በ LLMዎች ውስጥ፡ ChatGPT እንዴት እንደሚያስብ
ማውጫ
እንዴት እንደሆነ የሚጠየቅ ማንኛውም ሰው ውይይት ጂፒቲዛሬ በጣም ታዋቂው የ AI ወኪል የሚሰራ ከሆነ፣ ብዙዎች መልሱን በምላሳቸው ጫፍ ላይ ያገኛሉ፡ አርቲፊሻል ኢንተለጀንስ። ግን ያ መልስ በጣም ግልጽ ያልሆነ ነው። ዛሬ በኮምፒውተር ሳይንስ ውስጥ ከፍተኛ ምርምር እና ልማት ካላቸው የጥናት ዘርፎች አንዱ ቢሆንም፣ አርቲፊሻል ኢንተለጀንስ በርካታ ሳይንሳዊ ርዕሶችን ያካትታል።
ከእነዚህም ውስጥ አንዱ የቻትጂፒቲ እና በድር ላይ የሚገኙ አብዛኛዎቹ የAI ወኪሎች አሠራር ቁልፍ ነው፡ LLMs። በዚህ ጽሑፍ ውስጥ ይህ ጽንሰ-ሀሳብ እንዴት አርቴፊሻል ኢንተለጀንስን እና ዓለማችንን እንዴት አብዮት እንዳሳደረ በዝርዝር እንመረምራለን።
ትላልቅ የቋንቋ ሞዴሎች (LLMs) ምንድናቸው?
ትላልቅ የቋንቋ ሞዴሎች (LLMs፣ ትልቅ የቋንቋ ሞዴሎች፣ በፖርቱጋልኛ) የ ጥልቀት ያለው ትምህርት (ጥልቅ ትምህርት፣ በፖርቱጋልኛ) የተለያዩ ተግባራትን ማከናወን የሚችል የተፈጥሮ ቋንቋ በመስራት ላይ (በፖርቱጋልኛ የተፈጥሮ ቋንቋ ማቀነባበሪያ)። ዋው፣ ብዙ ምህፃረ ቃላት፣ አይደል?
የኤልኤልኤም (LLMs) የትራንስፎርመር ሞዴሎችን የሚጠቀሙ ሲሆን ግዙፍ የውሂብ ስብስቦችን በመጠቀም የሰለጠኑ ናቸው። አንዳንድ ታዋቂ የውሂብ ስብስቦች ምሳሌዎች የሚከተሉት ናቸው፡ LAION-2B-en, ሲሲኤው e ዊኪቴክስት-103የትራንስፎርመር ሞዴል ወደ መኪና የሚቀየር ሮቦት ሊመስል ይችላል፣ ነገር ግን በ AI መስክ የ LLM (የላቦራቶሪ ፎር ለርኒንግ) በጣም የተለመደውን አርክቴክቸር ይወክላል።
ትራንስፎርመሩ የተገነባው ከ መቀየሪያ (ኢንኮደር፣ በፖርቱጋልኛ) እና ዲኮደር (ዲኮደር፣ በፖርቱጋልኛ)። በመሠረቱ፣ ኢንኮደር በአንድ ዓረፍተ ነገር ወይም ጽሑፍ ውስጥ ያሉትን ቃላት ወደ ቶከኖች ወደሚባሉ ትናንሽ ክፍሎች የመከፋፈል ኃላፊነት አለበት፣ እና ዲኮደር በእነዚህ ቶከኖች መካከል ያለውን ግንኙነት ለመለየት የሂሳብ ስራዎችን ያከናውናል።
ከዓመታት በፊት ጥቅም ላይ የዋለው የትራንስፎርመርስ እና የሕንፃ አርክቴክቸር መካከል ያለው ትልቅ ልዩነት፣ LSTM (የረጅም ጊዜ የአጭር ጊዜ ማህደረ ትውስታትራንስፎርመሮችን (ወይም የረጅም ጊዜ ማህደረ ትውስታ እና የአጭር ጊዜ ማህደረ ትውስታ) ልዩ የሚያደርጋቸው ነገር ራስን በራስ የማተኮር ዘዴዎችን በመጠቀም ስለሚሰሩ ነው፣ ይህም ማለት የአንድን ዓረፍተ ነገር ክፍሎች ወይም አውዱን እንኳን በማጤን በፍጥነት መማር ይችላሉ፣ ይህም ትንበያዎችን ለማመንጨት ነው።
