為您的業務選擇合適的AI模型的5個提示

生成式AI（生成式AI）的興起主要由高知名度的大型語言模型（LLMs）推動，例如Open AI的GPT-4o、Google的Gemini和Anthropic的Claude。然而，在這些巨頭的熱潮中，小型語言模型（SLMs）正悄然嶄露頭角。一些業界專家認為，SLMs可能成為生成式AI的未來。

根據研究公司Gartner的說法，雖然LLMs傳統上在語言模型發展中處於領先地位，但SLMs為預算限制、數據保護、隱私問題和風險緩解等關鍵挑戰提供了可行的解決方案。隨著企業探索生成式AI的世界，領導者可能會在這兩種類型的模型之間做出選擇。以下是五位商業領袖對AI模型未來的看法。

1. 考慮特定領域的機會

金融服務巨頭L&G的集團首席數據與分析官Claire Thompson認為，小型和大型模型都將在商業運營中找到自己的位置。她設想未來LLMs可以針對特定應用進行微調，提升其實用性。

她對ZDNET表示：「我可以預見一些LLMs開始針對特定主題進行訓練，以獲取更多細節的情況，這種情況將越來越普遍。」

雖然對特定領域模型的需求顯而易見，但Thompson對企業投入大量資源進行內部開發持懷疑態度。

她說：「我不知道你是否會自己建立模型。當我談到構建模型時，更多的是在內部利用現有模型，並在安全環境中使用你的數據來實現結果。」

無論模型大小如何，Thompson認為未來將傾向於特定領域的模型。

她說：「我認為我們將開始獲得更量身定制的模型。例如，你可以看到如何圍繞醫療資訊、氣候主題和ESG（環境、社會和公司治理）以及資產市場定制模型。這些特定的使用案例將催生更多定制模型。」

2. 為特定任務選擇合適的模型

MAG Airports Group的首席資訊官Nick Woods強調，生成式AI的未來可能涉及大型和小型模型的混合，根據特定的業務需求進行定制。

他說：「我認為並非一種模型適合所有情況。你選擇的模型取決於你業務中的使用案例。」

Woods警告不要在沒有明確策略的情況下投入AI開發。

當被問及啟動AI計劃時，他說：「不，這是我們最不應該做的事情。」

相反，他認為高管應專注於更廣泛的業務轉型目標，並確定包括生成式AI在內的工具，以幫助實現這些目標。

他解釋說：「例如，我們可能希望在邊緣運行一個小型、特定的模型，以解決諸如檢測登機橋何時停靠的特定使用案例。」

對於全球航空交通模式和天氣影響等更複雜的問題，可能需要不同的模型。

本質上，Woods認為選擇正確的模型類似於為比賽選擇合適的馬匹。

他說：「我認為你會看到許多小型模型在大規模邊緣部署，用於特定的使用案例。這幾乎是不可避免的。然而，我仍然認為一些大型模型將繼續占主導地位。」

3. 考慮上下文

Gartner數位商業執行領導實踐的高級分析師Gabriela Vogel指出，首席資訊官對小型、特定領域模型的興趣日益增長。

她說：「我與客戶交談時，他們試圖尋找並創建適用於特定上下文的模型。這些模型不一定是大型通用模型，而是專門針對特定應用程式的小型數據庫。」

Vogel指出，企業正日益從探索階段轉向使用SLMs部署生成式AI服務。

她說：「他們做出這種轉變是因為他們已經進行了很多測試。他們已經看到大型模型的成功與失敗，然後試圖更具體地應用這種方法。這是我親自與客戶看到的現象。」

4. 選擇小型模型以減少幻覺

Big Bus Tours客戶滿意度負責人Ollie Wildeman認為，選擇SLMs還是LLMs取決於具體的使用案例，許多公司可能會選擇較小的模型。

Big Bus Tours利用Freshworks Customer Service Suite，包括AI驅動的聊天機器人和票務系統，以及來自Satisfi Labs的虛擬助理，處理基本的客戶查詢。

Wildeman解釋說：「Satisfi的AI技術僅從與其合作的特定公司獲取數據。該公司的技術未連接到ChatGPT或其他大型AI工具——他們自己完成這一切。」

Wildeman認為，這種聚焦的方法為企業帶來了顯著的優勢，確保數據被負責任地使用，並降低AI「幻覺」的風險。

他說：「這樣，你的數據更安全，因為你知道數據的來源以及他們使用的流程。此外，由於你使用的模型是為你的業務類型設計的，幻覺現象會更少。」

Wildeman總結說，小型、特定領域的模型將在企業AI策略中扮演關鍵角色。

他說：「我認為對於企業來說，模型的選擇將更加具體，而對於一般用戶來說，那些隨處可見的大型免費模型可能會更受歡迎。」

5. 專注於你的第一方數據

Tripadvisor數據與AI負責人Rahul Todkar認為，企業的理想模型不僅僅取決於大小，而是關於定制化。

專業人士可能會嘗試大型和小型模型，但Todkar認為未來在於專為特定目的和定制化的模型。

他說：「以Mistral 7B為例，與其他LLMs相比，這是一個相對較小的模型，但在特定任務上表現得非常出色。所以，對我來說，未來是關於可定制的模型。」

Todkar強調有效利用企業第一方數據的重要性。

他說：「重要的不是模型的訓練規模或功能，而是將該模型應用於你的上下文並使用你的第一方數據。這時你才能超越現成的模型，利用你的數據洞察力。因此，答案將介於兩者之間。」