ฝึกฝนโมเดล AI ด้วยข้อมูลของคุณเองเพื่อลดความเสี่ยง

โมเดลพื้นฐานเป็นแพลตฟอร์มที่ดีที่องค์กรต่างๆ สามารถสร้างเพื่อควบคุมข้อมูลการฝึกอบรมปัญญาประดิษฐ์ของตนได้

องค์กรที่ต้องการควบคุมปัญญาประดิษฐ์เชิงสร้างสรรค์ (AI) ได้อย่างมีประสิทธิภาพมากขึ้น ควรใช้ข้อมูลของตนเองในการฝึกอบรมระบบ AI โดยใช้แบบจำลองพื้นฐานเป็นจุดเริ่มต้น

การทำเช่นนี้สามารถให้บริบทที่เกี่ยวข้องมากขึ้น และบรรเทาความกังวลเกี่ยวกับความเสี่ยงที่อาจเกิดขึ้น เช่น ความไม่ถูกต้องและการละเมิดทรัพย์สินทางปัญญา

ความแม่นยำเป็นสิ่งสำคัญที่สุดสำหรับบริษัทอย่าง Jiva ผู้จำหน่ายเทคโนโลยีการเกษตรใช้ AI เพื่อขับเคลื่อนแอปมือถือ Crop Doctor ซึ่งระบุโรคพืชผ่านการประมวลผลภาพและการมองเห็นด้วยคอมพิวเตอร์ และแนะนำวิธีการรักษา นอกจากนี้ยังใช้ AI เพื่อกำหนดความน่าเชื่อถือทางเครดิตของเกษตรกรที่ขอเบิกเงินสดล่วงหน้าก่อนการเก็บเกี่ยว และคืนเงินกู้เมื่อการเก็บเกี่ยวหมดลง

ใช้ AI และเครื่องมือการเรียนรู้ของเครื่องต่างๆ รวมถึง Pinecorn, OpenAI และ scikit-learn รวมถึง TensorFlow และ Vertex AI ของ Google Jiva มีการดำเนินงานในสิงคโปร์ อินโดนีเซีย และอินเดีย

โดยจะฝึกฝนโมเดล AI บนรูปภาพที่มีคำอธิบายประกอบหลายพันภาพสำหรับแต่ละโรค ตามข้อมูลของ CTO Tejas Dinkar ของ Jiva บริษัท Agritech ได้รวบรวมภาพภาคพื้นดินนับแสนภาพผ่านทีมงานภาคสนามและเกษตรกรที่เป็นส่วนหนึ่งของเครือข่ายของ Jiva และใช้แอป AgriCentral ซึ่งเปิดให้บริการในอินเดีย

ผู้เชี่ยวชาญภาคสนามมีส่วนร่วมในการรวบรวมเบื้องต้นและใส่คำอธิบายประกอบภาพ ก่อนที่จะส่งต่อไปยังผู้เชี่ยวชาญด้านพืชไร่ที่ทำคำอธิบายประกอบภาพเพิ่มเติม จากนั้นสิ่งเหล่านี้จะถูกเพิ่มเข้าไปในแบบจำลองการฝึกอบรมที่ใช้ในการระบุโรคพืช

สำหรับพืชผลใหม่ๆ ที่ทีมผู้เชี่ยวชาญไม่คุ้นเคย Jiva ได้นำแพลตฟอร์มอื่นๆ เข้ามา เช่น Plantix ซึ่งมีชุดข้อมูลที่ครอบคลุมเพื่อขับเคลื่อนข้อมูลการจดจำและวินิจฉัยภาพ

การให้ข้อมูลที่ถูกต้องถือเป็นสิ่งสำคัญ เนื่องจากข้อมูลดังกล่าวสามารถปรับปรุงการเก็บเกี่ยวและการดำรงชีวิตของเกษตรกรได้ Dinkar กล่าวในการให้สัมภาษณ์กับ ZDNET เพื่อให้มั่นใจในความถูกต้องของข้อมูลเพิ่มเติม generative AI และโมเดลภาษาขนาดใหญ่ (LLM) จะใช้เฉพาะชุดข้อมูลที่ Jiva เองได้มาจากแหล่งที่มาและตรวจสอบแล้ว

นอกจากนี้ แชทบอทยังถูกขอให้เพิกเฉยต่อข้อมูลที่ได้รับการฝึกอบรมมาก่อนเกี่ยวกับการทำฟาร์มที่อาจอยู่ใน LLM เขากล่าว

