Тёмный

Czy warto inwestować LLM? Czy w klasyczny ML? 

DataWorkshop
Подписаться 4,6 тыс.
Просмотров 6 тыс.
50% 1

Czy sztuczna inteligencja zastąpi klasyczne uczenie maszynowe? Dowiedz się, jak skutecznie wykorzystać obie technologie w biznesie!
🔔 Subskrybuj i włącz powiadomienia - Twoja droga do praktycznego ML zaczyna się od jednego kliknięcia: / @dataworkshop
👍 Zostaw like, bo więcej lajków = więcej praktycznych treści dla Ciebie!
💬 Co o tym myślisz? Zostaw komentarz! Masz pytanie? Zadaj je - chętnie odpowiem.
🤝 Poznajmy się lepiej! Zaproś mnie do swojej sieci na LinkedIn: / vladimiralekseichenko
🔊 Zainicjuj rozmowę o ML w firmie, polecając ten podcast. Zainspiruj zespół do wdrażania ML!
Partnerem podcastu jest DataWorkshop.
Przedstawiam różne perspektywy, dzieli się osobistymi doświadczeniami i analizuję, jak te technologie mogą wspierać decyzje biznesowe.
W tym odcinku dowiesz się:
• Jakie są kluczowe różnice między LLM a klasycznym ML
• Kiedy warto inwestować w LLM, a kiedy lepiej stosować tradycyjne podejście
• Jak łączyć obie technologie dla uzyskania najlepszych rezultatów
• Jakie są praktyczne zastosowania LLM w biznesie
1. LLM (Large Language Models) i klasyczne uczenie maszynowe (ML) mają różne zastosowania i zalety - wybór między nimi powinien zależeć od charakteru problemu i dostępnych danych.
2. Klasyczne ML nadal wytwarza większą wartość w biznesie, szczególnie dla danych tabelarycznych, oferując lepszą jakość, szybkość i interpretowalność wyników.
3. LLM są przydatne do pracy z nieustrukturyzowanym tekstem, tworzenia baz wiedzy i wspomagania komunikacji między zespołami technicznymi a biznesowymi.
4. Najlepszym podejściem jest często łączenie klasycznego ML z LLM, wykorzystując zalety obu metod.
5. Wdrażanie i utrzymanie rozwiązań opartych na klasycznym ML jest zwykle prostsze i tańsze niż w przypadku LLM.
6. LLM nie zastępują całkowicie zespołu data science, ale mogą być cennym narzędziem wspomagającym, np. w generowaniu kodu czy dokumentacji.
7. Przy projektowaniu rozwiązań AI kluczowe jest zrozumienie problemu, skupienie się na stabilności i przewidywalności, a nie tylko na najnowszych narzędziach.
Subskrybuj teraz i włącz dzwonek powiadomień, aby być dostawać praktyczną wiedzę o uczeniu maszynowym.
Ten podcast to KONIECZNIE POZYCJA dla każdego, kto:
- Interesuje się sztuczną inteligencją i jej zastosowaniami w biznesie
- Rozważa wdrożenie LLM-ów lub klasycznego ML w swojej firmie
- Chce być na bieżąco z najnowszymi trendami w AI
Chcesz więcej? Zajrzyj do moich kursów online i ucz się ML i analizy danych w praktyce!
👉 DS/ML od podstaw - bit.ly/4emay6f
👉 Python - bit.ly/3MM2xf5
👉 Statystyka - bit.ly/3N6hZ65
👉 SQL - bit.ly/3XH2TtM
👉 Time Series - bit.ly/4e4y8EG
👉 NLP - bit.ly/3MKOypP
🔥 Chcesz uczyć się ML/DS w DataWorkshop? Zarezerwuj indywidualną konsultację, aby doradzić najlepszą opcję dla Ciebie.
dataworkshop.t...
🎧 Słuchaj BM wygodnie na Spotify, Apple Podcasts lub Google Podcasts:
📌 open.spotify.c...
📌 podcasts.apple...
📌 • Biznes Myśli
#machinelearning #datascience #genai #llm #ml #ai #biznesmysli

Опубликовано:

 

30 сен 2024

Поделиться:

Ссылка:

Скачать:

Готовим ссылку...

