பெரிய விஷயங்கள் சிறிய தொகுப்புகளில் வருவதாகவும், சிறிய மொழி மாதிரிகள் (SLMs) இதற்கு சரியான எடுத்துக்காட்டுகள் என்றும் அவர்கள் கூறுகிறார்கள்.
செயற்கை நுண்ணறிவு மற்றும் மனிதத் தொடர்பு மற்றும் ஊடாடலைப் பிரதிபலிக்கும் மொழி மாதிரிகளைப் பற்றி நாம் பேசும்போதெல்லாம், GPT3 அல்லது GPT4 போன்ற பெரிய மொழி மாதிரிகளே (LLMs) உடனடியாக நம் நினைவுக்கு வருகின்றன . இருப்பினும், இதற்கு நேர் எதிரான முனையில், சிறிய மொழி மாதிரிகளின் அற்புதமான உலகம் உள்ளது. இவை அவற்றின் பெரிய வகைகளுக்குச் சரியான இணையாக விளங்குவதோடு, அதிக அளவு தேவைப்படாத இலக்குகளை வலுப்படுத்த வசதியான துணையாகவும் அமைகின்றன.
இன்று, எஸ்எல்எம்கள் என்றால் என்ன, எல்எல்எம்களுடன் ஒப்பிடும்போது அவை எவ்வாறு கட்டணம் செலுத்துகின்றன, அவற்றின் பயன்பாட்டு வழக்குகள் மற்றும் அவற்றின் வரம்புகள் குறித்து வெளிச்சம் போடுவதில் நாங்கள் மகிழ்ச்சியடைகிறோம்.
சிறிய மொழி மாதிரிகள் என்றால் என்ன?
SLMகள் என்பது AI மாதிரிகளின் ஒரு பிரிவாகும், அவை மனித மொழிகளைக் கண்டறியவும், புரிந்து கொள்ளவும், பரிமாறிக்கொள்ளவும் வடிவமைக்கப்பட்டுள்ளன. இங்கு சிறியது என்ற முன்னொட்டு (அல்லது பெயரடை) அளவைக் குறிக்கிறது, இது ஒப்பீட்டளவில் சிறியது, அவை அதிக கவனம் மற்றும் முக்கிய இடத்தை அனுமதிக்கிறது.
LLM கள் பில்லியன் அல்லது டிரில்லியன் அளவுருக்கள் மீது பயிற்சி பெற்றால், SLM கள் நூற்றுக்கணக்கான மில்லியன் அளவுருக்கள் மீது பயிற்சியளிக்கப்படுகின்றன. சிறிய மாடல்களின் தனித்துவமான அம்சங்களில் ஒன்று, குறைந்த அளவு அளவுருக்களில் பயிற்றுவிக்கப்பட்ட போதிலும் அவை குறைபாடற்ற முடிவுகளை வழங்குகின்றன.
SLMகளை நன்கு புரிந்து கொள்ள, அவற்றின் சில முக்கிய பண்புகளைப் பார்ப்போம்:
சிறிய அளவு
அவர்கள் குறைவான அளவுருக்களில் பயிற்சி பெற்றதால், அவை எளிதில் பயிற்சியளிக்கக்கூடியவை மற்றும் செயல்பாட்டிற்கான கணக்கீட்டு திறன்களின் தீவிரத்தை குறைக்கின்றன.
முக்கிய, கவனம் மற்றும் தனிப்பயனாக்கக்கூடியது
எல்எல்எம்களைப் போலல்லாமல், அவை அனைத்தையும் உள்ளடக்கிய பணிகளுக்காக உருவாக்கப்படவில்லை. மாறாக, அவை குறிப்பிட்ட சிக்கல் அறிக்கைகளுக்காக கட்டமைக்கப்பட்டு வடிவமைக்கப்பட்டுள்ளன, கவனம் செலுத்தும் மோதல் தீர்வுகளுக்கு வழி வகுக்கிறது.
உதாரணமாக, ஒரு நடுத்தர அளவிலான வணிகமானது SLM ஐ உருவாக்கி வாடிக்கையாளர் சேவை புகார்களைக் கவனிப்பதற்காக மட்டுமே பயன்படுத்த முடியும். அல்லது, ஒரு BFSI நிறுவனம் தானியங்கு பின்னணி சோதனைகள், கிரெடிட் ஸ்கோரிங் அல்லது இடர் பகுப்பாய்வு செய்ய மட்டுமே SLM ஐ வைத்திருக்க முடியும்.