หากไม่มีข้อมูลที่จะดึงออกมา แชทบอทจะตอบกลับว่าไม่สามารถระบุโรคพืชได้ “คุณต้องการให้แน่ใจว่ามีข้อมูลเพียงพอ เราไม่ต้องการให้คำตอบที่คลุมเครือ” เขากล่าว

Jiva ยังใช้ไลบรารีรูปภาพเพื่อสร้างบนแพลตฟอร์ม เช่น Plantix โมเดลเหล่านี้เป็นพื้นฐานที่ดี แต่เนื่องจากได้รับการพัฒนาโดยบริษัทระดับโลก โมเดลเหล่านี้อาจไม่จำเป็นต้องได้รับการฝึกอบรมอย่างเพียงพอเกี่ยวกับข้อมูลเฉพาะสำหรับภูมิภาคหรือตลาด Dinkar กล่าว

ปัญหานี้หมายความว่า Jiva ต้องสร้างแบบจำลองการฝึกอบรมสำหรับพืชผลที่พบได้ทั่วไปในอินโดนีเซียและอินเดีย เช่น ข้าวโพด เขากล่าว เขากล่าวเสริมว่าสิ่งเหล่านี้มีประสิทธิภาพดีกว่า Plantix หรือผลิตภัณฑ์ทั่วไปอื่นๆ โดยสังเกตถึงความสำคัญของการแปลเป็นภาษาท้องถิ่นในโมเดล AI

ปรับแต่งโมเดลพื้นฐานเพื่อให้ได้ผลลัพธ์ที่ดีขึ้น

การใช้โมเดลข้อมูลพื้นฐานแบบสำเร็จรูปเป็นวิธีหนึ่งในการเริ่มต้นใช้งาน AI เชิงสร้างสรรค์อย่างรวดเร็ว อย่างไรก็ตาม ความท้าทายทั่วไปของแนวทางดังกล่าวคือข้อมูลอาจไม่เกี่ยวข้องกับอุตสาหกรรมที่ธุรกิจดำเนินอยู่ ตามที่ Olivier Klein หัวหน้านักเทคโนโลยีประจำภูมิภาคเอเชียแปซิฟิกของ Amazon Web Services (AWS) กล่าว

เพื่อให้ประสบความสำเร็จในการใช้งาน generative AI องค์กรต่างๆ ควรปรับแต่งโมเดล AI ด้วยข้อมูลของตนเอง Klein กล่าว บริษัทที่พยายามดำเนินการอย่างถูกต้องจะเดินหน้าดำเนินการได้เร็วขึ้น

การใช้ generative AI เพียงอย่างเดียวจะพิสูจน์ได้ว่าน่าสนใจยิ่งขึ้นหากฝังอยู่ภายในกลยุทธ์และแพลตฟอร์มข้อมูลขององค์กร เขากล่าวเสริม

ทั้งนี้ขึ้นอยู่กับกรณีการใช้งาน ความท้าทายทั่วไปที่บริษัทต้องเผชิญก็คือ พวกเขามีข้อมูลเพียงพอที่จะฝึกโมเดล AI หรือไม่ เขากล่าว อย่างไรก็ตาม เขาตั้งข้อสังเกตว่าปริมาณข้อมูลไม่จำเป็นต้องเท่ากับคุณภาพของข้อมูลเสมอไป

คำอธิบายประกอบข้อมูลก็มีความสำคัญเช่นกัน เช่นเดียวกับการใช้บริบทกับโมเดลการฝึกอบรม AI เพื่อให้ระบบปั่นป่วนการตอบสนองที่เฉพาะเจาะจงมากขึ้นสำหรับอุตสาหกรรมที่ธุรกิจอยู่ เขากล่าว

ด้วยคำอธิบายประกอบข้อมูล องค์ประกอบแต่ละส่วนของข้อมูลการฝึกอบรมจะมีป้ายกำกับเพื่อให้เครื่อง AI เข้าใจว่าข้อมูลประกอบด้วยอะไรบ้างและองค์ประกอบใดบ้างที่สำคัญ

