LLM正在推動各行各業(yè)的突破和效率。在選擇一種模型時，企業(yè)應該考慮預期的應用、速度、安全、成本、語言和易用性。

雖然與其他人工智能（AI）技術相比，生成式AI比較新，但它已經(jīng)被用于支持從審查求職者到診斷和推薦疾病治療的一系列任務。IDC預測，到2028年，80%的首席信息官將依靠生成式AI工具來加快分析、促進決策和改善客戶服務等。

企業(yè)正在競相挖掘這項技術的潛力，以提高客戶滿意度和員工生產(chǎn)力。為此，它們正在考慮使用最適合支持生成式AI應用的大語言模型（LLM），比如AI copilot和聊天機器人。

了解LLM的多樣性

如今市面上有大量的LLM可供選擇，這意味著企業(yè)更有可能找到適合自己特定需求的LLM，而不是求助于一應俱全的LLM。這可以加速創(chuàng)新，不過從數(shù)百種模型中選擇合適的模型可能很復雜。

在選擇LLM時，企業(yè)應該考慮其預期的應用、速度、安全、成本、語言和易用性。

模型類型包括：

• 商業(yè)模型：在醫(yī)療保健和金融服務行業(yè)很流行，這類模型通常用于涉及專門定制或安全限制的項目。
• 開源模型：由于可訪問性和成本優(yōu)勢，這類模型經(jīng)常被初創(chuàng)公司和小企業(yè)用于研究。
• 通用模型：這類模型使用大量數(shù)據(jù)加以訓練，可以用作構建定制AI應用程序的基礎模型。
• 針對特定領域的模型：這類模型經(jīng)過訓練以適應特定的行業(yè)或用例，比如醫(yī)療保健或金融服務。
• 針對特定任務的模型：這類度身定制的模型針對單一自然語言處理（NLP）功能進行了優(yōu)化，比如摘要、答題或翻譯。
• 視覺語言模型：這類模型被稱為VLM，結(jié)合了計算機視覺和NLP，從文本描述中生成圖像，并從圖像中識別物體。同時使用文本和代碼讓它們可以在不直接使用視覺數(shù)據(jù)訓練的情況下創(chuàng)建和理解圖像。

考慮模型的大小也很重要，因為這將影響其功能和局限性。一些因素包括如下：

• 推理速度：較小的模型通常提供較短的推理時間，實現(xiàn)實時處理，提高能效并節(jié)省成本。
• 準確性：使用檢索增強生成（RAG）改善的大型模型常常會獲得更高的準確性。
• 可部署性：較小的模型非常適合邊緣設備和移動應用程序，而較大的模型最好在云端或數(shù)據(jù)中心運行。
• 成本：較大的模型需要更多的計算基礎設施來運行。

開發(fā)者還應該基于誰將使用AI模型、應用于何處，考慮AI模型必須支持哪些語言。這在現(xiàn)代工作場所顯得尤為重要，因為員工可能說多種不同的語言。確保模型能夠無縫翻譯語言對于用戶之間的有效溝通和協(xié)作至關重要。

此外，隨著主權AI越來越重要，許多國家正在構建使用當?shù)卣Z言和數(shù)據(jù)集訓練的專有模型。這使各國能夠?qū)I保持控制權和自主權，確保這些技術的開發(fā)和應用符合其獨特的文化、道德和法律標準。

企業(yè)如何使用LLM？

LLM支持各種AI應用，包括聊天機器人和預測分析工具，這些應用正在各行各業(yè)帶來突破和效率。

• 醫(yī)療保健業(yè)：Insilico Medicine是一家基于生成式AI的藥物發(fā)現(xiàn)公司，它開發(fā)了一種新的LLM轉(zhuǎn)換器：nach0，用于回答生物醫(yī)學問題，并合成新分子。這種多領域模型使研究人員能夠高效地處理和分析大型數(shù)據(jù)集，減少內(nèi)存需求，提高處理速度，促進更有效的數(shù)據(jù)管理和組織。
• 電信業(yè)：Amdocs正在使用其amAIz平臺來提高業(yè)務效率，推動新的收入流，并改善客戶體驗。這包括一款客戶計費代理，便于用戶立即享用基于LLM的數(shù)據(jù)洞察和自動化，以解決客戶計費問題。
• 金融服務業(yè)：Bank Negara（又名BNI）正在整合Cloudera的AI Inference服務，以便使用生成式AI增強客戶體驗，并提高運營效率。這將使BNI能夠在安全的企業(yè)環(huán)境中有效地部署和管理大規(guī)模AI模型，并提供高性能和數(shù)據(jù)隱私。

針對特定需求量身定制的不同模型允許快速實施AI解決方案和工具，以幫助自動處理冗余工作。這為人們騰出了更多的時間和空間，以便專注于對公司和組織帶來價值的項目。

展望未來，開發(fā)者將竭力構建和部署能夠增強行業(yè)特定應用的LLM，致力于改善系統(tǒng)之間的互操作性，降低運營成本，并提高效率。使用量身定制的LLM，企業(yè)可以構建滿足其獨特需求的AI應用程序，以提高客戶滿意度，并促進卓越運營。

原文標題：??Finding the right large language model for your needs??，作者：Amanda Saunders