چه زمانی از مدل‌های زبانی کوچک به جای مدل‌های زبانی بزرگ استفاده کنیم

مدل‌های زبانی بزرگ (LLM) همچنان بین کارایی و اعتماد در حال تعادل هستند. کاربران آن را مؤثر می‌دانند، اما در دقت آن تردید دارند.

همچنین می‌تواند برای برخی موارد استفاده زیاده‌روی باشد. به عنوان مثال، استفاده از LLM ممکن است بهترین انتخاب برای تمام وظایف داخلی منابع انسانی نباشد، با توجه به هزینه‌های محاسباتی بالای آن.

در تمام این تضادها، نوع جدیدتری از مدل در حال ظهور است: مدل‌های زبانی کوچک (SLM). اینها مدل‌های ساده‌تری هستند که روی مجموعه داده‌های کوچکتر برای انجام یک عملکرد بسیار خاص آموزش دیده‌اند. این مدل‌ها تمام جعبه‌های کارایی بالا، اعتماد بیشتر و هزینه کم را علامت می‌زنند.

برخی مطالعات اخیر نیز می‌گویند مدل‌های زبانی کوچک آینده هوش مصنوعی عاملی هستند. در این مقاله، مواردی را فهرست کرده‌ام که در آن‌ها SLM کارآمدتر از LLM خواهد بود.

موارد استفاده برتر SLM در عملکردهای مختلف کسب و کار

اگر در حال فکر کردن به این هستید که از کجا سفر SLM خود را شروع کنید، بهترین موارد استفاده از SLM را در عملکردهای رایج کسب و کار در زیر جمع‌آوری کرده‌ام. 

خدمات مشتریان

مدل‌های LLM می‌توانند برای خدمات مشتریان مفید باشند، اما با هشدارهای عمده. این مدل‌ها روی مجموعه داده‌های وسیعی که اغلب از اینترنت جمع‌آوری شده‌اند، از قبل آموزش دیده‌اند. برخی از این دانش ممکن است برای خدمات مشتریان شما قابل اجرا باشد یا نباشد، به خصوص زمانی که سیاست‌های شرکت خاص هستند. شما در معرض خطر داشتن چت‌بات‌های مشتری‌محور که توهم می‌کنند، قرار می‌گیرید. به عنوان مثال، یک چت‌بات خدمات مشتریان در وب‌سایت ایر کانادا به مشتری بازپرداخت سوگواری را بر خلاف سیاستی که هرگز وجود نداشت، وعده داد.

SLM‌ها برای چت‌بات‌های مشتری و پورتال‌های شکایت منطقی‌تر هستند. این پورتال‌ها اغلب با مسائل/سؤالات بسیار تکراری سروکار دارند و مخزن محدودی از سیاست‌های شرکت برای مراجعه دارند. مدل را می‌توان به راحتی روی داده‌های بلیط مشتری گذشته و سیاست‌های شرکت آموزش داد. این برای پاسخگویی مدل به مشتریان کافی است.

البته، SLM نمی‌تواند همه چیز را مدیریت کند، و در جایی که ربات نمی‌تواند به سؤال پاسخ دهد، همیشه می‌توانید یک انسان را دخیل کنید. اگر یک چت‌بات است، می‌توانید یک شماره پشتیبانی برای تماس مشتری ارائه دهید. اگر یک پلتفرم مدیریت بلیط است، بلیط می‌تواند به طور خودکار حل شود اگر مشکلی شناخته شده برای SLM باشد، در غیر این صورت به یک مدیر پشتیبانی مشتری اختصاص داده می‌شود. حداقل، می‌توانید مطمئن باشید که اتوماسیون چیزی را به مشتری وعده نمی‌دهد که امکان‌پذیر نیست.

فروش/بازاریابی 

LLM‌ها قطعاً در برخی موارد استفاده در فروش و بازاریابی، به ویژه تولید محتوا، برتری دارند. داده‌های آموزشی بزرگتر به مدیریت موضوعات مختلف کمک می‌کند. اما استفاده از LLM‌ها برای وظایف خاص‌تر مانند واجد شرایط بودن/پرورش سرنخ و دسترسی شخصی‌سازی شده ممکن است بهترین انتخاب نباشد. پاسخ‌های عمومی آن تأثیر خوبی بر مشتریان بالقوه شما نخواهد داشت.