የቋንቋ ትምህርት ሞጁሎች (LLMs) ሁለገብ የAI ስርዓቶች ሲሆኑ የሰውን ቋንቋ ከማስኬድ በተጨማሪ እንደ ፕሮቲን መዋቅር ትንተና እና የፕሮግራም አወጣጥ ኮድ ማመንጨት ያሉ ሌሎች ተግባራትን ማከናወን ይችላሉ። በብቃት ለመስራት፣ LLMs የጽሑፍ ምደባ፣ ማጠቃለያ እና የጥያቄ መልስ ያሉ ተግባራትን ለማስተናገድ ቅድመ-ስልጠና እና ጥንቃቄ የተሞላበት ማስተካከያዎችን ይፈልጋሉ፣ ይህም እንደ ጤና አጠባበቅ፣ ፋይናንስ እና መዝናኛ ላሉ ዘርፎች ጠቃሚ ያደርጋቸዋል።
ቁልፍ ክፍሎች
የኤልኤልኤም (LLMs) በርካታ የነርቭ አውታረ መረቦችን ንብርብሮች ያቀፈ ነው። በነርቭ አውታረ መረብ ውስጥ (የነርቭ አውታረመረብ(በእንግሊዝኛ)፣ በመሠረቱ ተለዋዋጭ እንደ ግብዓት ጥቅም ላይ ይውላል፣ በተለያዩ ክብደቶች እና የሂሳብ እኩልታዎች በአንድ ወይም ከዚያ በላይ ንብርብሮች ይዘጋጃል፣ እና የውጤት እሴት ይፈጠራል።
በኤልኤልኤምኤስ ውስጥ የሚገኘው የመጀመሪያው የነርቭ አውታረ መረብ አይነት የኢምቤዲንግ ንብርብር ነው (ንብርብርን መክተት(በእንግሊዝኛ)። ሞዴሉ አውዱን እንዲረዳው የግቤት ትርጉሞችን እና የአገባብ ትርጉምን በመያዝ፣ የመክተት ሂደቱን ኃላፊነት አለበት።
ቀጥሎ፣ የመክተት ግብዓቶችን የሚቀይሩ በርካታ እርስ በርስ የተያያዙ ንብርብሮችን ያቀፈው የመመገቢያ ኔትወርክ (FFN) ንብርብር አለን። በዚህ ሂደት፣ እነዚህ ንብርብሮች ሞዴሉ ከፍተኛ ደረጃ ያላቸውን ረቂቅ ነገሮች እንዲሰበስብ ያስችሉታል፣ ማለትም የተጠቃሚውን ዓላማ በጽሑፍ ግቤት እንዲረዳ።
ቀጥሎ፣ በግብዓት ጽሑፉ ውስጥ ያሉትን ቃላት በቅደም ተከተል የሚተረጉም ተደጋጋሚ ንብርብር አለን። በአንድ ዓረፍተ ነገር ውስጥ ባሉት ቃላት መካከል ያለውን ግንኙነት የመያዝ ኃላፊነት አለበት።
በመጨረሻም፣ LLM ከተመደበው ተግባር ጋር ተዛማጅነት ባላቸው የግቤት ጽሑፍ ልዩ ክፍሎች ላይ እንዲያተኩር የሚያስችል የትኩረት ዘዴ አለን። ይህ ንብርብር ሞዴሉ በጣም ተገቢ እና ትክክለኛ ውጤቶችን እንዲያመነጭ ያስችለዋል።
እንዴት እንደሚሰሩ
