Как создавать LLM-продукты, которые меняют процессы работы в компании? 👉 Рассказывает Максим Скорченко, CPO red_mad_robot. 0️⃣ Ликбез: о каком ИИ пойдет речь. От рекурентных нейронок и файнтюнинга до ЛЛП и RAG. 1️⃣ Начало: как инициативная группа инженеров внутри цифрового партнера сделала свой первый ИИ чат-бот. 2️⃣ Сетап: как возникла идея RAG-платформы для HR? Результаты первых тестов и внедрение платформы внутри компании. 3️⃣ Что получилось: доработки до версии 2.0 и первые чеки.
Скачать презентацию
• Максим рассказывает о своем опыте работы с большими языковыми моделями и их применении в различных продуктах.
• Он объясняет, что большие языковые модели упрощают процесс работы с ними, позволяя сразу использовать их для решения задач.
• Максим рассказывает о лаборатории продуктов, созданной внутри компании, которая занимается поиском и применением больших языковых моделей.
• Он приводит примеры продуктов, созданных с использованием этих технологий, включая чат-ботов и генераторов изображений.
• В видео обсуждается важность использования радикального подхода к разработке, который позволяет быстро и эффективно создавать продукты.
• Этот подход включает в себя использование технологий, таких как машинное обучение и генерация текста, для создания продуктов, которые могут быть использованы внутри компании или на рынке.
• Для успешного использования радикального подхода важно правильно подготовиться и соизмерить свои ресурсы и задачи.
• Это включает в себя выбор правильных технологий, подготовку инфраструктуры и тестирование и проверку результатов.
• Радикальный подход позволяет сократить время разработки и тестирования, а также уменьшить количество необходимых ресурсов.
• Это делает его привлекательным для компаний, которые хотят быстро и эффективно создавать продукты и расширять свою воронку.
• Докладчик обсуждает использование машинного обучения для улучшения процесса работы с клиентами, включая учет обратной связи и анализ запросов клиентов.
• Он подчеркивает, что это уже решенная задача, и для ее реализации достаточно одного дата сайентиста.
• Докладчик обсуждает, что машинное обучение может быть использовано для генерации ответов, но точность таких ответов может быть низкой.
• Он также говорит о том, что точность выдачи зависит от точности данных, которые были использованы для обучения модели.
• Докладчик объясняет, что машинное обучение может быть использовано для создания базы знаний, которая помогает клиентам и продавцам.
• Он также упоминает, что машинное обучение может быть использовано для решения проблемы добавленной стоимости для картин, где одна и та же картина может стоить миллион долларов.
• Докладчик обсуждает, что машинное обучение быстро коммодизируется, и что это может привести к тому, что продукты, основанные на машинном обучении, могут быть поглощены другими продуктами.
• Он подчеркивает, что важно быстро находить и упаковывать экспертные знания в области, чтобы оставаться впереди конкурентов.