日韩精品一区二区三区swag_一区二区三区在线高清_亚洲国内欧美_国产精品xnxxcom

<fieldset id="gsgma"></fieldset>

<fieldset id="gsgma"></fieldset>

　模型們還在進(jìn)行狂熱的“諸神之戰(zhàn)”，嘗過鮮的用戶卻無法忽視大模型的短板。在交互過程中，用戶常常被它們一本正經(jīng)的胡言亂語所打敗——對于部分問題，它們會輸出一些“看似非常有道理，實則完全不對”的內(nèi)容，讓人啼笑皆非。
 

云創(chuàng)大數(shù)據(jù)成立于2011年，并不是2015年
 
　　之所以出現(xiàn)這種“AI幻覺”，是因為大模型的內(nèi)容由推理而來，而在其自身訓(xùn)練過程中也不可避免存在數(shù)據(jù)偏差。因此，當(dāng)提問超出其訓(xùn)練范圍，大模型可能會模糊回答，或者一本正經(jīng)地胡謅。
 
　　娛樂一下沒有關(guān)系，但是對于數(shù)據(jù)準(zhǔn)確性有著較高要求的用戶，這樣的通用性大模型可能會是負(fù)擔(dān)，進(jìn)而導(dǎo)致大模型應(yīng)用的普及度沒有想象的高（根據(jù)摩根士丹利發(fā)布的一項調(diào)查顯示，只有4%的人表示對于ChatGPT使用有依賴）。
 

ChatGPT&Bard應(yīng)用趨勢（圖片來源：摩根士丹利報告）
 
　　有沒有辦法改善大模型回答不準(zhǔn)確的情況？當(dāng)然有。既然回答不準(zhǔn)確是因為缺少真正有用的知識參考，可以面向特定領(lǐng)域定制行業(yè)大模型，將可信來源的數(shù)據(jù)轉(zhuǎn)化成向量數(shù)據(jù)存儲起來，校準(zhǔn)大模型推理輸出的結(jié)果，從而使大模型輸出的結(jié)果更加準(zhǔn)確。
 

各種對象轉(zhuǎn)換為向量存儲在向量數(shù)據(jù)庫中（圖片來源：swirlai.com）
 

向量比對過程（圖片來源：Pinecone）
 
　　對于企業(yè)而言，可基于大模型和企業(yè)的個性化數(shù)據(jù)建立專屬知識庫（Knowledge Base）?？蓞⒄找韵麓竽Ｐ蜆I(yè)務(wù)流程，建立企業(yè)知識庫，以可信可靠的數(shù)據(jù)和知識，提高大模型輸出的準(zhǔn)確率。
 

LLM大模型知識庫業(yè)務(wù)流程（圖片來源：swirlai.com）
 
　　首先，將企業(yè)的知識庫文本語料分割為多個塊，用嵌入(Embedding)模型將分割的文本塊轉(zhuǎn)換為一個個向量存儲在向量數(shù)據(jù)庫中，并建立向量和文本之間的對應(yīng)關(guān)系，如上圖①-③所示。
 
　　此后，就可以提出問題。需要注意的是，問題也需要進(jìn)行向量化，同時使用與知識庫語料向量化相同的嵌入模型，并且在向量數(shù)據(jù)庫中進(jìn)行查詢，找到相似度高的向量，如⑤-⑦所示。
 
　　將返回的向量嵌入映射到對應(yīng)的文本塊，并返回給大模型，利用大模型的語義理解能力，結(jié)合上下文生成問題答案，如⑧-⑨所示。
 
　　在建立企業(yè)知識庫后，同樣的問題再問大模型，它能給出準(zhǔn)確的回答（建立知識庫的過程類似于下圖提供參考信息的過程）。
 

建立知識庫的過程類似于上圖提供參考信息的過程
 
　　實現(xiàn)私有化部署后，大模型“胡言亂語”的習(xí)慣開始逐漸被糾正，而且向量數(shù)據(jù)庫做的越大，它掌握的知識越多、越準(zhǔn)確、越全面，就越有可能帶來爆炸式的大模型應(yīng)用。
 
　　不過，如果只是依靠向量數(shù)據(jù)庫進(jìn)行私有化部署，容量有限且速度比較慢，無法完全滿足企業(yè)通過大模型提質(zhì)增效的潛在需求。
 
　　現(xiàn)在，cVector向量計算一體機(jī)通過發(fā)揮高性能硬件、向量加速算法和并行計算算法的合力，致力于滿足億級乃至百億千億向量規(guī)模的大模型推理應(yīng)用向量計算需求。
 

cVector向量計算一體機(jī)
 
　　cVector向量計算一體機(jī)的使用方式與向量數(shù)據(jù)庫基本一致，支持批量、追加入庫，支持向量間歐式距離、余弦距離等向量計算，支持網(wǎng)頁、命令調(diào)用、Python庫等方法，但在向量的入庫和比對計算上具有驚人的性能。
 

cVector向量計算一體機(jī)架構(gòu)圖
 
　　近期， cVector向量計算一體機(jī)接受了工信部直屬的國家一級科研事業(yè)單位中國軟件評測中心的鑒定測試。中國軟件評測中心對比測試了cVector向量計算一體機(jī)與3款主流向量數(shù)據(jù)庫在入庫速度、查詢速度、準(zhǔn)確性等維度的性能對比。
 
　　在入庫性能方面，同樣入庫3000萬條256 維向量數(shù)據(jù)，在向量數(shù)據(jù)庫中最快的是A，入庫速度是4851.97s，cVector向量計算一體機(jī)是1202.91s，入

<fieldset id="a0ag0"></fieldset>