አሁን LLMዎች ምን እንደሆኑ እና ቁልፍ ክፍሎቻቸው ምን እንደሆኑ ስለምናውቅ፣ አሠራራቸውን የበለጠ ግልጽ በሆነ መንገድ መረዳት እንችላለን። በመሠረቱ፣ በትራንስፎርመር ላይ የተመሰረቱ LLMዎች ግብዓት ይቀበላሉ፣ ኢንኮድ ያደርጋሉ፣ ከዚያም የተተነበየ ውጤት ለማምጣት ዲኮድ ያደርጋሉ። ሆኖም፣ LLM የጽሑፍ ግብዓት መቀበል እና የተተነበየ ውጤት ማመንጨት ከመቻሉ በፊት፣ አጠቃላይ ተግባራትን ለማከናወን ስልጠና እና የተወሰኑ ተግባራትን ለማከናወን ማስተካከያ ያስፈልገዋል።
ቅድመ-ስልጠና (ቅድመ-ስልጠናበእንግሊዝኛ) በ ማሽን መማር (የማሽን መማር(በእንግሊዝኛ) በአርቴፊሻል ኢንተለጀንስ ውስጥ። ይህ ሂደት፣ ስሙ እንደሚያመለክተው፣ እንደ ድረ-ገጾች ካሉ ትሪሊዮን የሚቆጠሩ ቃላትን የያዘ ትልቅ የጽሑፍ መረጃ ስብስብ በመጠቀም LLMዎችን ቅድመ-ስልጠና ያካትታል። ውክፔዲያ, የፊልሙ...ከሌሎች ነገሮች በተጨማሪ። ከሁሉም በላይ፣ LLM እንደ ትንሽ ልጅ ከአንድ ቦታ መማር አለበት፣ አይደል?
በዚህ ደረጃ፣ LLM ቁጥጥር ያልተደረገበት ትምህርት ተብሎ የሚጠራውን ያካሂዳል (ቁጥጥር ያልተደረገበት ትምህርት(በእንግሊዝኛ) - የውሂብ ስብስቦች ያለ ልዩ የማታለል መመሪያዎች በቀላሉ የሚነበቡበት ሂደት። ማለትም፣ “አስተማሪ” ከሌለ፣ የLLM የራሱ የAI ስልተ ቀመር የእያንዳንዱን ቃል ትርጉም እና በመካከላቸው ያለውን ግንኙነት ለመማር ኃላፊነት አለበት። በተጨማሪም፣ LLM ቃላትን በአውድ ላይ በመመስረት መለየትን ይማራል። ለምሳሌ፣ “ቀኝ” ማለት “ትክክል” ማለት ወይም በቀላሉ “የግራ ተቃራኒ” መሆኑን መረዳትን ይማራል።
የማጣራት ሂደት (ጥሩ ማስተካከያፈጣን ማስተካከያ (በእንግሊዝኛ) LLM እንደ የጽሑፍ ትርጉም ያሉ የተወሰኑ ተግባራትን በብቃት እንዲያከናውን በትክክል "ለማስተካከል" ያገለግላል፣ አፈፃፀሙንም ያመቻቻል። ፈጣን ማስተካከያ (ለ LLM የተሰጡ ጥያቄዎች እና መመሪያዎች) ሞዴሉን የተወሰነ ተግባር እንዲያከናውን ማሰልጠን ስለሚችል እንደ ጥሩ ማስተካከያ አይነት ሆኖ ያገለግላል።
እንደ ትርጉም ያሉ ትላልቅ የቋንቋ ሞዴሎች የተወሰነ ተግባርን ለማከናወን፣ ለዚያ የተወሰነ ተግባር በጥንቃቄ መስተካከል አለበት። ጥቃቅን ማስተካከያ ለተወሰኑ ተግባራት አፈፃፀምን ያመቻቻል።
ፈጣን ማስተካከያ ከማጣራት ጋር ተመሳሳይ ተግባር አለው፣ ሞዴልን በጥቂት የሙከራ ጥያቄዎች ወይም በዜሮ የሙከራ ጥያቄዎች የተወሰነ ተግባር እንዲያከናውን ከማሰልጠን ጋር ተመሳሳይ ተግባር አለው። ከዚህ በታች ጥቂት የሙከራ ጥያቄን በመጠቀም የ"ስሜት ትንተና" ልምምድ ምሳሌ እነሆ፡
Texto de entrada: Essa casa é linda!