SLM به شما کمک می‌کند پیام‌های دسترسی شخصی‌سازی شده‌تری ایجاد کنید. می‌توان آن را روی مجموعه داده‌های اختصاصی شما آموزش داد تا سرنخ‌ها را واجد شرایط کند. می‌توانید برخی پیام‌های دسترسی که در گذشته برای شما کار کرده‌اند را تنظیم کنید و از مدل‌های SLM برای تولید پیام‌های دسترسی بیشتر بر اساس آن‌ها استفاده کنید. SLM‌ها به شما کمک می‌کنند از پیام‌های دسترسی عمومی هوش مصنوعی دور شوید.

مالی 

LLM‌ها می‌توانند برای تجزیه و تحلیل عمومی بازار استفاده شوند. اما برای وظایف پرخطر مانند تشخیص تقلب و نظارت بر انطباق عقب می‌ماند. نرخ‌های تقلب هم در حساب‌های مصرف‌کننده و هم در حساب‌های تجاری در حال افزایش است. با وجود اینکه شرکت‌ها سیستم‌های تشخیص تقلب می‌سازند، کلاهبرداران همچنان راه‌های جدیدی برای دور زدن آن‌ها پیدا می‌کنند. مدل نیاز به آموزش مجدد مداوم دارد. اینجاست که SLM می‌درخشد و LLM عقب می‌نشیند.

آموزش مجدد یک LLM در مقایسه با یک SLM زمان و منابع بیشتری می‌گیرد. SLM می‌تواند به طور مداوم با آخرین داده‌های تقلب به‌روزرسانی شود تا سیستم قوی‌تر شود.

همچنین برای داده‌های انطباق. LLM‌ها حتی می‌توانند اطلاعات انطباق قدیمی داشته باشند، که منجر به از دست دادن‌ها می‌شود. SLM آموزش دیده روی یک مجموعه داده کوچک به راحتی قابل بررسی و اصلاح است تا اطمینان حاصل شود که فقط آخرین مقررات در پایگاه دانش موجود است.

منابع انسانی 

LLM‌ها برای تهیه پیش‌نویس توضیحات شغلی عمومی، ارتباط با کارکنان یا محتوای آموزشی عالی هستند. وظایف با خطرات انطباق بالا (مثال: ایجاد اسناد سیاست، توافق‌نامه‌های استخدام و اسناد مهاجرت) جایی است که مسائل پیچیده می‌شوند.

کشورها یا حتی ایالت‌ها به روزرسانی قوانین کار خود را ادامه می‌دهند.  به عنوان مثال، دولت استرالیا مرخصی والدین را افزایش داد به 24 هفته در سال 2025، و از سال 2026 دو هفته دیگر افزایش خواهد یافت. نیویورک اخیراً حداقل دستمزد ساعتی را افزایش داده است برای کارگران گیگ. ژاپن شروع به ترویج تعادل کار-زندگی و ترتیبات کاری انعطاف‌پذیر برای والدین جدید کرده است.

استفاده از LLM‌ها به معنای بررسی مداوم این است که پایگاه دانش در بک‌اند دقیق و به‌روز است. حذف هر فایل سیاست قدیمی به اشتباه در پایگاه داده منجر به توهمات می‌شود.  

مدل‌های زبانی کوچک به معنای کنترل بیشتر بر پایگاه دانش و اطمینان بیشتر برای انطباق است. به عنوان مثال، Deel AI یک مدل زبانی کوچک است که توسط متخصصان انطباق آن تهیه شده است. این متخصصان به طور مداوم پایگاه دانش را به‌روز می‌کنند تا شما به‌روزترین و دقیق‌ترین پاسخ‌ها را دریافت کنید.

