每一次技術(shù)風口,在掀起浪潮的同時也伴生著泡沫,盡管這輪GenAI革命無疑是一次深刻改變?nèi)祟愇拿鬟M程的革命,但過去一年,關(guān)于AI, 有太多荒謬不實、不負責任的雜音,也有太多為技術(shù)而技術(shù)的錯誤應用范式。
近日,昆侖巢聯(lián)合各路AI領(lǐng)域大咖和組織機構(gòu),舉辦首期人工智能應用實踐討論專場,打造了一場圍繞AI應用的線上思辨對談,旨在促進AI行業(yè)的深入思考和建設(shè)性對話。云知聲算法研發(fā)總監(jiān)王亦寧應邀出席活動并帶來主題為《基于山海大模型的領(lǐng)域級RAG技術(shù)探索及其實踐》的深度演講。
現(xiàn)場,王亦寧結(jié)合其在人工智能領(lǐng)域的豐富經(jīng)驗,深入剖析了RAG技術(shù)在大模型中的關(guān)鍵作用,并基于山海大模型的構(gòu)建與實際落地探索,分享了山海大模型的企業(yè)級優(yōu)化策略,為與會者提供了實現(xiàn)技術(shù)深度融合與價值最大化的前瞻性洞見。
以下為分享精華,我們做了整理,謹供學習:
PART 1
RAG:山海大模型的創(chuàng)新應用與實踐探索
當前,大語言模型應用主要面臨私有部署難、幻覺問題、安全合規(guī)以及知識更新局限性等問題。正是在這樣的背景下,檢索增強生成技術(shù)(Retrieval-Augmented Generation,RAG)應時而生,成為大模型時代的一大趨勢。
RAG是指檢索增強生成(Retrieval Augmented Generation )技術(shù),其在大語言模型生成答案之前,先從廣泛的文檔數(shù)據(jù)庫中檢索相關(guān)信息,然后利用這些信息來引導生成過程,極大地提升了內(nèi)容的準確性和相關(guān)性。
盡管RAG技術(shù)在提升語言模型的復雜查詢處理能力方面具有顯著優(yōu)勢,但在實際應用中仍面臨一些關(guān)鍵挑戰(zhàn)。這些挑戰(zhàn)包括保持語義連貫性、過濾無關(guān)信息、處理口語化表達、避免生成錯誤信息以及減少干擾等。王亦寧強調(diào),解決這些問題對于提升RAG性能和應用范圍至關(guān)重要。
會上,王亦寧向與會觀眾展示了RAG技術(shù)如何與大模型結(jié)合,以強化其在特定領(lǐng)域的應用效能。具體來說,首先通過口語改寫和Query優(yōu)化,精確捕捉用戶意圖。隨后,利用向量化技術(shù)在向量數(shù)據(jù)庫中高效檢索相關(guān)信息,并通過多路召回策略全面搜集數(shù)據(jù),過濾噪聲。在生成階段,采用關(guān)鍵信息抽取和Prompt工程技術(shù),確?;卮鸬臏蚀_性和相關(guān)性,避免錯誤信息的產(chǎn)生。最后,嚴格的問答校驗流程,保證了輸出回答的高質(zhì)量,確保為用戶提供更可靠的內(nèi)容。
整體而言,RAG技術(shù)的應用,幫助山海大模型打造了一個高效、準確的問答系統(tǒng),有效緩解了幻覺問題,提高了知識更新的速度,并增強了內(nèi)容生成的可追溯性,使得大語言模型在實際應用中變得更加實用和可信。
為了具體展示RAG在山海大模型中的應用,王亦寧以工業(yè)問答為例,向與會嘉賓生動展示了如何利用山海模型進行高效的Query Answer Retrieval。通過基于Copy機制的RAG、Query改寫、檢索精排、候選結(jié)果過濾、關(guān)鍵信息抽取和片段校驗等技術(shù),山海RAG技術(shù)方案在增強大模型回答質(zhì)量的同時,更確保了在不確定性情況下的可靠性,使得大模型在特定領(lǐng)域的應用更加精準、高效和可信。
PART 2
打造企業(yè)級應用范式,山海的六大優(yōu)化實踐路徑
演講后半段,王亦寧分享了山海大模型在企業(yè)級應用中的優(yōu)化實踐,包含預訓練、指令微調(diào)、對齊、Agent、解碼策略、提示工程六大策略。
預訓練:
利用行業(yè)特定的語料庫對模型進行進一步的預訓練,使其能夠更好地理解和適應特定行業(yè)的術(shù)語、概念和上下文。在醫(yī)療行業(yè)語料庫的加持下,山海大模型于2023年6月的MedQA任務中超越Med-PaLM 2,取得87.1%的優(yōu)異成績;在臨床執(zhí)業(yè)醫(yī)師資格考試中提升至523(總分600分),超過99%的考生水平。
指令微調(diào):