Sentimento da frase: Positivo
Texto de entrada: Essa casa é horrível!
Sentimento da frase: Negativoበዚህ ምሳሌ ውስጥ በተገኙት ውጤቶች ላይ በመመስረት፣ LLM "አስፈሪ" የሚለውን የትርጓሜ ትርጉም በመጠቀም እና ተቃራኒ ምሳሌ ስለተሰጠ፣ በሁለተኛው ምሳሌ ውስጥ ያለው የተጠቃሚው ስሜት "አሉታዊ" መሆኑን ይገነዘባል።
የአጠቃቀም መያዣዎች
ቀደም ብለን እንደጠቀስነው፣ LLMዎች ለተለያዩ ዓላማዎች ሊያገለግሉ ይችላሉ፡
- የመረጃ ፍለጋ፡ በዚህ ሁኔታ፣ እንደ ጎግል ወይም ቢንግ ባሉ የድር ፍለጋ ፕሮግራሞች ውስጥ ጥቅም ላይ እንደሚውል መገመት እንችላለን። አንድ ተጠቃሚ የእነዚህን አገልግሎቶች የፍለጋ ተግባር ሲጠቀም፣ ለጥያቄያቸው ምላሽ በሚሰጥ መልኩ መረጃ ለማዘጋጀት LLMዎችን እየተጠቀመ ነው። LLMዎች መረጃውን ማግኘት፣ ማጠቃለል እና ምላሹን ከተጠቃሚው ጋር በሚደረግ ውይይት መልክ ማስተላለፍ ይችላሉ።
- የጽሑፍ ማመንጨት እና የፕሮግራም አወጣጥ ኮድLLMዎች እንደ ChatGPT ያሉ የጄኔሬቲቭ AI ዋና "ሞተር" ሲሆኑ፣ በግብዓቶች እና በጥያቄዎች ላይ በመመስረት የጽሑፍ እና የፕሮግራም አወጣጥ ኮድ ማመንጨት ይችላሉ። ለምሳሌ፣ ChatGPT ቅጦችን መረዳት የሚችል እና "ስለ አበቦች ግጥም በማኑዌል ባንዴራ ዘይቤ መጻፍ" ወይም "የፊልሞችን ዝርዝር በፊደል ቅደም ተከተል መደርደር የሚችል የፓይዘን ኮድ መጻፍ" ላሉ የተጠቃሚ ጥያቄዎች በብቃት ምላሽ መስጠት ይችላል።
- ለውይይት የሚሆኑ ቻትቦቶች እና ኤአይ፡ የኤልኤልኤም ኩባንያዎች ከሸማቾች ጋር በሚነጋገሩ፣ የጥያቄዎቻቸውን እና የጥርጣሬዎቻቸውን ትርጉም በሚተረጉሙ እና ተገቢ መልሶችን ወይም መመሪያዎችን በሚሰጡ የቻትቦት ወኪሎች አማካኝነት የደንበኞችን አገልግሎት መስጠት ችለዋል።
ከእነዚህ የአጠቃቀም ጉዳዮች በተጨማሪ፣ LLMዎች በቴክኖሎጂ፣ በጤና እና በሳይንስ፣ በግብይት፣ በሕግ እና በባንክ ስርዓቶች ውስጥ ተስፋ ሰጪ የ AI መሳሪያ መሆናቸውን እያረጋገጡ ነው። ሀሳብ ለመስጠት፣ LLMዎች በአሁኑ ጊዜ በከፍተኛ ትክክለኛነት መተንበይ ይችላሉ። የጡት ካንሰር መከሰት ከብዙ ልምድ ካላቸው ሐኪሞች በበለጠ ከፍተኛ ትክክለኛነት ያላቸውን የሕዋስ ናሙናዎች ስብስቦችን በመተንተን ብቻ።