عملیات کسب و کار

یک نظرسنجی جدید پذیرش هوش مصنوعی از G2 نشان می‌دهد که تقریباً 75% از کسب و کارها از ویژگی‌های متعدد هوش مصنوعی در عملیات روزانه کسب و کار استفاده می‌کنند. هوش مصنوعی در حال افزایش کارایی عملیاتی و بهبود بهره‌وری است. هم SLM و هم LLM در آن نقش دارند.

LLM‌ها در وظایف استراتژیک مانند مدیریت ریسک، پیش‌بینی تقاضا، بررسی تأمین‌کننده و موارد دیگر می‌درخشند. پایگاه دانش وسیع آن کمک می‌کند تا قبل از ارائه پیشنهاد، تمام زوایا را در نظر بگیرد. از طرف دیگر، SLM برای کارهای تکراری بهترین عملکرد را دارد. به مدیریت فاکتور، ردیابی محموله، بهینه‌سازی مسیر، بررسی سوابق یا نگهداری پیشگیرانه فکر کنید. وظایف می‌توانند بر اساس مجموعه محدودی از قوانین و داده‌های گذشته شرکت اجرا شوند.

شرکت‌ها از استفاده از SLM در وظایف روتین و تکراری بهره می‌برند. به عنوان مثال، Checkr، یک پلتفرم غربالگری سوابق کارکنان، از LLM به SLM تغییر کرد تا بررسی‌های سوابق را خودکار کند و دقت بهتر، زمان پاسخ سریع‌تر و کاهش 5 برابری هزینه‌ها را مشاهده کرد.

SLM در مقابل LLM: چه کسی در نبرد پیروز می‌شود؟

در مقایسه SLM و LLM، پاسخ انتخاب بین SLM و LLM نیست. رویکرد بهتر استفاده از آن‌ها با هم به عنوان یک مدل ترکیبی است. هم SLM و هم LLM نقاط قوت و ضعف خود را دارند. SLM در وظایف با محدوده‌های تعریف شده خوب و مجموعه داده‌های محدود کار خوبی انجام می‌دهد. اما برای وظایفی که نیاز به استدلال دارند، LLM انتخاب بسیار بهتری است.

بیایید مدیریت زنجیره تأمین را به عنوان مثال در نظر بگیریم. یک رویکرد ترکیبی برای مدیریت زنجیره تأمین بهتر است که در آن:

• LLM وظایف استراتژیک مانند تحلیل ریسک، پیش‌بینی تقاضا و موارد دیگر را بر عهده می‌گیرد
• SLM وظایف عملیاتی با حجم بالا و تکراری را خودکار می‌کند، مانند مدیریت مسیر، پردازش فاکتور و غیره.

استفاده از هر دو SLM و LLM با هم یک مدل کامل برای مدیریت تمام جزئیات زنجیره تأمین ایجاد می‌کند. ​

مدل‌های برتر SLM آماده برای آموزش سفارشی

یک نکته خوب در مورد شروع پیاده‌سازی SLM شما این است که مدل‌هایی برای تنظیم دقیق در دسترس هستند. می‌توانید یکی از این‌ها را بسته به مورد استفاده خود انتخاب کنید:

1. Meta Llama 3.1 (8 میلیارد پارامتر): یک مدل با کارایی بالا که برای موارد استفاده نیازمند پشتیبانی چندزبانه برجسته است
2. Microsoft Phi-3 (3.8 میلیارد پارامتر): یک مدل کوچک عالی زمانی که یک وظیفه بسیار خاص نیازمند استدلال قوی دارید.
3. Google Gemma 2 (2 میلیارد پارامتر): یک مدل سبک با قابلیت‌های چندوجهی، که به شما کمک می‌کند هم متن و هم تصاویر را مدیریت کنید.

استفاده از SLM‌ها هرگز به این آسانی نبوده است

با راه‌اندازی مدل‌های SLM بیشتر، حتی نیازی به ایجاد هیچ مدلی از ابتدا ندارید. فقط یک مدل موجود که مناسب مورد استفاده شما است را انتخاب کنید، یک پایگاه دانش از اطلاعات برای آن بسازید، و آماده هستید.  

\n