Добавить в:

Мой плейлист
Посмотреть позже
Комментарии : 9   
@michakowalczyk9386
@michakowalczyk9386 19 дней назад
Właśnie ostatnio próbowałem rozwiązania gdzie wyniki z anomaly detection wprowadzałem na LLM. Celem było znalezienie interpretacji dla anomalii a także zaklasyfikowanie lub nie danych bieżących do typu anomalii - no i jak to się mawia at the end of the day chyba lepiej byłoby użyć dla interpretacji klasyfikatora na sieci neuronowej. Nie mniej jednak niektóre interpretacje LLMa były bardzo ciekawe. Zaczynająć od tego, że sam tworzył dodatkowe klasy anomalii ;) Tak że zgadzam się LLM nie wyprze klasyka.
@DataWorkshop
@DataWorkshop 18 дней назад
Michał, dziękuję za podzielenie się historią. Bardzo dobry wniosek na koniec - w 100% się zgadzam, na teraz i przynajmniej w najbliższym czasie będzie to aktualne.
@indikom
@indikom 19 дней назад
Drobna uwaga językowa: bardzo często używasz słowa "utylizować". Podejrzewam, że stosujesz kalkę z angielskiego "utilize". Niestety, w języku polskim "utylizować" oznacza przetwarzanie odpadów na surowce wtórne, a nie używać czy wykorzystywać. Przepraszam, że się czepiam, ale jeśli często używasz tego słowa, to może warto zwrócić na to uwagę.
@DataWorkshop
@DataWorkshop 18 дней назад
Bardzo Ci dziękuję za uwagę! Super, że piszesz i to jeszcze w tak delikatny sposób :) Najśmieszniejsze w tej historii jest to, że przy współpracy w jednej z firm "nauczyli mnie tak mówić".  Masz rację, trzeba to poprawić. Będę uważał na to słowa, jak usłyszysz, że mówię "wykorzystać", to oznacza, że dzięki temu komentarzu :). Dzięki za to!
@cyrta
@cyrta 18 дней назад
Jednym z podstawowych problemów z tabelka liczb wrzucona na wejście LLM jest tokenizer. Wszystkie złe encodują długie sekwencje cyfr a zwłaszcza te z przecinkiem. Konieczne jest zmiana na poziomie tokenizera i fine tuning by to rozwiązać.
@DataWorkshop
@DataWorkshop 18 дней назад
Początek - super! Natomiast dalszy wniosek brzmi jak ciekawa przygoda aby spróbować, w szczególności jako fine-tuning, ale nie oczekiwałbym, że to pomoże :).
@NorbertWerblicki
@NorbertWerblicki 19 дней назад
Super odcinek , fajnie wytłumaczyłeś różnice między LLM i ML , i ogólnie odc jest bogaty w konkretna wiedze. Pozdrawiam.
@DataWorkshop
@DataWorkshop 18 дней назад
Bardzo dziękuję za miłe słowa! To prawdziwy miód na moje serce i motywacja, by działać i dzielić się jeszcze więcej - nawet jeśli robię to w wolnym czasie, na przykład w weekendy. Dziękuję, że o tym piszesz!
@NorbertWerblicki
@NorbertWerblicki 18 дней назад
@@DataWorkshop "Cieszę się i czekam na kolejne odcinki. Tymczasem nadrabiam oglądanie Twoich poprzednich materiałów."
Далее
Fine-tuning LLM: fakty i mity
1:34:23
Просмотров 20 тыс.
# Rural Funny Life Wang Ge
00:18
Просмотров 673 тыс.
Czy matematyka jest kodem wszechświata? Dr Tomasz Miller
1:52:21
Jak z łatwością robić trudne rzeczy? [Biznes 2.0]
2:35:57