原文：
www.kdnuggets.com/llm-handbook-strategies-and-techniques-for-practitioners
图片由作者提供
大型语言模型（LLMs）彻底改变了机器与人类的互动方式。它们是生成性 AI 的一个子类别，专注于基于文本的应用，而生成性 AI 则更广泛，包括文本、音频、视频、图像，甚至代码！
1. 谷歌网络安全证书 - 快速进入网络安全职业的捷径。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织的 IT
AWS 很好地总结了 – “生成性人工智能（生成性 AI）是一种能够创建新内容和想法的 AI，包括对话、故事、图像、视频和音乐。它重用训练数据来解决新问题。”
生成性 AI 开辟了 AI 领域的新前沿！
大型语言模型（LLMs）具有人类般的响应生成能力，但 AI 从业者应该如何使用它们呢？是否有指南或方法来帮助行业建立对这项前沿技术的信心？
这正是我们将在本文中讨论的内容。那么，让我们开始吧。
LLMs 本质上是生成器，因此建议将它们用于生成摘要、提供解释以及回答广泛的问题。通常，AI 用于辅助人类专家。同样，LLMs 可以增强你对复杂主题的理解。
行业专家认为 LLMs 是很好的讨论平台 – 是的，它们适合用来验证问题、头脑风暴、创建草稿，甚至检查是否有更好的方式来表达现有内容。这些建议为开发者和 AI 爱好者提供了测试这项强大技术的舞台。
不仅仅是文本，LLMs 还帮助生成和调试代码，以及以易于理解的方式解释复杂算法，突显了它们在解密术语方面的作用，为不同角色提供量身定制的概念理解。
现在，让我们讨论一些突显 LLMs 在提高效率方面作用的案例。以下示例关注于生成报告和洞察，以及简化业务流程。
协作工具： 创建跨应用程序如 Slack 共享数据的总结报告是一种非常有效的方式，以便了解项目的进展。这些报告可以包括主题、当前状态、迄今为止的发展、参与者、行动项目、截止日期、瓶颈、下一步等详细信息。
图片由作者提供
供应链： 供应链规划师通常处于应急状态以满足需求订单。虽然供应链规划帮助很大，但最后一公里的交付需要专家们在战情室内齐心协力，以保持供应链计划的完整。大量的信息，通常以文本形式交换，包括对未来有用的见解。此外，这些对话的总结让所有利益相关者了解实时状态。
在技术迅速发展的背景下，重要的是不要因为担心错过而产生焦虑，而应以业务优先的心态来应对。
除了上述建议外，用户还必须保持更新，定期检查新技术和最佳实践，以确保有效使用这些模型。
在讨论了 LLMs 的好处后，现在是时候了解另一面了。我们都知道没有免费的午餐。那么，负责任地使用 LLMs 需要什么？有许多关注点，比如模型偏见、深度伪造等潜在误用及其影响，需要对 LLMs 的伦理影响有更多的认识。
图片由作者提供
情况已经恶化到越来越难以区分人工生成的回应和机器生成的回应。
因此，建议不要仅仅凭表面考虑这些工具提供的信息，而应考虑以下提示：
-
将模型视为提高效率的工具，而不是唯一的真理源。
-
从多个来源收集信息并在采取行动之前进行交叉检查——集体智慧通过汇聚不同观点而表现出色。
-
当你考虑来自多个来源的信息的重要性和可信度时，始终检查信息来源和引用，最好选择信誉较高的来源。
-
不要假设给出的信息是真实的。寻找反对的观点，即如果这不对呢？收集有助于你反驳信息不正确的证据，而不是试图支持其有效性。
-
模型回应常常在推理上存在漏洞，要仔细阅读，质疑其相关性，并引导其得到适当的回应。
让我们直接了解 LLMs 的实际应用，以了解它们的能力和局限性。首先，要做好多个实验和迭代周期的准备。始终保持对最新行业发展的了解，以充分利用模型的最大效益。
黄金法则是从业务目标出发，设定明确的目标和指标。通常，性能指标不仅包括准确性，还包括速度、计算资源和成本效益。这些都是必须事先决定的不可谈判的因素。
接下来的重要步骤是选择适合业务需求的 LLM 工具或平台，这也包括考虑闭源或开源模型。
图片来源：作者
LLM 的规模是另一个关键决定因素。你的用例是否需要大型模型，还是较小的近似模型，它们对计算需求的要求较低，能够在提供的准确性上做出良好的折中？请注意，较大的模型提供更好的性能，但需要消耗更多的计算资源，从而增加预算。
鉴于大型模型带来的安全和隐私风险，企业需要强大的保护措施来确保最终用户的数据安全。同样，了解提示技术以传达查询并从模型中获取信息也很重要。
这些提示技术随着重复实验而不断改进，例如通过指定响应的长度、语调或风格，以确保响应准确、相关和完整。
LLM 确实是一个强大的工具，适用于多种任务，包括信息总结、复杂概念和数据解释。然而，成功的实施需要以业务为先的思维方式，以避免陷入人工智能的炒作中，并找到真正有效的最终用途。此外，了解伦理影响，例如验证信息、质疑响应的有效性，以及注意 LLM 生成内容可能存在的偏见和风险，有助于负责任地使用这些模型。
Vidhi Chugh**是人工智能战略家和数字化转型领导者，致力于在产品、科学和工程的交叉点上构建可扩展的机器学习系统。她是一位获奖的创新领导者、作者和国际演讲者。她的使命是使机器学习大众化，并打破术语，让每个人都能参与到这场变革中。