ኤልኤልኤምዎች እና ጀነሬቲቭ ቅድመ-የሰለጠነ ትራንስፎርመር (ጂፒቲ)
O ጀነሬቲቭ ቅድመ-የሰለጠነ ትራንስፎርመር (GPT) የትራንስፎርመር አርክቴክቸር የሚጠቀም እና በOpenAI ኩባንያ የተዘጋጀ ልዩ የLLM አይነት ነው። ይህ ቋንቋ የተፈጥሮ ቋንቋን (እንደ ፖርቱጋልኛ ወይም እንግሊዝኛ ያሉ) በከፍተኛ ብቃት እና ተጨባጭ በሆነ መንገድ ለመረዳት፣ ለማመንጨት እና ለመቆጣጠር የተነደፈ ነው።
ስሙን መዘርዘር GPT ምን እንደሆነ በተሻለ ለመረዳት ይረዳናል፦
- ጀነሬተር (ጄኔሬተር፣ በፖርቱጋልኛ)፦ ይህ የሚያመለክተው ሞዴሉ ጽሑፍ እንደሚያመነጭ ነው፣ ማለትም አዳዲስ ዓረፍተ ነገሮችን፣ መልሶችን፣ ማጠቃለያዎችን፣ ኮዶችን ወዘተ መፍጠር እንደሚችል ነው።
- ቅድመ-ስልጠና የተደረገ (ቅድመ-ስልጠና፣ በፖርቱጋልኛ)፦ ይህ ማለት እንደ መጻሕፍት፣ ጽሑፎች፣ ድረ-ገጾች እና ሌሎችም ባሉ ከኢንተርኔት በሚመጡ ከፍተኛ መጠን ያላቸው ጽሑፎች ላይ አስቀድሞ የሰለጠነ ነው ማለት ነው። ከዚያም ለተወሰኑ ተግባራት ሊስተካከል ይችላል።
- ሽግግር: ቀደም ብለን እንደጠቀስነው፣ ይህ ለሞዴሉ መሠረት የሆነው የነርቭ አውታረ መረብ አርክቴክቸር ነው። በከፍተኛ ሁኔታ ትይዩ ሊሆን የሚችል (በአንድ ጊዜ ብዙ ተግባራትን ማከናወን ይችላል) እና ረጅም የጽሑፍ ቅደም ተከተሎችን በማስተናገድ ረገድ ውጤታማ ነው።
በጂፒቲ እና በሌሎች የኤልኤልኤምዎች መካከል ያለው ዋና ልዩነት የሥልጠና ደረጃው ሲሆን 3 የተለያዩ ሂደቶችን ያቀፈ ነው፡
- ቅድመ-ስልጠና፡ ከፍተኛ መጠን ያለው መረጃ ከኢንተርኔት፣ ከመጽሐፍት፣ ከቪዲዮዎችና ከሙዚቃዎችም ጭምር ይወጣል፣ ከዚያም ወደ ቶከኖች ይቀየራል።
- የመመሪያዎችን ቅልጥፍና ማስተካከል; እዚህ ላይ፣ ሞዴሉ ለተወሰኑ መመሪያዎች እንዴት ምላሽ መስጠት እንዳለበት "ይማራል"፣ ምላሾቹን የበለጠ ትክክለኛ ለማድረግ በማስተካከል።
- በሰው አስተያየት አማካኝነት የማጠናከሪያ ትምህርት፡ ልክ እንደ ማጣራት፣ እዚህ ላይ "ማስተማር" የሚከናወነው "የማጠናከሪያ ትምህርት" ሂደትን በሚያነሳሳ የሰው ግብረመልስ ሲሆን፣ AI "ትክክል" የሆነውን እና "ስህተት" የሆነውን የሚማረው በውጫዊ ወኪል በሚሰጡ ድግግሞሾች እና መረጃዎች ነው፣ በዚህ ሁኔታ AI የሚጠቀመው ተጠቃሚ።
