为您的业务选择合适的AI模型的5个提示

生成式AI（gen AI）的兴起主要得益于备受瞩目的大型语言模型（LLMs），如Open AI的GPT MarmotGrok: GPT-4o、Google的Gemini和Anthropic的Claude。然而，在这些巨头引发热议的同时，小型语言模型（SLMs）正在悄然崭露头角。一些行业专家认为，SLMs可能成为生成式AI的未来。

根据研究公司Gartner的说法，虽然LLMs传统上在语言模型开发中占据主导地位，但SLMs为预算限制、数据保护、隐私问题和风险缓解等关键挑战提供了可行的解决方案。随着企业在生成式AI领域中探索，领导者们可能会在两种模型之间做出选择。以下是五位商业领袖对AI模型未来的看法。

1. 考虑特定领域的机会

金融服务巨头L&G的集团首席数据与分析官Claire Thompson认为，小型和大型模型都将在商业运营中找到自己的位置。她设想了一个未来，LLMs可以针对特定应用进行微调，以增强其实用性。

“我可以预见一种情况，一些LLMs可能会开始针对特定主题进行训练，以获得更多细节，我看到这种情况越来越普遍，”她在接受ZDNET采访时表示。

虽然对特定领域模型的需求显而易见，但Thompson对公司投入大量资源进行内部开发持怀疑态度。

“我不知道你会不会自己构建模型，”她说。“当我谈到构建模型时，更多的是利用内部现有模型，并在一个安全的环境中使用你的数据来实现结果。”

无论模型大小如何，Thompson认为未来将倾向于特定领域的模型。

“我认为我们将开始看到更多定制化的模型，”她说。“例如，你可以看到如何围绕医疗信息、气候主题和ESG、以及资产市场定制模型。这些特定用例可能会催生出更定制化的模型。”

2. 为特定场景选择合适的模型

MAG Airports Group的首席信息官Nick Woods强调，生成式AI的未来可能涉及大型和小型模型的混合，针对特定的业务需求进行定制。

“我认为并非通吃通用的解决方案，”他说。“你选择的模型取决于你业务中的用例。”

Woods警告不要在没有明确战略的情况下贸然投入AI开发。

“不，这是我们最不应该做的事情，”他在被问及启动AI计划时表示。

相反，他认为高管们应该专注于更广泛的业务转型目标，并确定包括生成式AI在内的可以帮助实现这些目标的工具。

“例如，我们可能希望在边缘运行一个小型、特定的模型，以解决类似检测飞机廊桥何时对接的特定用例，”他解释说。

对于全球航空交通模式和天气影响等更广泛、更复杂的问题，可能需要不同的模型。

本质上，Woods认为选择正确的模型类似于为赛道挑选合适的马匹。

“我认为你会看到许多小型模型在大规模边缘部署，用于特定用例，”他说。“这几乎是不可避免的。然而，我仍然认为你会看到一些大型模型占主导地位。”

3. 考虑上下文

Gartner数字业务执行领导力实践的高级主管分析师Gabriela Vogel指出，首席信息官们对小型、特定领域模型的兴趣日益增长。

“我与客户交谈时，他们试图寻找并创建应用于特定上下文的模型，”她说。“这些模型不一定是大型通用模型，而是专门针对特定应用的小型数据库。”

Vogel注意到，公司越来越从探索阶段转向使用SLMs部署生成式AI服务。

“他们之所以做出这种转变，是因为他们已经测试了很多，”她说。“他们已经看到大型模型的成功与失败，然后他们试图更具体地应用这种方法。这是我与客户亲眼所见的情况。”

4. 选择小型模型以减少幻觉

Big Bus Tours客户满意度负责人Ollie Wildeman认为，选择SLMs还是LLMs取决于具体用例，许多公司可能会选择较小的模型。

Big Bus Tours利用Freshworks Customer Service Suite，包括AI驱动的聊天机器人和票务系统，以及来自Satisfi Labs的虚拟助手处理基本的客户查询。

“Satisfi的AI技术仅从与其合作的公司获取数据，”Wildeman解释说。“该公司的技术未连接到像ChatGPT或其他工具的大型AI，它们是自己做的。”

Wildeman认为，这种专注的方法为企业带来了显著的好处，确保数据被负责任地使用，并降低AI“幻觉”的风险。

“这样，你的数据更安全，因为你知道数据的来源和他们使用的流程，”他说。“此外，你会遇到更少的幻觉，因为你使用的模型是为你的业务类型设计的。”

Wildeman总结说，较小的、特定领域的模型将在企业AI战略中发挥关键作用。

“我认为对于企业来说，模型的选择将更加具体，而对于普通用户来说，那些随处可见的大型免费模型可能会更受欢迎。”

5. 专注于你的第一方数据

Tripadvisor的数据与AI负责人Rahul Todkar认为，公司的理想模型不仅仅关乎规模，而是关乎定制化。

专业人士可能会尝试大型和小型模型，但Todkar认为未来在于专门构建和定制化的模型。

“以Mistral 7B为例，它在其他LLMs中是一个相对较小的模型，但在特定任务上表现得非常出色，”他说。“所以，对我来说，未来是关于可定制模型的。”

Todkar强调有效利用公司第一方数据的重要性。

“重要的不是训练规模或模型中的功能，而是将该模型应用于你的上下文并使用你的第一方数据，”他说。“那是你超越现成模型并能利用你的数据洞察力的时候。所以，答案将在两者之间。”