713 search results for "指南"

介绍 OpenAI发布的ChatGPT引发了人们对大型语言模型（LLMs）的兴趣，现在人人都在谈论人工智能。但这不仅仅是友好的对话；机器学习（ML）社区引入了一个新术语叫做LLMOps。我们都听说过MLOps，但LLMOps又是什么呢？嗯，这就是关于如何在整个生命周期中处理和管理这些强大的语言模型的一切。 LLMs正在改变我们创建和维护基于人工智能的产品的方式，这种转变导致了对新工具和最佳实践的需求。在本文章中，我们将详述LLMOps及其背景。我们还将探讨如何使用LLMs构建人工智能产品与传统机器学习模型的区别。此外，由于这些区别，我们还将比较MLOps（机器学习运营）与LLMOps的不同之处。最后，我们将讨论在LLMOps领域可以预期的令人兴奋的发展。 学习目标： 深入了解LLMOps及其发展。 通过示例学习使用LLMOps构建模型。 了解LLMOps与MLOps的区别。 对LLMOps的未来有所了解。 本文作为数据科学博文马拉松的一部分发表。 什么是LLMOps？ LLMOps代表着大型语言模型操作，类似于MLOps，但专门为大型语言模型（LLMs）设计。它需要使用新的工具和最佳实践来处理与LLM驱动的应用程序有关的一切，从开发到部署和持续维护。 为了更好地理解这个概念，让我们来解释一下LLMs和MLOps的含义： LLMs是可以生成人类语言的大型语言模型。它们拥有数十亿的参数，并且是在数十亿的文本数据上进行训练的。 MLOps（机器学习运营）是一组用于管理机器学习驱动应用程序生命周期的工具和实践。 现在我们已经解释了基本概念，让我们更深入地探讨这个话题。 关于LLMOps的热潮是什么？ 首先，像BERT和GPT-2这样的LLMs自2018年以来就已经存在。然而，现在，在近五年后，我们才遇到了LLMOps这个概念的迅猛崛起。主要原因是LLMs在2022年12月发布ChatGPT时受到了很多媒体的关注。 自那时以来，我们看到了许多不同类型的应用程序充分利用LLMs的强大能力。这包括从熟悉的ChatGPT之类的聊天机器人，到用于编辑或摘要的更个人化的写作助手（例如Notion AI），以及用于文案撰写的高效助手（例如Jasper和copy.ai）。它还包括用于编写和调试代码的编程助手（例如GitHub Copilot）、测试代码的助手（例如Codium AI）以及识别安全问题的助手（例如Socket AI）。 随着越来越多的人将LLM驱动的应用程序开发和投入生产，人们开始贡献他们的经验。 “用LLMs做一些酷炫的东西很容易，但让它们适合投入生产非常困难。” –…