ታሪክ፡- ከቢሊዮን ቃላት እስከ ውስብስብ ጽሑፎች
የቋንቋ ሞዴሎች እድገት የተጀመረው በ2017 ብቻ ቢሆንም፣ የIBM የአሰላለፍ ሞዴሎች ከ1990 ጀምሮ ፈር ቀዳጅ የስታቲስቲክስ ቋንቋ ሞዴሊንግ ሆነው ቆይተዋል። እ.ኤ.አ. በ2001፣ 3 ሚሊዮን ቃላትን የያዘ ሞዴል... "ዘመናዊ" ጽሑፎችን በመተርጎም እና እርስ በርስ የተያያዙ ዓረፍተ ነገሮችን በመገንባት ረገድ ትክክለኛነትን በተመለከተ።
ከ2012 ጀምሮ የነርቭ አውታረ መረቦች በAI ዓለም ውስጥ የበለጠ ዝናን አግኝተዋል እና ብዙም ሳይቆይ ለቋንቋ ተግባራት ጥቅም ላይ መዋል ጀመሩ። በ2016፣ ጎግል የነርቭ ማሽን ትርጉም (የነርቭ ማሽን ትርጉም፣ በፖርቱጋልኛ) በዚህ ፅንሰ-ሀሳብ ላይ የተመሰረቱ ሞዴሎችን በመጠቀም። እ.ኤ.አ. በ2018፣ ኩባንያው ኦፕንአይአይ በኤልኤልኤምዎች ላይ የተመሰረቱ የAI ወኪሎችን በማልማት ላይ ቅድሚያ ሰጥቶ ለሙከራ GPT-1 አስጀመረ፣ እና GPT-2 ሥነ ምግባር የጎደለው አጠቃቀሙ ሊኖረው ስለሚችል የህዝብን ትኩረት መሳብ የጀመረው በሚቀጥለው ዓመት ብቻ ነበር።
በ2020 ዓ.ም. GPT-3 የተገደበ መዳረሻ ያለው በኤፒአይ በኩል ብቻ ነው የመጣው፣ ነገር ግን እስከ 2022 ድረስ ChatGPT (በ GPT-3 "የተጎላበተ" የ AI ወኪል) በዓለም ዙሪያ ያለውን ህዝብ ትኩረት የሳበው።
ጂፒቲ-4 በ2023 በብዙ ሞዳል ችሎታዎች ተጀመረ፣ ምንም እንኳን ቴክኒካዊ ዝርዝሮች ባይገለጹም። እ.ኤ.አ. በ2024 ኦፕንአይ... ሞዴል ኦ1ረጃጅም የአስተሳሰብ ሰንሰለቶችን በማመንጨት ላይ ያተኮሩ ናቸው። እነዚህ መሳሪያዎች በተለያዩ የምርምር መስኮች የኤልኤልኤም (LLMs) በስፋት ተቀባይነት እንዲያገኝ አድርገዋል።
ከ2024 ጀምሮ፣ ሁሉም ትላልቅ እና በጣም ቀልጣፋ የሆኑ የኤልኤልኤም (LLMs) በትራንስፎርመር አርክቴክቸር ላይ የተመሰረቱ ሲሆኑ፣ አንዳንድ ተመራማሪዎች እንደ ተደጋጋሚ የነርቭ አውታረ መረቦች (ተደጋጋሚ የነርቭ አውታረ መረቦች፣ በፖርቱጋልኛ)።
