Üretken yapay zekadan (AI) daha etkin bir şekilde yararlanmak isteyen kuruluşlar, başlangıç noktası olarak temel modelleri kullanarak yapay zeka sistemlerini eğitmek için kendi verilerini kullanmalıdır.
Bunu yapmak, daha alakalı bağlam sağlayabilir ve yanlışlık ve fikri mülkiyet ihlalleri gibi potansiyel risklerle ilgili endişeleri giderebilir.
Ayrıca: ChatGPT nasıl kullanılır: Bilmeniz gereken her şey
Özellikle doğruluk, Jiva gibi bir şirket için en önemli önceliktir. Agritech satıcısı, görüntü işleme ve bilgisayar görüşü yoluyla mahsul hastalıklarını tanımlayan ve tedaviler öneren mobil uygulaması Crop Doctor’a güç sağlamak için yapay zekayı kullanıyor. Ayrıca, hasattan önce nakit avans isteyen ve hasatları ödendiğinde kredileri iade eden çiftçilerin kredi değerliliğini belirlemek için yapay zekadan yararlanır.
Pinecorn, OpenAI ve scikit-learn’ün yanı sıra Google’ın TensorFlow ve Vertex AI gibi çeşitli AI ve makine öğrenimi araçlarını kullanır. Jiva’nın Singapur, Endonezya ve Hindistan’da operasyonları var.
Jiva’nın CTO’su Tejas Dinkar’a göre, AI modellerini her hastalık için açıklamalı binlerce görüntü üzerinde eğitiyor. Agritech şirketi, Jiva ağının bir parçası olan ve Hindistan’da bulunan AgriCentral uygulamasını kullanan saha ekipleri ve çiftçiler aracılığıyla yerden yüz binlerce görüntü topladı.
Ayrıca: Bing Image Creator nasıl kullanılır (ve neden DALL-E 2’den daha iyidir)
Alan uzmanları, görüntülerin ek açıklamalarını ekleyecek olan agronomi uzmanlarına iletilmeden önce, görüntülerin ilk toplanması ve ek açıklamalarına dahil olur. Bunlar daha sonra bitki hastalıklarını tanımlamak için kullanılan eğitim modeline eklenir.
Jiva, yeni mahsuller veya uzman ekibinin daha az aşina olduğu mahsuller için, görüntü tanıma ve teşhis bilgilerini güçlendirmek için kapsamlı veri setlerine sahip Plantix gibi başka platformlar getiriyor.
Dinkar, ZDNET ile yaptığı bir röportajda, verilerin çiftçilerin hasadı ve geçim kaynaklarını iyileştirebileceği için doğru bilgilerin verilmesinin hayati önem taşıdığını söyledi. Veri doğruluğunu daha fazla sağlamak için üretken yapay zeka ve büyük dil modelleri (LLM’ler) yalnızca Jiva’nın kendisinin sağladığı ve incelediği veri kümelerini kullanır.
Chatbot’tan ayrıca hızlı mühendislik yoluyla, LLM’lerde olabilecek çiftçilikle ilgili önceden eğitilmiş verileri göz ardı etmesi isteniyor, dedi.
Ayrıca: Bu yeni AI sistemi, zamanın yaklaşık yarısında zihinleri doğru bir şekilde okuyabilir
Çekilecek veri yoksa, sohbet robotu, mahsul hastalığını tanımlayamadığını söyleyen bir yanıt verir. “Yeterli veri olduğundan emin olmak istiyorsunuz. Belirsiz bir yanıt vermek istemiyoruz” dedi.
Jiva, görüntü kitaplığını Plantix gibi platformların üzerine inşa etmek için de kullanır. Dinkar, bu modellerin iyi bir temel oluşturduğunu, ancak küresel şirketler tarafından geliştirildikleri için bir bölge veya pazara özgü veriler üzerinde yeterince eğitilmeyebileceklerini söyledi.
Bu sorun, Jiva’nın mısır gibi Endonezya ve Hindistan’da daha yaygın olan mahsuller için eğitim modelleri oluşturması gerektiği anlamına geliyordu. Yapay zeka modellerinde yerelleştirmenin önemine dikkat çekerek, bunların Plantix veya diğer hazır ürünlerden daha iyi performans gösterdiğini sözlerine ekledi.
