AI·技术
文章是阅读Chip Huyen所著《AI工程》一书第一章的读书笔记。第一章旨在区分机器学习工程和如今所称的人工智能工程。传统机器学习工程涉及整理数据集从头训练模型，包括特征工程、评估和部署，但收集训练数据和训练模型既困难又耗时，因此如果缺乏创建自己模型的资源，机器学习工程往往不可行。相比之下，AI工程专注于采用通用模型即基础模型，并将其适应特定用例，入门门槛较低，因为无需自己进行模型开发。但基础模型也有自身挑战，评估其性能并不总是直接明了，且运行需要更高的计算资源和基础设施。文章介绍了基础模型的基本概念及其与大语言模型的关系，指出基础模型通常在极大量数据上训练，适用于广泛任务，包括大语言模型、多模态模型和其他大型预训练模型。大语言模型捕捉语言的统计模式，使用称为token的基本单位。语言模型有两种类型：掩码语言模型和自回归模型。成功在生产中部署基础模型需要解决多个技术和运营挑战。将AI模型适应到应用中有三种常见途径：提示工程、检索增强生成和微调。文章还讨论了评估模型性能和优化运行成本的挑战。
来源：原文链接 (新窗口)
本页由搜罗吧(Solo8.cn)信息精选服务自动生成，内容仅供参考，不构成任何建议。