生成人工知能を構築するには、巨大なモデルに依存するだけでは不十分です

生成人工知能 (GenAI) の急速な台頭により、企業はこのテクノロジーの力をビジネス アプリケーションで活用するための新しく革新的な方法を見つけようと躍起になっています。多くの企業は、大規模言語モデル (LLM) が AI 駆動のビジネス アプリケーションの構築方法を再形成したと信じています。必要なのは、データを LLM モデルにフィードすることだけであり、LLM モデルがその役割を果たします。しかし、物事はそれほど簡単ではありません

研究顧問会社 Forrester は、GenAI 商用アプリケーションには一般的な LLM 以上のものが必要になることを強調する新しいレポートを発表しました。 。最も注意深く調整されキュートレーニングされた LLM であっても、GenAI ベースのアプリケーションを構築して安全に実行するには十分ではない可能性があります。この単純化されたアプローチでは、組織が独自の知識をすべて使用して業務を遂行することはできません。また、スケーラビリティ、セキュリティ、コストの問題など、他のリスクも伴います。

Forrester のレポートでは、大手サービス プロバイダー 15 社が GenAI を使用して、世界中の 2,000 社以上の企業が GenAI を活用したビジネス アプリケーションを作成できるように支援している様子を調査しています。このレポートの調査結果は、企業が GenAI ベースのアプリケーションを安全かつ効果的に実行するには「レイヤー、ゲート、パイプ」アーキテクチャを組み立てる必要があることを示唆しています。

「レイヤー、ゲート、パイプ」アーキテクチャは、多くのインテリジェントなレイヤーのリソースを活用して、内部機能と外部機能を結び付けます。また、人、会社、モデル自体を保護するために、入出力制御ゲートも必要です。さらに、リクエストを出力に変換するために、インテリジェンス層をプロンプト、埋め込み、調整するアプリケーション パイプラインも必要です。最後に、結果をテストして監視し、それに応じて調整を行うには、テストと学習のループが必要です。

「レイヤー、ゲート、パイプ」アーキテクチャの要素をさらに深く掘り下げると、レポートでは、インテリジェンス層には、汎用、組み込み、特殊な GenAI などの幅広い機能が含まれると述べています。モデル。

組織が自ら作成および管理する必要があるインテリジェント リソースには、ソフトウェア アプリケーション、AI/ML モデル、プライベート GenAI モデル、構造化データおよび非構造化データ、人々の手がかりや行動が含まれます。組織がベンダーから取得すべきインテリジェンスのソースには、ドメイン固有の GenAI モデル、パブリック GenAI ツール、SaaS アプリケーションなどのバンドルされた GenAI モデルが含まれる必要があります。

入力ゲートを使用して、不正なリクエスト、誤ったプロンプト、危険な検索をブロックします。また、曖昧なリクエストを答えられるプロンプトに変えることもできます。出力ゲートは、コンプライアンスのニーズやセキュリティなどの側面に基づいて問題の出力を検証するのに役立ちます。

アプリケーション パイプラインは、API ファーストのワークフローを介してこれらすべてを接続するために使用されます。これらは、インテリジェンス層からリソースをシームレスに組み合わせて、エンドツーエンドのフローをスムーズにするのに役立ちます。アーキテクチャの最後の要素は、テストのフィードバック ループを介したテストです。これらは、アプリケーションの信頼性、自信、有効性の構築に役立ちます

Forrester のレポートによると、企業は GenAI アプリケーションをサポートする完全なアーキテクチャを構築できるため、異種部品からアプリケーションを組み立てる機会が得られています。今後数年以内に。適切な注意を払ってのみ、企業は GenAI ビジネス アプリケーションの力から最大限の恩恵を受けることができます

以上が生成人工知能を構築するには、巨大なモデルに依存するだけでは不十分ですの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。