每一次技術風口,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人類文明進程的革命,但過去一年,關于AI, 有太多荒謬不實、不負責任的雜音,也有太多為技術而技術的錯誤應用范式。
近日,昆侖巢聯合各路AI領域大咖和組織機構,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行業的深入思考和建設性對話。云知聲算法研發總監王亦寧應邀出席活動并帶來主題為《基于山海大模型的領域級RAG技術探索及其實踐》的深度演講。
現場,王亦寧結合其在人工智能領域的豐富經驗,深入剖析了RAG技術在大模型中的關鍵作用,并基于山海大模型的構建與實際落地探索,分享了山海大模型的企業級優化策略,為與會者提供了實現技術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(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,其在大語言模型生成答案之前,先從廣泛的文檔數據庫中檢索相關信息,然后利用這些信息來引導生成過程,極大地提升了內容的準確性和相關性。
盡管RAG技術在提升語言模型的復雜查詢處理能力方面具有顯著優勢,但在實際應用中仍面臨一些關鍵挑戰。這些挑戰包括保持語義連貫性、過濾無關信息、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,解決這些問題對于提升RAG性能和應用范圍至關重要。
會上,王亦寧向與會觀眾展示了RAG技術如何與大模型結合,以強化其在特定領域的應用效能。具體來說,首先通過口語改寫和Query優化,精確捕捉用戶意圖。隨后,利用向量化技術在向量數據庫中高效檢索相關信息,并通過多路召回策略全面搜集數據,過濾噪聲。在生成階段,采用關鍵信息抽取和Prompt工程技術,確?;卮鸬臏蚀_性和相關性,避免錯誤信息的產生。最后,嚴格的問答校驗流程,保證了輸出回答的高質量,確保為用戶提供更可靠的內容。
整體而言,RAG技術的應用,幫助山海大模型打造了一個高效、準確的問答系統,有效緩解了幻覺問題,提高了知識更新的速度,并增強了內容生成的可追溯性,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、候選結果過濾、關鍵信息抽取和片段校驗等技術,山海RAG技術方案在增強大模型回答質量的同時,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域的應用更加精準、高效和可信。
PART 2
打造企業級應用范式,山海的六大優化實踐路徑
演講后半段,王亦寧分享了山海大模型在企業級應用中的優化實踐,包含預訓練、指令微調、對齊、Agent、解碼策略、提示工程六大策略。
預訓練:
利用行業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的術語、概念和上下文。在醫療行業語料庫的加持下,山海大模型于2023年6月的MedQA任務中超越Med-PaLM 2,取得87.1%的優異成績;在臨床執業醫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:
在企業級應用中,云知聲采用了一系列微調策略以提升其大模型的性能——全量SFT通過大規模標注數據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表現;LoRA和QLoRA技術通過引入低秩結構和量化方法,高效調整模型參數,使模型能夠快速適應新任務,同時降低資源消耗;P-Tuning策略則專注于優化模型的特定部分,以增強模型對新數據的適應性;Adaptor技術通過在模型主體之外添加小型適配器網絡,使模型能夠在保持原有結構的同時,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勢的基礎上,能夠精準滿足企業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級優化過程中采用了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,鼓勵生成高質量答案并避免不相關輸出;DPO則直接針對用戶偏好進行優化,通過比較不同輸出樣本來提升模型輸出的滿意度。這些策略的結合不僅提升了模型的響應質量,還增強了模型適應不同用戶需求的能力,從而在企業級應用中實現更加個性化和更高效的服務。
Agent:
山海大模型通過一系列Agent創新策略,顯著提升了企業級應用的效能。Web搜索增強賦予了Agent實時訪問互聯網信息的能力,確保答復的時效性和準確性;外部檢索增強則讓Agent深入挖掘企業內部知識庫,提供專業且深入的答復;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行更復雜的任務。
解碼策略:
解碼策略是優化語言模型輸出的關鍵環節,涉及多種技術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解的幾率。Top-k采樣通過限制詞的選擇范圍來平衡結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確保輸出內容的適當性,而推測性解碼Speculative Decoding允許模型生成基于假設的答案,適用于需要創造性的場景。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的關鍵。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據處理能力,為大型語言模型的訓練和微調提供了一個強大、可靠的數據基礎,從而顯著提升企業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的發展前景表達了積極樂觀的態度,他表示,云知聲期望通過深化對復雜文本數據的分析和格式處理,提升對視覺信息的解讀能力,并實現基于圖像的內容問答功能,從而拓展AI在多模態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
+關注
關注
87文章
30744瀏覽量
268896 -
人工智能
+關注
關注
1791文章
47196瀏覽量
238268 -
云知聲
+關注
關注
0文章
179瀏覽量
8388
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】歡迎添加關注!文章轉載請注明出處。
發布評論請先 登錄
相關推薦
評論