การปรับแต่ง GPT-3 สามารถทำให้โมเดลมีความน่าเชื่อถือสำหรับกรณีการใช้งานที่กว้างขึ้น และช่วยให้การรันโมเดลมีต้นทุนต่ำลงและเร็วขึ้น คุณสามารถใช้ชุดข้อมูลที่มีอยู่เดิมไม่ว่าจะรูปร่างหรือขนาดใด หรือจะค่อยๆ เพิ่มข้อมูลตามข้อเสนอแนะของผู้ใช้ก็ได้
จากการวิจัยเมื่อเดือนมิถุนายนที่ผ่านมา พบว่าการปรับจูนด้วยตัวอย่างน้อยกว่า 100 ตัวอย่าง สามารถปรับปรุงประสิทธิภาพของ GPT-3 ในบางงานได้ โดยสามารถเพิ่มความแม่นยำได้ถึง 2 ถึง 4 เท่า เมื่อเทียบกับการใช้ prompt design ในชุดข้อมูลคณิตศาสตร์ระดับประถม
Apps powered by customized versions of GPT-3
Keeper Tax ใช้โมเดลต่างๆ เพื่อสกัดข้อความและจำแนกธุรกรรมจากบัญชีทางการเงินของลูกค้า และเพิ่มตัวอย่างการฝึกฝนใหม่ประมาณ 500 ตัวอย่างต่อสัปดาห์ ซึ่งช่วยเพิ่มความแม่นยำขึ้นประมาณ 1% ต่อสัปดาห์ จาก 85% เป็น 93%
สำหรับ Viable นั้น การปรับแต่ง GPT-3 ช่วยแปลงข้อมูลที่ไม่มีโครงสร้างจำนวนมหาศาลให้เป็นรายงานภาษาธรรมชาติที่อ่านเข้าใจได้ ซึ่งช่วยเน้นย้ำข้อร้องเรียน คำชม คำขอ และคำถามของลูกค้า โดย Sana learning platform ก็ใช้ GPT-3 ที่ปรับแต่งแล้วเพื่อสร้างประสบการณ์การเรียนรู้เฉพาะบุคคล ซึ่งพบว่าเวอร์ชันที่ปรับแต่งนั้นเหนือกว่า prompt design ใน 3 ด้านสำคัญ คือ เข้าใจง่ายขึ้น 24% แม่นยำขึ้น 17% และโดยรวมดีขึ้น 33%
ศัพท์ที่ควรรู้
- GPT-3 – คือโมเดลภาษาขนาดใหญ่ของ OpenAI ที่ถูกนำมาปรับแต่งเพื่อใช้งานเฉพาะทาง
- Fine-tune – คือกระบวนการปรับแต่งโมเดล AI โดยใช้ข้อมูลเฉพาะเพื่อให้ทำงานได้ตรงตามต้องการ
- Prompt design – คือการออกแบบคำสั่งหรือชุดคำสั่งที่ป้อนให้กับโมเดล AI เพื่อให้ได้ผลลัพธ์ที่ต้องการ
- Latency – คือความหน่วงของระบบ ซึ่งในที่นี้หมายถึงความเร็วในการตอบสนองของโมเดล
ที่มา: OpenAI