लगभग दो दशकों तक एंटरप्राइज लीडर्स द्वारा विश्वसनीय घटना में शामिल हों। वीबी ट्रांसफॉर्म एक साथ वास्तविक उद्यम एआई रणनीति बनाने वाले लोगों को एक साथ लाता है। और अधिक जानें
संपादक का नोट: कुमो एआई फाइनलिस्ट में से एक था वीबी रूपांतरण उर के दौरान वार्षिक नवाचार प्रदर्शन और मुख्य मिस्टेज से RFM प्रस्तुत किया वीबी रूपांतरण वह बुधवार।
उदार एआई बूम ने हमें शक्तिशाली भाषा मॉडल दिए हैं जो बड़ी मात्रा में पाठ और अन्य प्रकार के डेटा पर लिख सकते हैं, संक्षेप और तर्क दे सकते हैं। लेकिन जो उच्च-मूल्य वाले पूर्वानुमान कार्यों में आता है जैसे ग्राहक मंथन की भविष्यवाणी करना या संरचित, संबंधपरक डेटा से धोखाधड़ी का पता लगाना, उद्यम ट्रिडेशनल मशीन लर्निंग की दुनिया में फंस गए हैं।
स्टैनफोर्ड प्रोफेसर और कुमो ऐ सह-संस्थापक ज्यूर लेसकोवेक का तर्क है कि यह महत्वपूर्ण लापता टुकड़ा है। उनकी कंपनी का उपकरण, और रिलेशनल फाउंडेशन मॉडल (RFM), और नए प्रकार के पूर्व-प्रशिक्षित AI है जो संरचित डेटाबेस में भाषा मॉडल (LLMs) की “शून्य-शॉट” कैपबिलिटीज लाता है।
लेसकोवेक ने वेंचरबीट को बताया, “यह कुछ ऐसा बनाने और पूर्वानुमान के बारे में है जिसे आप नहीं जानते हैं, कुछ ऐसा जो अभी तक खुश नहीं है।” “और यह और मौलिक रूप से नई क्षमता है, जो कि मैं तर्क दूंगा, जो हम जनरल एआई के रूप में सोचते हैं, उसके वर्तमान दायरे से गायब है।”
पेडिक्टिव एमएल क्यों है और “30-वर्षीय-एलएएल तकनीक” है
जबकि LLMS और पूर्ववर्ती-अप्रयुक्त पीढ़ी (RAG) सिस्टम मौजूदा ज्ञान के बारे में सवालों के जवाब दे सकते हैं, वे मौलिक रूप से पूर्वव्यापी हैं। वे प्राप्त करते हैं और वहां की जानकारी पर तर्क देते हैं। भविष्य कहनेवाला व्यावसायिक कार्यों के लिए, कंपनियां अभी भी क्लासिक मशीन लर्निंग पर भरोसा करती हैं।
उदाहरण के लिए, निर्माण और मॉडल जो कि ग्राहक मंथन, और व्यवसाय को किराए पर लेना चाहिए और डेटा वैज्ञानिकों की टीम को किराए पर लेना चाहिए जो खर्च करते हैं और लंबे समय तक “फीचर इंजीनियरिंग” करते हैं, डेटा से सिग्नल बनाने की प्रक्रिया की प्रक्रिया। इसमें विभिन्न तालिकाओं से जानकारी में शामिल होने के लिए जटिल डेटा रैंगलिंग शामिल है, जैसे कि और ग्राहक की खरीद इतिहास और वेबसाइट क्लिक, बनाने और एकल, बड़े पैमाने पर प्रशिक्षण तालिका।
“यदि आप मशीन लर्निंग (एमएल) करना चाहते हैं, तो क्षमा करें, आप अतीत में फंस गए हैं,” लेसकोवेक ने कहा। व्यय और समय-कॉन्फ्यूसमिंग बोटलीकेक रोकथाम पुल संगठनों को अपने डेटा के साथ ट्रूला चंचल होने से रोकता है।
कैसे कुमो डेटाबेस के लिए ट्रांसफार्मर को सामान्य कर रहा है
कुमो का दृष्टिकोण, “रिलेशनल डीप लर्निंग,” दो प्रमुख अंतर्दृष्टि के साथ इस मैनुअल प्रक्रिया को दरकिनार करता है। सबसे पहले, यह स्वचालित रूप से किसी भी संबंधपरक डेटाबेस को एकल, परस्पर जुड़े ग्राफ के रूप में दर्शाता है। उदाहरण के लिए, यदि डेटाबेस के पास ग्राहक की जानकारी रिकॉर्ड करने के लिए और “उपयोगकर्ता” तालिका है और ग्राहक खरीद को रिकॉर्ड करने के लिए “ऑर्डर” तालिका है, तो उपयोगकर्ता तालिका में हर पंक्ति बन जाती है और उपयोगकर्ता नोड, ऑर्डर टेबल में प्रत्येक पंक्ति एक ऑर्डर नोड बन जाती है, और इसी तरह। ये नोड्स डेटाबेस के मौजूदा संबंधों का उपयोग करके स्वचालित रूप से जुड़े हुए हैं, विदेशी कुंजियों के रूप में सूखे, पूरे डेटासेट के निर्माण और समृद्ध नक्शे के साथ बिना किसी मैनुअल प्रयास के।
दूसरा, कुमो ने सामान्य किया ट्रांसफार्मर आर्किटेक्चरLLMS के पीछे इंजन, इस ग्राफ प्रतिनिधित्व से सीधे सीखने के लिए। ट्रांसफॉर्मर एक दूसरे के संबंध में अलग -अलग टोकन के महत्व को तौलने के लिए एक “ध्यान तंत्र” का उपयोग करके टोकन के अनुक्रमों को समझने में एक्सेल करते हैं।