Klein ชี้ให้เห็นถึงความเข้าใจผิดที่พบบ่อยว่าระบบ AI ทั้งหมดเหมือนกัน ซึ่งไม่เป็นเช่นนั้น เขาย้ำถึงความจำเป็นสำหรับองค์กรต่างๆ เพื่อให้แน่ใจว่าพวกเขาจะปรับแต่งโมเดล AI ตามกรณีการใช้งานและแนวดิ่งของพวกเขา

LLM ได้กระตุ้นให้เกิดการสนทนามากมายในหมู่ลูกค้าองค์กรเกี่ยวกับการใช้ generative AI ในศูนย์บริการทางโทรศัพท์ โดยเฉพาะเขากล่าว มีความสนใจว่าเทคโนโลยีนี้สามารถปรับปรุงประสบการณ์ให้กับตัวแทนทางโทรศัพท์ได้อย่างไร ซึ่งสามารถเข้าถึงการตอบสนองที่ดีขึ้นได้ทันที และรวมสิ่งเหล่านี้เพื่อปรับปรุงการบริการลูกค้า

ผู้ดำเนินการศูนย์บริการสามารถฝึกอบรมโมเดล AI โดยใช้ฐานความรู้ของตนเอง ซึ่งอาจประกอบด้วยแชทบอทและการโต้ตอบกับลูกค้า เขากล่าว

ตามรายงานของ Business Harvard Review การเพิ่มเนื้อหาเฉพาะโดเมนลงใน LLM ที่มีอยู่แล้วซึ่งได้รับการฝึกอบรมเกี่ยวกับความรู้ทั่วไปและการโต้ตอบตามภาษาแล้ว มักจะต้องใช้ข้อมูลน้อยกว่ามาก วิธีการปรับแต่งอย่างละเอียดนี้เกี่ยวข้องกับการปรับพารามิเตอร์บางอย่างของโมเดลพื้นฐาน และใช้เอกสารเพียงหลายร้อยหรือหลายพันเอกสาร แทนที่จะเป็นล้านหรือพันล้าน ยังต้องใช้เวลาประมวลผลน้อยลง เมื่อเทียบกับการสร้างโมเดลพื้นฐานใหม่จากศูนย์ภาคพื้นดิน

แม้ว่าจะมีข้อจำกัดอยู่บ้าง รายงานระบุว่าแนวทางนี้อาจมีราคาแพงและต้องใช้ความเชี่ยวชาญด้านวิทยาศาสตร์ข้อมูล นอกจากนี้ ไม่ใช่ผู้ให้บริการ LLM ทุกราย เช่น ChatGPT-4 ของ OpenAi ที่อนุญาตให้ผู้ใช้ปรับแต่งเพิ่มเติมได้

การแตะข้อมูลของตนเองยังช่วยแก้ไขข้อกังวลทั่วไปที่ลูกค้ามี ท่ามกลางความสนใจที่เพิ่มขึ้นใน generative AI ซึ่งธุรกิจต่างๆ ต้องการควบคุมข้อมูลที่ใช้ในการฝึกโมเดล AI และให้ข้อมูลยังคงอยู่ในสภาพแวดล้อมของพวกเขา Klein กล่าว

แนวทางนี้ช่วยให้แน่ใจว่าไม่มี "กล่องดำ" และองค์กรรู้แน่ชัดว่าข้อมูลใดถูกใช้เพื่อป้อนโมเดล AI เขากล่าว นอกจากนี้ยังรับประกันความโปร่งใสและช่วยสร้างการนำ AI มาใช้อย่างมีความรับผิดชอบ

นอกจากนี้ยังมีความพยายามอย่างต่อเนื่องในการระบุนโยบายที่จำเป็นเพื่อหลีกเลี่ยงผลกระทบจากกล่องดำ เขากล่าวเสริมว่า AWS ทำงานร่วมกับหน่วยงานกำกับดูแลและผู้กำหนดนโยบายเพื่อให้แน่ใจว่าผลิตภัณฑ์ AI ของตัวเองยังคงปฏิบัติตามข้อกำหนด บริษัทยังช่วยให้ลูกค้าดำเนินการเช่นเดียวกันกับการใช้งานของตนเอง

ตัวอย่างเช่น Amazon Bedrock สามารถตรวจจับอคติและกรองเนื้อหาที่ละเมิดหลักเกณฑ์ด้านจริยธรรมของ AI เขากล่าว Bedrock เป็นชุดโมเดลพื้นฐานที่ครอบคลุมทั้งโมเดลที่เป็นกรรมสิทธิ์และโมเดลอุตสาหกรรม เช่น Amazon Titan, Jurassic-2 ของ AI21 Labs, Claude ของ Anthropic และ Stability AI

