图片由作者提供
大型语言模型（LLMs）是强大的自然语言处理模型，能够理解和生成类似人类的上下文，这是前所未见的。
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯。
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 需求
凭借这些优势，LLM（大型语言模型）需求量很大，因此我们来看看任何人如何在 GPT 后的世界中学习它们。
基础知识是永恒的，因此最好从基本概念开始，通过建立敏捷的思维模式来快速适应任何新技术。早期提出正确的问题至关重要，例如：
-
这项技术有什么新颖之处，为什么被认为是突破性的进展？例如，当谈论大型语言模型时，可以考虑将其拆分为每个组件——“大型、语言和模型”，并分析每个组件的含义。从“大型”开始——了解这是否涉及训练数据的大小，或者是模型参数的问题。
-
构建一个模型意味着什么？
-
建模某个过程的目的是什么？
-
这一创新弥补了之前的哪些差距？
-
为什么是现在？为什么这个发展以前没有发生？
此外，学习任何新的技术进步也需要辨别随之而来的挑战（如果有的话），以及如何减轻或管理这些挑战。
建立这样的好奇心帮助连接点，理解如果某样东西今天存在——它是否以某种方式建立在其前任的挑战或差距之上？
通常，计算机理解数字，因此，理解语言需要将句子转换为数字向量。这就是自然语言处理技术（NLP）发挥作用的地方。此外，学习语言具有挑战性，因为它涉及到识别语调、讽刺和不同的情感。有些情况下，相同的词在不同的语境中可以有不同的含义，这突显了上下文学习的重要性。
那么，考虑因素包括，句子中的上下文有多远，以及模型如何知道上下文窗口。更深入地讲，这难道不是人类通过关注特定的单词或句子部分来选择上下文的方式吗？
继续沿着这些思路思考，你将会与注意力机制产生联系。建立这些基础有助于开发思维导图，从而形成对特定商业问题的解决方案。
不幸的是，每个人都希望找到一个可以简化学习概念的单一资源。然而，这就是问题所在。尝试通过研究多个资源来内化一个概念。如果你从多个角度学习一个概念，理解它的可能性会更高，而不是仅仅将其作为理论概念进行消化。
作者提供的图像
关注行业领先专家，如 Jay Alammar、Andrew Ng 和 Yann LeCun，也很有帮助。
随着人工智能团队加速学习快速发展的技术，企业也在努力找到适合使用这种先进技术的合适问题。
值得注意的是，训练在通用数据集上的 LLM 可以很好地完成一般任务。然而，如果商业案例需要特定领域的上下文，那么模型必须提供足够的上下文以给出相关和准确的回应。例如，期望 LLM 回应公司的年报需要额外的上下文，这可以通过利用检索增强生成（RAGs）来实现。
但在深入研究高级概念和技术之前，建议企业首先通过尝试那些可以迅速看到结果的简单项目来建立对技术的信任。例如，选择那些不直接面向客户或处理敏感数据问题的倡议作为起点，这样可以在解决方案出现问题时及时控制其风险。
作者提供的图像
企业可以通过利用人工智能创建营销文案、撰写草稿和总结，或生成见解来增强分析，从而开始看到影响并获得潜在回报。
这些应用不仅展示了能力和可能性，还揭示了这些先进模型的局限性和风险。一旦人工智能成熟，企业可以加快人工智能的应用，以建立竞争优势，提升客户体验。
说到信任，商业领导者也肩负着向其开发者社区传达正确和有效的使用 LLM 方法的重大责任。
当开发人员开始学习 LLM 时，求知欲可能会迅速导致他们在日常任务中使用这些模型，例如编写代码。因此，考虑是否可以依赖这些代码很重要，因为它们可能会犯错，如编写过于简化的代码，或未涵盖所有边界情况。建议的代码甚至可能不完整或过于复杂。
因此，建议始终将 LLM 输出作为起点，并进行迭代以满足要求。在不同的案例上测试，自己审查，通过同行评审，并参考一些已建立和受信赖的资源来验证代码。彻底分析模型输出以确保没有安全漏洞，并验证代码是否符合最佳实践是至关重要的。在安全环境中测试代码可以帮助识别潜在问题。
总之，持续优化直到你对其可靠性、效率、完整性、稳健性和最优性充满信心。
适应并迅速学习和使用新技术进步需要时间，因此最好依靠行业同行的集体知识来了解他们的应对方式。这篇文章分享了一些最佳实践和永恒原则，帮助你像领导者一样接受这些技术。
Vidhi Chugh是一位 AI 战略家和数字化转型领导者，在产品、科学和工程的交汇点上工作，致力于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。她的使命是将机器学习民主化，并打破术语，使每个人都能参与这一转型。