የኤልኤልኤም ጥቅሞች እና ገደቦች
ሰፊ አፕሊኬሽኖች ስላሉት፣ LLMዎች ለችግር አፈታት እጅግ በጣም ጠቃሚ ናቸው፣ ምክንያቱም ተጠቃሚዎች ለመረዳት ቀላል በሆነ ግልጽ እና ቀላል ዘይቤ መረጃ ይሰጣሉ። በተጨማሪም፣ ለቋንቋ ትርጉም፣ ዓረፍተ ነገሮችን ለማጠናቀቅ፣ የስሜት ትንተና፣ ጥያቄዎችን ለመመለስ፣ የሂሳብ እኩልታዎችን ለመፍታት እና ለሌሎችም ሊያገለግሉ ይችላሉ።
የLLMዎች አፈጻጸም በየጊዜው እየተሻሻለ ነው፣ ተጨማሪ መረጃ እና መለኪያዎች ሲጨመሩ። በሌላ አነጋገር፣ በተማረ ቁጥር፣ የተሻለ ይሆናል። በተጨማሪም፣ ትላልቅ የቋንቋ ሞዴሎች "በአውድ ውስጥ መማር" የሚባለውን ሊያሳዩ ይችላሉ። አንድ LLM ቅድመ ስልጠና ከወሰደ በኋላ፣ ጥቂት የሙከራ ፕሮምፕ ሞዴሉ ያለ ተጨማሪ መለኪያዎች ከፕሮምፕዩተሩ እንዲማር ያስችለዋል። በዚህ መንገድ፣ ያለማቋረጥ እየተማረ ነው።
የLLM ተማሪዎች አውዳዊ ትምህርትን በማሳየት በፍጥነት ይማራሉ ምክንያቱም ለስልጠና ተጨማሪ ክብደት፣ ግብዓቶች እና መለኪያዎች አያስፈልጋቸውም። "ብልጥ" ለመሆን ብዙ ምሳሌዎች አያስፈልጉም በሚል ስሜት ፈጣን ናቸው።
የኤልኤልኤምዎች ቁልፍ ባህሪ ሊተነበዩ የማይችሉ ጥያቄዎችን የመመለስ ችሎታቸው ነው። ለምሳሌ ባህላዊ የኮምፒውተር ፕሮግራም ትዕዛዞችን በተቀበለው አገባብ ወይም ከተወሰነ የተጠቃሚ ግብዓት ስብስብ ይቀበላል። በሌላ በኩል፣ ኤልኤልኤም ለተፈጥሮ የሰው ልጅ ቋንቋ ምላሽ መስጠት እና ያልተዋቀረ ጥያቄን ወይም ጥያቄን ትርጉም ባለው መንገድ ለመመለስ የውሂብ ትንተናን መጠቀም ይችላል። አንድ የተለመደ የኮምፒውተር ፕሮግራም "በዘመናት ውስጥ አምስት ታላላቅ የሮክ ባንዶች ምንድናቸው?" የሚለውን ጥያቄ ባያውቅም፣ ኤልኤልኤም አምስት እንደዚህ ያሉ ባንዶችን ዝርዝር እና ለምን ምርጥ እንደሆኑ ምክንያታዊ በሆነ አሳማኝ መከላከያ ሊሰጥ ይችላል።
ሆኖም ግን፣ በሚሰጡት መረጃ ረገድ፣ LLMዎች ልክ እንደተቀበሉት መረጃ አስተማማኝ ሊሆኑ ይችላሉ። በቅድመ-ስልጠና ደረጃ የተሳሳተ መረጃ ከተቀበሉ፣ ለተጠቃሚ ጥያቄዎች ምላሽ ለመስጠት የተሳሳተ መረጃ ይሰጣሉ። አንዳንድ ጊዜ፣ LLMዎች የሐሰት መልሶችን ሲፈጥሩ "ሊያስቡ" እና ትክክለኛ ምላሽ መስጠት በማይችሉበት ጊዜ የሐሰት ሥነ-ጽሑፍ ምንጮችን ሊጠቅሱ ይችላሉ።
