但在使用GenAI回答有關數據的問題之前，重要的是首先評估所提出的問題。

 

這是Miso.ai的首席執行官兼聯合創始人Lucky Gunasekara對當今開發GenAI工具的團隊的建議。

 

出于對Miso.ai的產品Smart Answers如何展現其洞察力的興趣，我要求Gunasekara更深入地討論Miso.ai理解和回答用戶問題的方法。

 

大型語言模型“實際上比我們想象的要幼稚得多”，Gunasekara說，例如，如果被問到一個有強烈觀點的問題，大語言模型很可能會去尋找證實這個觀點的精挑細選的數據，即使現有的數據表明這個觀點是錯誤的。因此，如果被問到“為什么項目X失敗了？”，大語言模型可能會列出一個項目失敗的原因清單——即使它是成功的，而這不是你想要的一個面向公眾的應用程序所做的事情。

 

Gunasekara指出，在所謂的RAG（檢索增強生成）應用程序中，評估問題是一個典型的遺漏步驟，RAG應用程序將大語言模型指向特定的數據體，并告訴它僅根據該數據回答問題。

 

這類應用程序通常遵循以下(稍微簡化的)設置模式：

 

1.將現有數據拆分成塊，因為所有數據都太大，無法放入單個大語言模型查詢中。

2.為每個塊生成所謂的嵌入，將該塊的語義表示為一串數字，并存儲它們，在數據更改時根據需要進行更新。

 

然后是每一個問題：

 

1.生成嵌入。

2.使用基于嵌入的計算，找出在含義上與問題最相似的文本塊。

3.將用戶的問題輸入大語言模型，并告訴它只根據最相關的塊來回答。

 

這就是Gunasekara的團隊采取不同方法的地方，他們增加了一個步驟，在搜索相關信息之前檢查問題。“我們不會直接問這個問題，而是首先問這個假設是否正確”， Miso的首席技術官兼聯合創始人Andy Hsieh解釋說。

 

除了檢查問題中固有的假設外，還有其他方法來加強基本的RAG管道，以幫助改進結果。Gunasekara建議超越基礎，特別是在從實驗階段轉向值得生產的解決方案時。

 

Gunasekara說：“有很多人強調‘建立一個矢量數據庫，做一個RAG設置，一切都會開箱即用’，這是一種很好的概念驗證方式，但如果你需要做一項不會產生意想不到的后果的企業級服務，那永遠是上下文、上下文、上下文”。

 

這可能意味著除了使用文本的語義之外，還可以使用其他信號，如新近和流行。Gunasekara指出了Miso正在與一個烹飪網站合作的另一個項目，該項目解構了這個問題：“派對上最好的烘焙蛋糕是什么？”

 

他說，你需要區分出你真正需要什么信號來進行查詢。“Make-Advance”蛋糕的意思是不需要馬上端上，“for a party”的意思是它需要為不止幾個人服務，還有一個問題是，大語言模型如何確定哪些食譜是“最好的”，這可能意味著使用其他網站數據，比如哪些食譜擁有最高的流量、最高的讀者排名，或者被授予編輯的選擇——所有這些都與查找和匯總相關文本塊分開。

 

Gunasekara說：“把這些事情做好的許多竅門更多地體現在這些背景線索中”。

 

雖然大語言模型的質量是另一個重要因素，但Miso認為沒有必要使用最高評級和最昂貴的商業大語言模型，相反，Miso正在為一些客戶項目微調基于Llama 2的模型，這在一定程度上是為了降低成本，也是因為一些客戶不希望他們的數據泄露給第三方，Miso之所以這么做，也是因為Gunasekara所說的“開源大語言模型現在正在涌現一股巨大的力量”。

 

“開源真的在迎頭趕上”，Hsieh補充道，“開源模型非常可能會超越GPT-4”。

 

 

國內主流的to B IT門戶，同時在運營國內最大的甲方CIO專家庫和智力輸出及社交平臺-信眾智(www.cioall.com)。同時運營19個IT行業公眾號(微信搜索D1net即可關注)。

 

版權聲明：本文為企業網D1Net編譯，轉載需在文章開頭注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。