數(shù)據(jù)中學(xué)習(xí)。目的是運(yùn)用LLM的一般能力來應(yīng)對(duì)獨(dú)特的業(yè)務(wù)挑戰(zhàn)。這涉及了解模型的優(yōu)勢(shì)和局限性，并將它們與現(xiàn)有系統(tǒng)和數(shù)據(jù)格式集成在一起。

您可以分享您為業(yè)務(wù)需求選擇合適的LLM的框架嗎？

當(dāng)然。我在數(shù)據(jù)黑客峰會(huì)上介紹的框架包括為您的業(yè)務(wù)選擇LLM時(shí)要考慮的12點(diǎn)。這些范圍從模型的功能和準(zhǔn)確性到遵守和隱私等法律考慮。評(píng)估這些因素以確定哪些LLM與您的業(yè)務(wù)目標(biāo)和約束最合適至關(guān)重要。

您如何在傳統(tǒng)算法和生成AI之間進(jìn)行選擇？

關(guān)鍵是進(jìn)行實(shí)驗(yàn)和迭代。雖然像XGBoost這樣的傳統(tǒng)算法一直是許多問題的首選，但LLMS提供了新的可能性。通過比較其在特定任務(wù)上的績(jī)效，企業(yè)可以確定哪種方法可以產(chǎn)生更好的結(jié)果，并且可以部署和管理更可行。

LLM周圍建立工程解決方案時(shí)有什么考慮？

在專有的LLM與API之間進(jìn)行選擇和托管開源LLMS本地托管是一個(gè)重大決定。盡管開源模型似乎具有成本效益，但它們具有基礎(chǔ)架構(gòu)管理和可擴(kuò)展性等隱藏的復(fù)雜性。盡管成本更高，但企業(yè)通常會(huì)為了方便起見而傾向于API服務(wù)。

您如何應(yīng)對(duì)負(fù)責(zé)人AI的挑戰(zhàn)？

負(fù)責(zé)人的AI是一個(gè)復(fù)雜的問題，超出了技術(shù)解決方案。盡管有防護(hù)措施和框架可以防止濫用，但LLM的不可預(yù)測(cè)性質(zhì)使得很難完全控制。該解決方案可能涉及技術(shù)保障，政府政策和AI法規(guī)的結(jié)合，以平衡創(chuàng)新與道德使用。

您對(duì)AI代理商在業(yè)務(wù)中的使用有何看法？

我對(duì)AI代理商的潛力非?？春谩I(yè)代理可以以高準(zhǔn)確的方式執(zhí)行特定的任務(wù)，而挑戰(zhàn)在于將這些微型提交整合到更廣泛的解決方案中。雖然某些產(chǎn)品可能只是通過自定義提示將現(xiàn)有的LLM包裹起來，但真正的專業(yè)代理有可能革新我們?nèi)绾卧诟鱾€(gè)領(lǐng)域解決問題。

結(jié)尾

正如羅漢（Rohan）強(qiáng)調(diào)的那樣，瀏覽數(shù)據(jù)科學(xué)和生成AI的景觀需要持續(xù)學(xué)習(xí)和實(shí)驗(yàn)。通過擁抱創(chuàng)新的框架和負(fù)責(zé)任的AI實(shí)踐，企業(yè)可以利用數(shù)據(jù)的力量推動(dòng)有意義的解決方案，最終改變他們?cè)诳焖侔l(fā)展的市場(chǎng)中運(yùn)作和競(jìng)爭(zhēng)的方式。

有關(guān)AI，Data Science和Genai的更多引人入勝的會(huì)議，請(qǐng)繼續(xù)關(guān)注我們的數(shù)據(jù)。

在此處查看我們即將舉行的會(huì)議。

以上是Rohan Rao為企業(yè)選擇合適的LLM的指南的詳細(xì)內(nèi)容。更多信息請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！