「GenAIのモデルの出力を改善する方法」

「GenAIモデルの出力を改善する美容とファッションの方法」

生成AIは1950年代に遡るが、初期のルールベースシステムから深層学習アルゴリズムを使用したモデルへ進化した。過去10年間で、ハードウェアとソフトウェアの進歩により、大規模な生成AIモデルによるリアルタイムで高品質なコンテンツ生成が可能になった。

この記事では、ビジネス環境内で大規模なプロダクションプロセスに生成AIを成功裡に統合する方法について説明する。つまり、エンタープライズレベルでの生成AIの実装に備える方法を知ることができる。例えば、顧客サービス、マーケティングコミュニケーション、財務管理、または他の生成AIビジネスアプリケーションなど。

生成AIにおける機械学習の役割

生成AIの文脈において、機械学習アルゴリズムは一連のタスクを構造化します。これらのタスクシーケンスは継続的な実験であり、チームとビジネスを再帰的な周期に対応させる必要があります。

例えば、言語モデルに対して応答を提供するよう指示する場合、サイクルを確立し、結果を評価し、必要に応じて反復する必要があります。ここでは、タスク管理のためにより単純なアプローチからより高度な戦略へ進展する異なる問題解決のアプローチや「パターン」を使用します。

• 「どのテキストもコンセプトのグラフに変換する方法」
• NVIDIAとUTオースティンの研究者がMimicGenを紹介：ロボティクスのための自律的なデータ生成システム
• 正確なクラスタリングを簡単にする方法：kscorerの最適なK-meansクラスタを自動選択するガイド

この図にはさまざまなサイクルと反復が含まれています。これを参照し、エンタープライズの特定の要件に適応させることができます。

一つの単純なサイクルについて詳しく見てみましょう。

レベル1. プロンプト、文脈学習、およびチェイニング

ステップ1

モデルを選び、プロンプトを与え、応答を得て、応答を評価し、必要なら再度プロンプトを行い、望ましい結果を得るまで繰り返します。

文脈学習では、言語モデルが自然言語の例からタスクを学習し、実行しようとするアプローチです。ICLは、NLPにおいて、コンテキストを繊細に調整することなく、モデルが文脈を理解することを可能にするフューショットラーニングと同等の目的を持つ新しいアプローチです。

ステップ2

プロンプト → FM → 適応 → 完了パターン以外にも、データ抽出、予測AI、生成AIの基礎モデルが必要なタスクの連鎖も頻繁に発生します。このパターンは次のようになります。

連鎖：データ/分析の抽出 → 予測AIモデルの実行 → LLMへの結果の送信 → 出力の生成

例えば、マーケティングシナリオでは、BigQueryを使用して特定の顧客セグメントをターゲットにするためにSQLを使用することで始めることができます。次に、予測AIのランキングアルゴリズムを使用して、最適な顧客を特定し、このデータをLLMに送信してパーソナライズされたメールを生成します。

レベル2. 前のレベルの改善

モデルの応答にまだ満足していない場合、基本モデルを微調整してみることができます。ドメイン固有のもの、産業固有のもの、または特定の出力形式に作成されたものなど、細かく調整されたモデルを試すことができます。これには大量のラベル付きの例のデータセットに対して、すべてのパラメータを微調整する必要がありますが、高いパフォーマンスを提供します。

パラメータ効率の良い微調整(PEFT)は、従来の微調整と比べて計算効率の良いアプローチです。PEFTは、全パラメータではなくモデルのサブセットのみを微調整します。これはアダプタの調整や大規模言語モデルの低ランク変換を介したものです。

• アダプタの調整は、少数のラベル付きの例に基づいて訓練されたタスク固有のレイヤーを追加し、モデルが完全なパラメータ微調整なしでタスク固有の特徴を学習することができます。
• LoRAは行列分解を使用してモデルのパラメータを低ランク行列で近似し、少数のラベル付きの例のデータセットでタスク固有の特徴を学習できる効率的な微調整を行います。

レベル3. 入力の文脈のアップグレード

ステップ1

関連するドキュメントのセマンティック検索を実装するためには、ドキュメントを文や段落に分割する必要があります。そして、Vector Embeddingツールを使用して埋め込みに変換します。このプロセスでは、モデルの応答を改善するために近似最近傍探索（ANN）を使用し、幻覚を減らし、関連する文脈を提供します。

それはRetrieval Augmented Generation (RAG)として知られています。

1. ユーザーのクエリやステートメントを開始します。
2. ベクトルエンベディングツールからコンテキストを追加してプロンプトを改善します。
3. 拡張されたプロンプトをLLMに送信します。

ステップ2

RAGを使用することで、モデルの精度を高めることができます。これにより、回答の前にそれが回答を得た場所を示すことができます。回答を生成した後、ソースを見つけて共有します。Google Cloud AIなど、多くのプロバイダがこれを行う方法を提供しています。

ステップ3

RAGのスピンオフであるFLAREでは、先読み検索が行われます。特に回答に自信がない場合には、次に来る情報を予測して情報を取得します。

最後の思い

生成的AIプロジェクトの段階をマスターし、必要なスキルを適応させることで、ビジネスは効果的にAIを活用することができるようになります。これは計画、リソース、倫理的な責任を必要とする挑戦的な旅ですが、その結果はビジネスの運営を変革できる強力なAIツールです。この情報が役立つことを願っています！

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!