Det enorme universet av generativ AI og Stor Maskinlæringsmodeller (LLM-er) lover banebrytende kapasiteter, men ett vedvarende spørsmål gjenstår: Hvordan kan vi veilede AI til å ha dyp, domene-spesifikk ekspertise? Svaret ligger i å se tilbake på teknikker fra AI’s fortid.
Kunnskapshentningens Revitalisering
Kunnskapshentning er ingen nyhet. Rotfestet i epoken av regelbaserte ekspertssystemer, tjente det som en bro mellom menneskelig intellekt og maskinens evner. I dag finner det fornyet relevans ettersom AI søker å assimilere dyp, men implicit menneskelig ekspertise. Ifølge Forbes er denne metoden avgjørende for å forvandle LLM-er til arkiver med beste praksis.
Blåttprent for Domeneekspert LLM-er
Vurder å transformere en LLM for å utmerke seg i et spesifikt felt, som medisin eller jus. Prosessen starter med å samle relevante dokumenter, som deretter mates inn i AI-systemer ved hjelp av teknikker som retrieval-augmented generation (RAG). Men her ligger en utfordring: ikke all ekspertkunnskap er dokumentert. Essensen av ekte ekspertise ligger ofte i den kollektive erfaringen og de nyanserte intuisjonene til bransjeveteraner.
Kunnskapshentning i Praksis
Gå inn i praksisen med kunnskapshentning. En metodisk engasjement med eksperter kan avdekke uoppdagede tommelfingerregler og bransjehemmeligheter. Fra å intervjue fagfolk til å analysere verbale protokoller, er målet å fange tacit kunnskap og bringe den inn i AI’s verden. For eksempel illustrerer Lance Eliot en børshandlers ekspertise som blir kodifisert i LLM-er, og utvider dermed AI’s repertoar med nisjestrategier.
Fremskritt med Syntetiske Eksperter
Konseptet med syntetiske eksperter oppstår når AI-modeller lærer av menneskelige kolleger. Ved å simulere domenemestri kan AI tilnærme den rådende rollen til en konsulent, om enn med begrensninger. Mens kunstig generell intelligens forblir en fremtidig aspirasjon, kan den strategiske anvendelsen av kunnskapshentning i dag danne en grunnmur for kompetente, snevre AI-eksperter.
Brobygging: Smal vs. Generell AI
Debatten om smal og generell AI fortsetter å forme landskapet. Mens noen hevder at LLM-er allerede manifesterer elementer av generell intelligens, påstår andre at ekte ekspertise krever kunstig generell intelligens. I begge scenarier lover integreringen av menneske-baserte praksiser i AI-rammeverket å berike de domene-spesifikke evnene til generative modeller.
I Elbert Hubbards ord, å fokusere på kvalitetsarbeid i dag legger grunnlaget for fortreffelighet i morgen. Å integrere menneskelig kunnskap i AI både demokratiserer ekspertise og hever LLM-er til nye høyder av funksjonalitet og relevans.