Daha iyi sonuçlar elde etmek için temel modellerde ince ayar yapın
Temel veri modellerini kutudan çıkar çıkmaz kullanmak, üretken yapay zekaya hızlı bir şekilde başlamanın bir yoludur. Ancak, Amazon Web Services (AWS) Asya-Pasifik baş teknoloji uzmanı Olivier Klein’a göre, bu yaklaşımla ilgili ortak bir zorluk, verilerin işletmenin faaliyet gösterdiği sektörle ilgili olmayabilmesidir.
Klein, üretken yapay zeka dağıtımlarında başarılı olmak için kuruluşların yapay zeka modelinde kendi verileriyle ince ayar yapması gerektiğini söyledi. Bunu düzgün bir şekilde yapmak için çaba harcayan şirketler, uygulamalarında daha hızlı ilerleyecektir.
Ayrıca: Bu uzmanlar yapay zekayı bilgisayar korsanlarından korumak için yarışıyor
Üretken yapay zekayı tek başına kullanmak, bir kuruluşun veri stratejisine ve platformuna gömülürse daha çekici olacaktır, diye ekledi.
Kullanım durumuna bağlı olarak, şirketlerin karşılaştığı ortak bir zorluk, yapay zeka modelini eğitmek için yeterli veriye sahip olup olmadıklarıdır. Bununla birlikte, veri miktarının mutlaka veri kalitesine eşit olmadığına dikkat çekti.
Veri ek açıklamaları, AI eğitim modellerine bağlam uygulamak kadar önemlidir, böylece sistem, işletmenin içinde bulunduğu sektöre daha özel yanıtlar üretir.
Veri açıklamasıyla, yapay zeka makinelerinin verilerin neleri içerdiğini ve hangi bileşenlerin önemli olduğunu anlamasını sağlamak için eğitim verilerinin ayrı ayrı bileşenleri etiketlenir.
Klein, tüm AI sistemlerinin aynı olduğuna dair yaygın bir yanılgıya işaret etti, ancak durum böyle değil. Kuruluşların, yapay zeka modellerini kullanım durumuna ve sektörlerine göre ince ayar yapmaları gerektiğini yineledi.
LLM’lerin, özellikle çağrı merkezlerinde üretken yapay zekanın kullanımı hakkında kurumsal müşteriler arasında birçok konuşmayı yönlendirdiğini söyledi. Anında daha iyi yanıtlara erişebilen ve bunları müşteri hizmetlerini iyileştirmek için birleştirebilen çağrı temsilcileri için teknolojinin deneyimi nasıl geliştirebileceğine ilgi var.
Çağrı merkezi operatörleri, AI modelini chatbot ve müşteri etkileşimlerini içerebilen kendi bilgi tabanlarını kullanarak eğitebilirler.
Business Harvard Review tarafından hazırlanan bir rapora göre, genel bilgi ve dil tabanlı etkileşim konusunda önceden eğitilmiş mevcut bir LLM’ye alana özgü içerik eklemek, tipik olarak önemli ölçüde daha az veri gerektirir. Bu ince ayar yaklaşımı, bir temel modelin bazı parametrelerinin ayarlanmasını içerir ve milyonlarca veya milyarlarca belge yerine yalnızca yüzlerce veya binlerce belge kullanır. Sıfırdan yeni bir temel model oluşturmaya kıyasla daha az hesaplama süresi de gereklidir.
Ayrıca: Bu araştırmaya göre üretken yapay zeka, bazı çalışanları çok daha üretken hale getirebilir
Yine de bazı sınırlamalar var. Rapor, bu yaklaşımın hala pahalı olabileceğini ve veri bilimi uzmanlığı gerektirdiğini belirtti. Ayrıca, OpenAi’nin ChatGPT-4’ü gibi tüm LLM sağlayıcıları, kullanıcıların kendi ayarlarına ek olarak ince ayar yapmalarına izin vermez.
Klein, kendi verilerine dokunmanın, işletmelerin yapay zeka modellerini eğitmek için kullanılan verilerin kontrolünü ellerinde tutmak ve verilerin kendi ortamlarında kalmasını istediği üretken yapay zekaya artan ilgi arasında müşterilerin ortak bir endişesini de giderdiğini söyledi.