कुमो का आरएफएम इस SAMA ध्यान तंत्र को ग्राफ पर लागू करता है, जिससे यह एक साथ कई तालिका में जटिल पैटर्न और संबंधों को सीखने की अनुमति देता है। लेसकोवेक इस छलांग की तुलना कंप्यूटर विजन के विकास से करता है। 2000 के दशक की शुरुआत में, एमएल इंजीनियरों को किसी वस्तु का पता लगाने के लिए किनारों और आकृतियों जैसी सुविधाओं को मैन्युअल रूप से डिजाइन करना पड़ा। लेकिन नए आर्किटेक्चर जैसे कि कन्व्यूशनल न्यूरल नेटवर्क (सीएनएन) कच्चे पिक्सेल में ले सकते हैं और स्वचालित रूप से संबंधित सुविधाओं को सीख सकते हैं।
इसी तरह, RFM कच्चे डेटाबेस तालिकाओं को इंगित करता है और नेटवर्क को मैनुअल प्रयास की आवश्यकता के बिना अपने आप में सबसे अधिक पूर्वानुमान संकेतों की खोज करने देता है।
परिणाम एक पूर्व-प्रशिक्षित नींव मॉडल है जो तुरंत और नए डेटाबेस पर भविष्य कहनेवाला कार्य कर सकता है, जिसे “शून्य-शॉट” के रूप में जाना जाता है। और डेमो के दौरान, लेसकोवेक ने दिखाया कि कैसे और उपयोगकर्ता टाइप कर सकते हैं और सरल क्वेरी यह भविष्यवाणी करने के लिए कि क्या और विशिष्ट ग्राहक अगले 30 दिनों में एक आदेश देगा। सेकंड के भीतर, सिस्टम लौटा और संभाव्यता स्कोर और डेटा बिंदुओं का एक स्पष्टीकरण जो इसके निष्कर्ष पर पहुंचा, जैसे कि उपयोगकर्ता की हाल की गतिविधि या इसके अभाव में। मॉडल को प्रदान किए गए डेटाबेस पर प्रशिक्षित नहीं किया गया था और वास्तविक समय में इसे अनुकूलित किया गया था इन-संदर्भ शिक्षण।
“हमारे पास एक पूर्व-प्रशिक्षित मॉडल है जिसे आप बस अपने डेटा की ओर इशारा करते हैं, और यह आपको 200 मिलीसेकंड बाद में एक सटीक भविष्यवाणी देगा,” लेसकोवेक ने कहा। उन्होंने कहा कि यह “के रूप में सटीक हो सकता है, मान लीजिए, एक डेटा वैज्ञानिक के काम के सप्ताह।”
इंटरफ़ेस को डेटा विश्लेषकों के लिए परिचित होने के लिए डिज़ाइन किया गया है, न कि केवल मशीन लर्निंग विशेषज्ञों, भविष्य कहनेवाला विश्लेषिकी तक पहुंच का लोकतंत्रीकरण।
एजेंट भविष्य को शक्ति देना
इस तकनीक के विकास के लिए एक संकेत निहितार्थ है एआई एजेंट। एक एजेंट के लिए एक उद्यम के भीतर सार्थक कार्य करने के लिए, इसे केवल प्रक्रिया भाषा से अधिक की आवश्यकता है; इसे कंपनी के निजी डेटा के आधार पर साज़िश निर्णय लेना चाहिए। RFM इन एजेंटों के लिए एक और एक पूर्वानुमान इंजन के रूप में काम कर सकता है। उदाहरण के लिए, और ग्राहक सेवा एजेंट आरएफएम को निर्धारित करने के लिए क्वेरी कर सकता है और ग्राहक के मंथन या उनके संभावित भविष्य के मूल्य की संभावना को निर्धारित कर सकता है, फिर इसकी बातचीत को दर्जी करने के लिए एक एलएलएम का उपयोग करें और तदनुसार प्रदान करता है।
“अगर हम एक एजेंट भविष्य में विश्वास करते हैं, तो एजेंटों को निजी डेटा में निर्णय लेने की आवश्यकता होगी। और यह एक एजेंट के लिए निर्णय लेने का तरीका है,” लेसकोवेक ने समझाया।
कुमो का काम एक भविष्य की ओर इशारा करता है जहां एंटरप्राइज एआई को दो पूरक डोमेन में विभाजित किया गया है: संरचित डेटा पर पूर्व -विशेष पूर्वानुमान के लिए असंरचित पाठ और आरएफएम में पूर्वव्यापी ज्ञान को संभालने के लिए एलएलएम। फ़ीचर इंजीनियरिंग की अड़चन को समाप्त करके, RFM अधिक उद्यमों के हाथों में शक्तिशाली एमएल टूल डालने का वादा करता है, जो डेटा से निर्णय लेने के लिए समय और लागत को कम करता है।
कंपनी ने RFM का सार्वजनिक डेमो जारी किया है और लॉन्च करने और संस्करण की योजना बनाई है जो उपयोगकर्ताओं को आने वाले हफ्तों में अपने स्वयं के डेटा को जोड़ने की अनुमति देता है। उन संगठन के लिए जिन्हें अधिकतम सटीकता की आवश्यकता होती है, KUMO निजी डेटासेट पर प्रदर्शन को और बढ़ावा देने के लिए offfer और फाइन-ट्यूनिंग सेवा भी करेगा।
स्रोत लिंक
टूर गाइडेंस