ለምሳሌ፣ በ2022 የዜና ኤጀንሲው ፈጣን ኩባንያ ቻትጂፒቲ ስለ ኩባንያው የቀድሞ የፋይናንስ ሩብ ዓመት ተጠይቆ ነበር። teslaቻትጂፒቲ በምላሹ ወጥ የሆነ የዜና ጽሑፍ ቢያቀርብም፣ በውስጡ የያዘው አብዛኛው መረጃ የተፈበረከ ነው። በAI ላይ የተመሠረተ ስርዓት ስለሆነ፣ በየጊዜው እየተሻሻለ እንደሆነ ይታወቃል፣ ነገር ግን ቢሆንም፣ በLLMዎች በሚሰጡት ምላሾች ላይ 100% መተማመን ስህተት ነው።
በደህንነት ረገድ፣ በLLMs ላይ የተመሰረቱ ለተጠቃሚ የሚቀርቡ መተግበሪያዎች ልክ እንደሌሎች መተግበሪያዎች ሁሉ ለትክክሎች የተጋለጡ ናቸው። LLMs እንዲሁም አደገኛ ወይም ሥነ ምግባር የጎደለው ምላሾችን ጨምሮ ሌሎችን የሚጎዱ የተወሰኑ ምላሾችን ለማቅረብ በተንኮል አዘል ግብዓቶች ሊታለሉ ይችላሉ።
በመጨረሻም፣ ከLLMዎች ጋር ከሚፈጠሩ የደህንነት ችግሮች አንዱ ተጠቃሚዎች የራሳቸውን ምርታማነት ለማሳደግ ደህንነቱ የተጠበቀ እና ሚስጥራዊ መረጃዎችን መስቀል መቻላቸው ነው። ነገር ግን LLMዎች ሞዴሎቻቸውን የበለጠ ለማሰልጠን የሚያገኙትን ግብዓት ይጠቀማሉ፣ እና ከሌሎች ተጠቃሚዎች ለሚመጡ ጥያቄዎች ሚስጥራዊ መረጃዎችን ሊያጋልጡ ስለሚችሉ ደህንነታቸው የተጠበቀ ማከማቻ እንዲሆኑ አልተነደፉም።
LLMዎች እና ከቃላቶቹ በስተጀርባ ያለው ብልህነት
ልክ እንደ አንድ ትልቅ ቤተ-መጽሐፍት ውስጥ እንደተፈታ ልጅ፣ LLMዎች ከፍተኛ መጠን ባለው መረጃ ላይ ተመስርተው የተፈጥሮን የሰው ልጅ ቋንቋ መረዳት እና ማባዛት የሚማሩ ብልህ የAI ስርዓቶች ናቸው። ለመደበኛ ተጠቃሚዎች ብዙ ጥቅሞችን የሚሰጡ እና በሙያዊ አካባቢ ውስጥ ኃይለኛ ረዳት መሳሪያ ቢሆኑም፣ የ LLMs ችሎታዎች እና አደጋዎች አሁንም በጥንቃቄ ማጥናት አለባቸው።
ስለዚህ፣ ይህ ጽሑፍ ስለ LLMs ማብራሪያ ምን አሰቡ? አስተያየትዎን በአስተያየቶቹ ውስጥ ይተዉ።
ተጨማሪ ይመልከቱ
ምንጮች- ElasticSearch, ክላውድፋየር, IBM
የተገመገመው በ ቲያጎ ሮድሪገስ በ 16/04/2025
ስለ Showmetech ተጨማሪ ያግኙ
አዳዲስ ዜናዎቻችንን በኢሜል ለመቀበል ይመዝገቡ።