[மேலும் படிக்க: பன்முறை செயற்கை நுண்ணறிவு: பயிற்சித் தரவு மற்றும் வணிகப் பயன்பாடுகளுக்கான முழுமையான வழிகாட்டி ]
வன்பொருள் விவரக்குறிப்புகளில் குறைந்தபட்ச சார்பு
SLMகள் சிக்கலான மற்றும் கனமான டிஜிட்டல் உள்கட்டமைப்பு மற்றும் பயிற்சி மற்றும் வரிசைப்படுத்துதலுக்கான புறத் தேவைகளை நீக்குகின்றன. அவை அளவு மற்றும் செயல்பாட்டில் ஒப்பீட்டளவில் சிறியதாக இருப்பதால், அவை குறைந்த நினைவகத்தையும் பயன்படுத்துகின்றன, அவை முக்கியமாக வளங்களைக் கட்டுப்படுத்தும் விளிம்பு சாதனங்கள் மற்றும் சூழல்களில் செயல்படுத்துவதற்கு ஏற்றதாக அமைகின்றன.
மேலும் நிலையானது
சிறிய மாதிரிகள் ஒப்பீட்டளவில் சுற்றுச்சூழலுக்கு உகந்தவை, ஏனெனில் அவை எல்எல்எம்களை விட குறைவான ஆற்றலைப் பயன்படுத்துகின்றன மற்றும் அவற்றின் கணக்கீட்டுத் தேவைகள் குறைவதால் குறைந்த வெப்பத்தை உருவாக்குகின்றன. இது குளிரூட்டும் அமைப்புகள் மற்றும் பராமரிப்பு செலவுகளில் குறைந்தபட்ச முதலீடுகளைக் குறிக்கிறது.
பல்துறை மற்றும் மலிவு
SLMகள் சிறிய மற்றும் நடுத்தர அளவிலான வணிகங்களின் லட்சியங்களுக்கு ஏற்ப வடிவமைக்கப்பட்டுள்ளன, அவை முதலீடுகளின் அடிப்படையில் உள்ளன, ஆனால் AI இன் ஆற்றலையும் திறனையும் தங்கள் வணிக நோக்கங்களுக்காகப் பயன்படுத்த வேண்டும். சிறிய மாடல்கள் மாற்றியமைக்கக்கூடியவை மற்றும் தனிப்பயனாக்கக்கூடியவை என்பதால், அவை வணிகங்கள் தங்கள் AI லட்சியங்களை கட்டங்களாக வரிசைப்படுத்த நெகிழ்வுத்தன்மையை அனுமதிக்கின்றன.
சிறிய மொழி மாதிரிகளின் நிஜ உலக எடுத்துக்காட்டுகள்
ஒரு சிறிய மொழி மாதிரியின் வேலை
அடிப்படையில், ஒரு சிறிய மொழி மாதிரியின் செயல்பாட்டுக் கொள்கையானது பெரிய மொழி மாதிரியைப் போலவே உள்ளது, அதாவது அவை பெரிய அளவிலான பயிற்சி தரவு மற்றும் குறியீட்டில் பயிற்சியளிக்கப்படுகின்றன. இருப்பினும், எல்எல்எம்களின் திறமையான, சிறிய மாறுபாடுகளாக மாற்றுவதற்கு சில நுட்பங்கள் பயன்படுத்தப்படுகின்றன. சில பொதுவான நுட்பங்கள் என்ன என்பதைப் பார்ப்போம்.
| அறிவு வடித்தல் | கத்தரிக்காய் | அளவு |
|---|---|---|
| குருவிடமிருந்து சீடனுக்கு ஏற்படும் அறிவு பரிமாற்றம் இது. முன் பயிற்சி பெற்ற LLMல் இருந்து அனைத்து அறிவும் ஒரு SLM க்கு மாற்றப்படுகிறது, LLM இன் சிக்கல்களைக் கழித்து அறிவின் சாரத்தை வடிகட்டுகிறது. | ஒயின் தயாரிப்பில், கத்தரித்தல் என்பது மதுவிலிருந்து கிளைகள், பழங்கள் மற்றும் இலைகளை அகற்றுவதைக் குறிக்கிறது. SLM களில், இது மாதிரியை கனமானதாகவும் தீவிரமானதாகவும் மாற்றக்கூடிய தேவையற்ற அம்சங்கள் மற்றும் கூறுகளை அகற்றுவதை உள்ளடக்கிய இதேபோன்ற செயல்முறையாகும். | கணக்கீடுகளைச் செய்வதில் ஒரு மாதிரியின் துல்லியம் குறைக்கப்படும்போது, அது ஒப்பீட்டளவில் குறைவான நினைவகத்தைப் பயன்படுத்துகிறது மற்றும் கணிசமாக வேகமாக இயங்குகிறது. இந்த செயல்முறை அளவுப்படுத்தல் என்று அழைக்கப்படுகிறது மற்றும் சாதனங்கள் மற்றும் கணினிகளில் குறைக்கப்பட்ட வன்பொருள் திறன்களுடன் துல்லியமாக செயல்பட மாதிரியை செயல்படுத்துகிறது. |
சிறிய மொழி மாதிரிகளின் வரம்புகள் என்ன?
