如何挑选众多AI工具？

en AI模型虽然非常灵活和通用，但并不是所有挑战的万能解决方案，也不是单一的模型能够解决你所有的问题。一些gen AI模型更适合某些任务，而其他模型可能是更好的选择，这取决于您的行业以及您对性能、隐私、复杂性和成本的其他要求。

面对如此多的模型类型和尺寸，您如何理解它们并理解如何使用它们呢？

理解不同类型的gen AI模型的细微差别以及它们如何与更广泛的应用环境相关联，是使用gen AI驱动商业价值和创新的关键一步。在本期中，我们将探讨一些我们经常强调的要点，这些要点帮助我们自己的客户成功地把握住了这个主题。

考虑不同的人工智能模型

gen AI模型的前景是广泛而多样的，从基础模型到特定领域或特定任务的大型语言模型，再到更小的、单一用途的微观模型。一般来说，当问及gen AI模型时，许多组织可能会提到基础模型——在大规模数据集上进行了预训练的大规模AI模型，以执行各种各样的任务，包括内容生成、数据增强、创造性问题解决等等。

比如谷歌的多模态基金会模式双子星座能够概括和理解、操作和组合不同类型的信息，如文本、音频、图像、视频和代码。基础模型可以针对广泛的应用进行调整和微调，为许多类型的业务用例提供一个强有力的起点。

随着企业采用gen AI的增加，越来越需要能够产生输出的模型，为特定行业、领域和任务类型量身定制。与通用的基础模型不同，特定领域的模型被训练来解释上下文、术语，甚至特定领域的行话，例如卫生保健或者网络安全.

类似地，特定于任务的模型被构建来执行特定的任务或一组密切相关的任务，例如翻译、代码完成以及图像或视频生成。虽然这些模型可以以更高的准确性和相关性处理更专业的任务，但它们提供的适应性较低，并且通常会带来更高的开发成本。

在专有和开放的人工智能模型之间做出决定

组织在决策过程中需要考虑的另一个维度是，是使用专有还是开源的gen AI模型。市场上对开放式模型提供的可能性非常兴奋，尤其是围绕Meta的美洲驼模型，谷歌的Gemma，以及Mistral AI针对通才任务、专业生成和研究的各种模型。

开源的gen AI模型可以提供更大的定制和灵活性，使团队能够根据非常具体的需求和场景来微调或完全调整模型。例如，我们的一个大型制药客户发现，虽然他们的领域有很多专有模型，但它们并不适合他们的特定用例。该公司希望训练一个模型来理解生物学的基本原理以及不同分子和化合物如何协同工作。作为一个解决方案，该团队决定使用他们拥有的关于配方、药物发现过程和不同化学反应的所有数据来训练一个大型开源模型，使他们能够提供一个可以为进一步研究和探索提供新组合和相互作用的模型。

然而，这种灵活性伴随着明显的权衡。与专有模型相比，开放模型可能会带来更多的安全和法律风险，这通常是因为它们需要额外的工作来确保满足隐私和合规性的标准水平。组织还需要彻底理解开放模型许可要求，同时提供自己的防护栏，以防止任何潜在的版权或使用权侵权。相比之下，专有模型通常带有培训数据和模型输出的补偿以及企业级安全功能，如安全过滤器、引用过滤器、安全错误代码等。

此外，为特定的业务用例调整和使用开放模型通常需要更专业的技能和技术专长，根据组织的当前能力和可用资源，这可能是不可行的。专有模型通常包括更简化的支持、更容易的管理和适应性，最大限度地减少了对大量内部技术专业知识的需求。

目前，我们看到一些公司同时考虑开放和专有的gen AI模型，通常选择两者的混合，这种选择通常取决于特定的用例、所需的控制级别和许可要求。这种方法允许团队利用各自的优势，允许他们利用开放模型的灵活性和创新性，同时在必要时获得专有解决方案的可靠性和支持。

理解你的人工智能用例

虽然生成模型是人工智能模型的一个新类别，但基本原理并没有改变。为了有效地使用它们，您仍然需要了解您想要解决什么业务问题。我经常看到组织简单地直接进入gen AI，而没有首先考虑它是否是他们特定挑战的正确解决方案。

在我们与客户的合作中，我们总是建议从业务问题入手。彻底了解你想首先解决的问题可以帮助你做出更明智的决定。最终，不是所有的问题都是人工智能问题，更重要的是，不是所有的人工智能问题都是基因人工智能问题。在某些情况下，您可能会发现您需要一个不同类型人工智能或者不同人工智能技术的组合来完成你的最终目标。

组织可以在许多领域使用模型来降低成本和创造更好的体验。特别是，我们喜欢关注严重依赖非结构化数据或数据描述或理解不充分的日常工作流，例如基于纸张的流程。

这些领域通常受益于使用gen AI将这些信息合成和结构化为更易消化的格式，而无需大量的手动工作。Gen AI模型还擅长创造性任务，这使它们非常适合在营销或销售等部门使用。关键是在你自己的组织中寻找顶级场景，并想象人工智能可以用来自动化或增强流程的方式。

选择正确的人工智能模型

Gen AI模型有其独特的优势和局限性，需要根据您希望解决的问题和您组织的个人需求进行仔细权衡。我已经将其提炼为五个关键决策，它们应该可以帮助您专注于一些特定的测试和评估模型。

治理:现在，是否有任何行业特定的约束可能会影响所需的模型类型？医疗保健、金融和政府通常对数据隐私、安全性和可解释性有严格的要求，这可能需要使用具有正确认证类型的模型、允许更高级别透明度和定制的开放模型，甚至是可以在隔离的网络和基础设施上运行的模型。

使用案例:考虑您的具体用例。模型必须执行什么任务？这些任务有多复杂？期望的输出需要特定的格式或风格吗？回答这些问题将有助于您缩小型号选项和潜在规模。使用人工智能评估工具和服务在此阶段，您可以通过评估各种模型的使用案例的可行性，并确定性能可能提高的方面(例如，调整、基础、延迟)，来进一步完善您的决策。例如，你可以采取你的目标的最基本的场景，比较模型对相同提示的不同反应。

性能:哪些因素最重要—延迟、成本还是可定制性？这些都是选择模型时至关重要的因素，因为它们直接影响你的人工智能解决方案的有效性和可行性。高延迟会导致缓慢的响应时间，这会让用户感到沮丧，并使应用程序感觉迟钝。成本对于交付投资回报也是至关重要的，并且可能需要可定制性来实现您的用例的预期性能和准确性水平。较小、不太复杂的模型可能具有较低的延迟和成本，但可定制性可能较差。高度可定制的模型的培训和部署成本可能更高，并且潜在地具有更高的延迟。

数据:你有定制所需的数据吗？标记数据的可用性、领域特定数据、数据质量等等都是定制模型的重要考虑因素。更大更复杂的模型通常需要大量数据来有效训练。如果您的数据有限，较小的模型可能是避免过度拟合和泛化能力差的更好选择。

技能和资源:为了有效地定制和实施生成式人工智能模型，确保你有合适的团队。建立一个成功的团队需要集合具有机器学习、数据科学、软件工程技能和对主题的深入理解的个人。除此之外，确保您拥有必要的计算资源(例如，GPU、内存等)至关重要。)以及开发、部署和监控AI模型的合适工具和平台。