Indeed พบว่าการฝึกโมเดลให้ตอบโดยใช้ few-shot-prompting นั้นมีประสิทธิภาพในการเพิ่ม ‘เหตุผล’ ที่เกี่ยวข้องในการอธิบาย แต่ด้วยขนาดของ Indeed การทำงานนี้ส่งผลให้มีการใช้โทเค็นสูงมาก
เพื่อเพิ่มประสิทธิภาพ ทั้ง OpenAI และ Indeed จึงร่วมกันปรับจูนโมเดล GPT ขนาดเล็กที่ให้ผลลัพธ์เทียบเคียงกันแต่ใช้โทเค็นน้อยลงถึง 60% โดยมีการใช้ GPT-4 ในการเพิ่มข้อมูลและสร้างแนวทางเนื้อหาเฉพาะ
ทีมงานยังได้ดำเนินการกำกับดูแลการติดป้ายกำกับเอาต์พุตที่สร้างโดย LLM เพื่อสร้าง ground truths สำหรับการประเมินอัตโนมัติ และเพิ่มบริบทเพื่อให้โมเดลเข้าใจความแตกต่างเล็กน้อย
การทดสอบเพิ่มเติมยืนยันถึงคุณค่าของการปรับให้เข้ากับบุคคลในคำแนะนำงาน ซึ่งช่วยเพิ่มกลุ่มผู้สมัครที่มีคุณสมบัติเหมาะสม และการนำไปใช้จริงในปี 2024 คือการติดตั้งโมเดล GPT ที่ปรับจูนแล้วใน dedicated instances เพื่อนำเสนอโอกาสการจ้างงานเฉพาะบุคคลแก่ผู้หางานหลายล้านคน
Chris Hyams CEO ของ Indeed กล่าวว่า การรวมคำอธิบายของ GPT ของ OpenAI เข้ากับ AI และข้อมูลตลาดเฉพาะของ Indeed ช่วยให้สามารถเชื่อมโยงผู้คนเข้ากับงานได้มากขึ้นและเร็วขึ้น ซึ่งเป็นประโยชน์ต่อผู้หางาน นายจ้าง และสังคมโดยรวม
ศัพท์ที่ควรรู้
- Few-shot-prompting – เทคนิคการป้อนคำสั่งให้โมเดล AI โดยให้ตัวอย่างประกอบเพื่อให้โมเดลเรียนรู้และตอบสนอง
- Token – หน่วยข้อมูลที่โมเดล AI ใช้ในการประมวลผล ซึ่งการใช้โทเค็นหมายถึงปริมาณการคำนวณที่ใช้ไป
- GPT-4 – โมเดลภาษาขนาดใหญ่ของ OpenAI ที่ถูกนำมาใช้ในการเพิ่มข้อมูล (data augmentation) ในระหว่างการปรับจูน
- Fine-tune – กระบวนการปรับแต่งโมเดล AI ที่มีอยู่แล้วให้ทำงานเฉพาะทางหรือให้เข้ากับชุดข้อมูลใหม่
- Dedicated instances – การจัดสรรทรัพยากรเซิร์ฟเวอร์เฉพาะสำหรับงานนั้นๆ เพื่อให้การทำงานมีประสิทธิภาพสูงสุด
ที่มา: OpenAI