Klein คาดหวังว่าจะมีโมเดลข้อมูลพื้นฐานเพิ่มมากขึ้นในอนาคต รวมถึงโมเดลพื้นฐานเฉพาะธุรกิจ เพื่อให้องค์กรมีทางเลือกเพิ่มเติมในการฝึกอบรม

ประเด็นสำคัญที่ต้องแก้ไขด้วย generative AI

ในกรณีที่ขาดโมเดล AI ที่แข็งแกร่ง มนุษย์ก็สามารถถอยกลับเข้ามาได้

สำหรับปัญหาพืชผลที่หายากหรือมีความเฉพาะเจาะจงสูง Dinkar ตั้งข้อสังเกตว่าทีมผู้เชี่ยวชาญด้านพืชไร่ของ Jiva สามารถทำงานร่วมกับนักวิจัยในพื้นที่และทีมภาคสนามเพื่อแก้ไขปัญหาได้

ทีมประเมินเครดิตของบริษัทยังซ้อนทับข้อมูลที่สร้างโดยระบบ AI กับข้อมูลอื่น ๆ เขากล่าว ตัวอย่างเช่น ทีมงานอาจไปเยี่ยมชมสถานที่และพบว่าพืชผลเพิ่งพร้อมสำหรับการเก็บเกี่ยว ซึ่งระบบที่ขับเคลื่อนด้วย AI อาจไม่ได้นำมาพิจารณาเมื่อสร้างการประเมินเครดิต

"วัตถุประสงค์ไม่ใช่เพื่อกำจัดมนุษย์ทั้งหมด แต่เพื่อย้ายพวกเขาไปยังพื้นที่ที่พวกเขาสามารถขยายและ [ใช้] ความคิดแบบปรับตัวได้ ซึ่งเครื่องจักรยังไม่ถึงขั้น" Dinkar กล่าว

เมื่อถามถึงความท้าทายที่ Jiva พบกับการนำ AI มาใช้ เขาชี้ให้เห็นถึงการขาดวิธีการมาตรฐานในเวอร์ชันซอฟต์แวร์และผู้ให้บริการที่แตกต่างกัน

“การเข้าใจทุกภาษาที่แท้จริง” ยังขาดหายไปใน LLM เขากล่าว ในขณะที่ภาพหลอนยังคงเป็นปัญหาสำคัญ

“โมเดลภาษาขนาดใหญ่ต่างๆ ต่างก็มีนิสัยแปลกๆ ของตัวเอง [และ] เทคนิคการแจ้งเตือนแบบเดียวกันใช้ไม่ได้ผลกับสิ่งเหล่านี้” เขาอธิบาย ตัวอย่างเช่น Jiva สามารถสั่งบอทพืชไร่ของตนให้ชี้แจงได้หากไม่สามารถสรุปจากบริบทเกี่ยวกับพืชผลที่เกษตรกรกำลังอ้างอิงผ่านวิศวกรรมขั้นสูงที่ได้รับการปรับปรุง

อย่างไรก็ตาม แม้ว่าข้อความแจ้งนี้จะทำงานได้ดีบน GPT-3.5 แต่ก็ทำได้ไม่ดีบน GPT-4 เขากล่าว นอกจากนี้ยังใช้ไม่ได้กับ LLM อื่นอีกด้วย

"การไม่สามารถใช้พรอมต์ซ้ำในเวอร์ชันและแพลตฟอร์มต่างๆ จำเป็นต้องสร้างชุดเทคนิคพรอมต์ตามความต้องการสำหรับแต่ละอัน" Dinkar กล่าว "ในขณะที่เครื่องมือได้รับการปรับปรุงและแนวทางปฏิบัติที่ดีที่สุดเกิดขึ้นสำหรับโมเดลภาษาขนาดใหญ่ต่างๆ เราหวังว่าการแจ้งเตือนข้ามแพลตฟอร์มจะกลายเป็นความจริง"

เขากล่าวว่าจำเป็นต้องมีการปรับปรุงในการสนับสนุนข้ามภาษา โดยชี้ไปที่การตอบสนองแปลกๆ ที่บางครั้งแชทบอทสร้างขึ้นซึ่งไม่อยู่ในบริบท