在企業(yè)級應用中,云知聲采用了一系列微調(diào)策略以提升其大模型的性能——全量SFT通過大規(guī)模標注數(shù)據(jù)集對模型進行全面訓練,以確保模型在特定任務上達到最優(yōu)表現(xiàn);LoRA和QLoRA技術(shù)通過引入低秩結(jié)構(gòu)和量化方法,高效調(diào)整模型參數(shù),使模型能夠快速適應新任務,同時降低資源消耗;P-Tuning策略則專注于優(yōu)化模型的特定部分,以增強模型對新數(shù)據(jù)的適應性;Adaptor技術(shù)通過在模型主體之外添加小型適配器網(wǎng)絡,使模型能夠在保持原有結(jié)構(gòu)的同時,學習并適應新任務的特征。這些策略的綜合應用,使得山海大模型在保持預訓練優(yōu)勢的基礎(chǔ)上,能夠精準滿足企業(yè)級應用的多樣化需求。
對齊:
為確保大模型的輸出與用戶需求和偏好保持一致,云知聲在大模型的企業(yè)級優(yōu)化過程中采用了RLHF、RLAIF、DPO三大對齊策略——RLHF通過分析用戶的直接反饋,使用強化學習來優(yōu)化模型行為,使其生成的答復更加精準和符合期望;RLAIF進一步通過逆向獎勵機制增強模型的學習能力,鼓勵生成高質(zhì)量答案并避免不相關(guān)輸出;DPO則直接針對用戶偏好進行優(yōu)化,通過比較不同輸出樣本來提升模型輸出的滿意度。這些策略的結(jié)合不僅提升了模型的響應質(zhì)量,還增強了模型適應不同用戶需求的能力,從而在企業(yè)級應用中實現(xiàn)更加個性化和更高效的服務。
Agent:
山海大模型通過一系列Agent創(chuàng)新策略,顯著提升了企業(yè)級應用的效能。Web搜索增強賦予了Agent實時訪問互聯(lián)網(wǎng)信息的能力,確保答復的時效性和準確性;外部檢索增強則讓Agent深入挖掘企業(yè)內(nèi)部知識庫,提供專業(yè)且深入的答復;ToolLLM進一步擴展了Agent的功能,集成了多種輔助工具,使得語言模型能夠執(zhí)行更復雜的任務。
解碼策略:
解碼策略是優(yōu)化語言模型輸出的關(guān)鍵環(huán)節(jié),涉及多種技術(shù)以適應不同的應用需求。Greedy Search以其簡潔性快速選擇最可能的詞,而Beam Search通過考慮多個最可能的序列來增加找到最優(yōu)解的幾率。Top-k采樣通過限制詞的選擇范圍來平衡結(jié)果的多樣性和準確性。Copy Mechanism允許模型復制輸入中的短語,以提高回答的準確性。Restricted Decoding確保輸出內(nèi)容的適當性,而推測性解碼Speculative Decoding允許模型生成基于假設(shè)的答案,適用于需要創(chuàng)造性的場景。這些策略的綜合應用,使得語言模型能夠靈活地處理各種復雜的查詢,提供高質(zhì)量、多樣化且符合用戶需求的回答。
提示工程:
提示工程提升了模型對任務的理解和生成文本的準確性,是提高語言模型在各種應用場景中表現(xiàn)的關(guān)鍵。它包括利用上下文學習(In-context Learning)為模型提供豐富的背景信息,使其能夠基于少量示例快速適應新任務;構(gòu)建思維鏈(Chain of Thought)和思維樹(Thought Trees)以模擬逐步的邏輯推理過程,增強模型解決復雜問題的能力;以及確保自我一致性(Self-consistency),使模型輸出在邏輯上連貫無矛盾。
此外,云知聲UniDataOps框架通過其綜合性的數(shù)據(jù)處理能力,為大型語言模型的訓練和微調(diào)提供了一個強大、可靠的數(shù)據(jù)基礎(chǔ),從而顯著提升企業(yè)級大模型應用的性能和效果。
演講的尾聲,王亦寧對未來人工智能技術(shù)的發(fā)展前景表達了積極樂觀的態(tài)度,他表示,云知聲期望通過深化對復雜文本數(shù)據(jù)的分析和格式處理,提升對視覺信息的解讀能力,并實現(xiàn)基于圖像的內(nèi)容問答功能,從而拓展AI在多模態(tài)交互和智能理解方面的可能性,為用戶帶來更加多樣化和個性化的應用體驗。
-
AI
+關(guān)注
關(guān)注
87文章
31294瀏覽量
269654 -
人工智能
+關(guān)注
關(guān)注
1792文章
47514瀏覽量
239246 -
云知聲
+關(guān)注
關(guān)注
0文章
194瀏覽量
8405
原文標題:云知聲出席昆侖巢首期人工智能應用實踐討論專場并作主題分享
文章出處:【微信號:云知聲,微信公眾號:云知聲】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
相關(guān)推薦
評論