Bu yaklaşım, “kara kutu” olmamasını ve kuruluşun AI modelini beslemek için hangi verilerin kullanıldığını tam olarak bilmesini sağlıyor, dedi. Ayrıca şeffaflığı garanti eder ve yapay zekanın sorumlu bir şekilde benimsenmesine yardımcı olur.
Ayrıca, kara kutu etkisinden kaçınmak için gerekli politikaları belirlemeye yönelik çalışmaların devam ettiğini söyledi ve AWS’nin kendi AI ürünlerinin uyumlu kalmasını sağlamak için düzenleyiciler ve politika yapıcılarla birlikte çalıştığını da sözlerine ekledi. Şirket ayrıca müşterilerin kendi uygulamalarında da aynı şeyi yapmasına yardımcı oluyor.
Ayrıca: İnsanlar artık teknik sorunlarını çözmek için ChatGPT’ye yöneliyor
Örneğin Amazon Bedrock, yapay zeka etik ilkelerini ihlal eden önyargıları tespit edip içeriği filtreleyebiliyor. Bedrock, Amazon Titan, AI21 Labs’ın Jurassic-2, Anthropic’s Claude ve Stability AI gibi tescilli ve endüstri modellerini kapsayan bir temel modeller paketidir.
Klein, kuruluşlara üzerinde eğitim verecekleri daha fazla seçenek sağlamak için dikeye özgü temel modeller de dahil olmak üzere gelecekte daha fazla temel veri modelinin ortaya çıkacağını tahmin ediyor.
Üretken yapay zeka ile çözülmesi gereken temel sorunlar
Sağlam yapay zeka modellerinin olmadığı yerlerde insanlar geri adım atabilir.
Dinkar, nadir veya oldukça spesifik mahsul sorunları için, Jiva’nın tarım bilimi uzmanlarından oluşan ekibinin bunları çözmek için yerel araştırmacılar ve saha ekipleriyle birlikte çalışabileceğini belirtti.
Şirketin kredi değerlendirme ekibi, AI sistemleri tarafından üretilen verileri diğer bilgilerle de kapsıyor, dedi. Örneğin, ekip yerinde bir ziyaret gerçekleştirebilir ve bir mahsulün yakın zamanda hasada hazır olduğunu fark edebilir ve yapay zeka destekli sistem, kredi değerlendirmesini oluştururken bunu dikkate almamış olabilir.
“Amaç, insanları tamamen ortadan kaldırmak değil, onları büyütebilecekleri alanlara taşımak ve [apply] makinelerin henüz yetişemediği uyarlanabilir düşünceler,” dedi Dinkar.
Jiva’nın üretken yapay zekayı benimsemesiyle ilgili karşılaştığı zorluklar sorulduğunda, farklı yazılım sürümleri ve sağlayıcılar arasında standart bir bilgi istemi metodolojisinin eksikliğine işaret etti.
LLM’lerde “gerçek çok dillilik” de eksik, dedi, halüsinasyon ise önemli bir sorun olmaya devam ediyor.
“Çeşitli büyük dil modellerinin hepsinin kendi tuhaflıkları var [and] Aynı hızlı teknikler bunlar arasında işe yaramıyor,” diye açıkladı. Örneğin, rafine hızlı mühendislik sayesinde Jiva, tarım bilimi robotuna çiftçinin atıfta bulunduğu mahsulü bağlamdan anlayıp anlayamadığını netleştirmesi talimatını verebildi. .
Ayrıca: ChatGPT’yi bana yalan söylemesi için nasıl kandırdım?
Ancak, bu özel bilgi istemi GPT-3.5’te iyi performans gösterirken, GPT-4’te aynı performansı göstermediğini söyledi. Ayrıca farklı bir LLM üzerinde çalışmaz.
Dinkar, “İstemlerin sürümler ve platformlar arasında yeniden kullanılamaması, her biri için ısmarlama bilgi istemi teknikleri setlerinin oluşturulmasını gerektiriyor.” dedi. “Araçlar geliştikçe ve çeşitli büyük dil modellerini yönlendirmek için en iyi uygulamalar ortaya çıktıkça, platformlar arası bilgi istemlerinin gerçeğe dönüşeceğini umuyoruz.”
Diller arası destekte de iyileştirmelere ihtiyaç olduğunu söyledi ve chatbot’unun bazen bağlam dışı ürettiği garip yanıtlara işaret etti.
News