எந்த AI மாடலைப் போலவே, SLM களும் இடையூறுகள் மற்றும் குறைபாடுகளின் நியாயமான பங்கைக் கொண்டுள்ளன. ஆரம்பநிலைக்கு, அவை என்ன என்பதை ஆராய்வோம்:
- SLMகள் அவற்றின் நோக்கம் மற்றும் செயல்பாட்டில் முக்கிய மற்றும் சுத்திகரிக்கப்பட்டவை என்பதால், நிறுவனங்கள் அவற்றின் சிறிய மாதிரிகளை கணிசமாக அளவிடுவது கடினமாக இருக்கும்.
- சிறிய மாதிரிகள் குறிப்பிட்ட பயன்பாட்டு நிகழ்வுகளுக்காகவும் பயிற்றுவிக்கப்படுகின்றன, இதனால் அவை அவற்றின் டொமைனுக்கு வெளியே கோரிக்கைகள் மற்றும் தூண்டுதல்களுக்கு செல்லாது. ஒரு மாஸ்டர் மாடலைக் கொண்டிருப்பதற்குப் பதிலாக, நிறுவனங்கள் பல முக்கிய SLMகளை வரிசைப்படுத்த வேண்டிய கட்டாயத்தில் இருக்கும்.
- AI இடத்தில் இருக்கும் திறன் இடைவெளிகள் காரணமாக அவற்றை உருவாக்குவது மற்றும் வரிசைப்படுத்துவது சற்று கடினமாக இருக்கும்.
- மாதிரிகள் மற்றும் தொழில்நுட்பத்தின் சீரான மற்றும் விரைவான முன்னேற்றம், பொதுவாக, பங்குதாரர்களுக்கு அவர்களின் SLM ஐ நிரந்தரமாக உருவாக்குவது சவாலாக இருக்கும்.
[மேலும் படிக்க: பெரிய மொழி மாதிரி மதிப்பீட்டிற்கான ஒரு தொடக்கநிலை வழிகாட்டி ]
சிறிய மொழி மாதிரிகளுக்கான பயிற்சி தரவுத் தேவைகள்
பெரிய மாடல்களுடன் ஒப்பிடும்போது தீவிரம், கணக்கீட்டுத் திறன் மற்றும் அளவு ஆகியவை சிறியதாக இருந்தாலும், SLMகள் எந்த வகையிலும் லேசானவை அல்ல. அவை இன்னும் சிக்கலான தேவைகள் மற்றும் பணிகளைச் சமாளிக்க உருவாக்கப்பட்ட மொழி மாதிரிகள்.
ஒரு மொழி மாதிரி சிறியதாக இருப்பதன் உணர்வு, அது வழங்கக்கூடிய தீவிரத்தன்மையையும் தாக்கத்தையும் அகற்ற முடியாது. உதாரணமாக, ஹெல்த்கேர் துறையில், பரம்பரை அல்லது வாழ்க்கை முறை சார்ந்த நோய்களை மட்டுமே கண்டறிய உருவாக்கப்பட்ட எஸ்.எல்.எம். ஒரு தனிநபரின் வாழ்க்கை மற்றும் இறப்புக்கு இடையே உள்ளதால் இன்னும் முக்கியமானது.
துல்லியமான, பொருத்தமான மற்றும் துல்லியமான முடிவுகளை உருவாக்கும் காற்று புகாத மாதிரியை உருவாக்க பங்குதாரர்களுக்கு சிறிய மாடல்களுக்கான பயிற்சி தரவுத் தேவைகள் இன்னும் முக்கியமானவை என்ற கருத்தை இது மீண்டும் இணைக்கிறது. நம்பகமான வணிகங்களிலிருந்து தரவை ஆதாரமாக்குவதன் முக்கியத்துவம் இங்குதான் வருகிறது.
Shaip-இல், உங்கள் AI தொலைநோக்குப் பார்வைகளைப் பூர்த்தி செய்வதற்காக உயர்தர பயிற்சித் தரவை நெறிமுறை ரீதியாக ஆதாரமாகக் கொண்டு செயல்படுவதில் நாங்கள் எப்போதும் ஒரு நிலைப்பாட்டை எடுத்துள்ளோம். எங்கள் கடுமையான தர உறுதி நெறிமுறைகள் மற்றும் மனித-இன்-தி-லூப் முறைகள், உங்கள் மாதிரிகள் உருவாக்கும் விளைவுகளையும் முடிவுகளையும் நேர்மறையாக பாதிக்கும் குறைபாடற்ற தரமான தரவுத்தொகுப்புகளில் உங்கள் மாதிரிகள் பயிற்சி பெறுவதை உறுதி செய்கின்றன.
எனவே, எங்கள் தரவுத்தொகுப்புகளுடன் உங்கள் நிறுவன லட்சியங்களை நாங்கள் எவ்வாறு முன்னெடுப்பது என்பதை விவாதிக்க இன்றே எங்களைத் தொடர்புகொள்ளவும்.
