实用的法学硕士选择：成功的秘诀
Posted: Sun Mar 02, 2025 9:06 am
2024 年 7 月 31 日
Dataiku 产品，扩展 AI
维维安·陈·蒂恩
在我们之前关于选择合适的 LLM 的探索中（本系列的第一部分），我们讨论了评估这些模型的基本指标和决策因素。了解性能基准和 Chatbot Arena 等工具为比较 LLM 奠定了坚实的基础。现在，是时候在这些知识的基础上，为您的特定用例选择理想的 LLM 提供实用指南了。
让我们探索实施 LLM 的具体过程，从范围和可行 加拿大 Whatsapp 数据 性到证明价值和优化性能，改编自 Andrej Karpathy关于“GPT 状态”的演讲：
GM3877 博客图表 v3-01 (1)
第一步是确定用例范围（步骤 1）。与任何其他 AI 用例一样，这涉及定义问题、评估潜在数据源、概述目标解决方案、列出要求、定义成功标准、估计资源需求和规划项目。
在 LLM 用例中，考虑到 LLM 的特殊性，需要更仔细地考虑某些方面：
输入源是否可用且机器可读？实施检索增强生成 (RAG) 方法或使用工具增强 LLM 通常是提高其准确性的有效方法。然后我们需要了解有哪些相关信息源可用以及它们的格式是否合适。
Dataiku 产品，扩展 AI
维维安·陈·蒂恩
在我们之前关于选择合适的 LLM 的探索中（本系列的第一部分），我们讨论了评估这些模型的基本指标和决策因素。了解性能基准和 Chatbot Arena 等工具为比较 LLM 奠定了坚实的基础。现在，是时候在这些知识的基础上，为您的特定用例选择理想的 LLM 提供实用指南了。
让我们探索实施 LLM 的具体过程，从范围和可行 加拿大 Whatsapp 数据 性到证明价值和优化性能，改编自 Andrej Karpathy关于“GPT 状态”的演讲：
GM3877 博客图表 v3-01 (1)
第一步是确定用例范围（步骤 1）。与任何其他 AI 用例一样，这涉及定义问题、评估潜在数据源、概述目标解决方案、列出要求、定义成功标准、估计资源需求和规划项目。
在 LLM 用例中，考虑到 LLM 的特殊性，需要更仔细地考虑某些方面：
输入源是否可用且机器可读？实施检索增强生成 (RAG) 方法或使用工具增强 LLM 通常是提高其准确性的有效方法。然后我们需要了解有哪些相关信息源可用以及它们的格式是否合适。