.class="img-fluid clearfix"
कार्यकारी सारांश / महत्त्वाचे मुद्दे
- सर्वकाही बदलणारे आर्किटेक्चर. २०१७ च्या ट्रान्सफॉर्मर शोधनिबंधाने सेल्फ-अटेंशन मांडले: एक यंत्रणा जी इनपुटमधील प्रत्येक टोकन-जोडीदरम्यान प्रासंगिकतेचे वजन मोजते, आणि RNN च्या अनुक्रमिक प्रक्रियेच्या जागी समांतरीकरणयोग्य मॅट्रिक्स संगणने आणते. २०२३ मधील प्रत्येक प्रमुख भाषा मॉडेल हे ट्रान्सफॉर्मरचे एक रूप आहे (Vaswani et al., 2017).
- २०२३ चा बेंचमार्क म्हणून GPT-4. मार्च २०२३ मध्ये प्रकाशित, GPT-4 ने अमेरिकन बार परीक्षेत ९०व्या शततमांशात, GRE Verbal मध्ये ९९व्या शततमांशात गुण मिळवले, आणि लांब दस्तऐवजांवर बहु-टप्पी तर्क दाखवला. त्याने पुढील मॉडेल्सनी गाठण्याचा किंवा ओलांडण्याचा प्रयत्न केलेला क्षमता-बेंचमार्क ठरवला (OpenAI, 2023).
- ओपन-वेट मॉडेल्सनी प्रवेश लोकशाहीकृत केला. Meta चे Llama 2 (जुलै २०२३) आणि Mistral AI चे Mistral 7B (सप्टेंबर २०२३) यांनी दाखवले की GPT-3.5-श्रेणीच्या क्षमतेशी स्पर्धा करणारी मॉडेल्स खासगी पायाभूत सुविधांवर चालू शकतात — ज्यामुळे नियमन-अधीन उद्योगांच्या डेटा-निवास आवश्यकता पूर्ण झाल्या.
- २०२३ मधील वित्तीय सेवा पथदर्शी. २०२३ च्या उत्तरार्धापर्यंतच्या व्यापक तैनातींमध्ये कायदेशीर करार पुनरावलोकन (JPMorgan चे DocLLM संशोधन), नियामक बदल देखरेख, आणि डेव्हलपर उत्पादकता साधने यांचा समावेश होता. Goldman Sachs ने १०,००० डेव्हलपर्समध्ये AI कोडिंग सहाय्यकांचा अंतर्गत वापर नोंदवला.
- हॅल्युसिनेशन हा उत्पादन-अडथळा आहे. LLM विश्वासार्ह वाटणारे पण तथ्यात्मकदृष्ट्या चुकीचे आउटपुट लक्षणीय दराने निर्माण करतात. नियमन-अधीन वापर-प्रकरणांमध्ये — पतनिर्णय, अनुपालन मते, ग्राहक प्रकटीकरणे — हॅल्युसिनेशन हा केवळ वरवरचा दोष नाही; ती एक नियामक आणि दायित्व जोखीम आहे, जिच्यासाठी रिट्रीव्हल-ऑगमेंटेड जनरेशन (RAG) सारख्या वास्तुशिल्पीय उपाययोजना आवश्यक आहेत.
ट्रान्सफॉर्मर आर्किटेक्चर कसे काम करते
२०२३ मध्ये तैनात केलेले प्रत्येक महत्त्वाचे भाषा मॉडेल — GPT-4, Claude 2, Llama 2, Mistral, Falcon — २०१७ च्या "Attention Is All You Need" या शोधनिबंधात मांडलेल्या ट्रान्सफॉर्मर आर्किटेक्चरवर उभे आहे. मूलभूत यंत्रणा समजून घेतल्यास ही मॉडेल्स का काम करतात आणि कुठे अपयशी ठरतात, दोन्ही स्पष्ट होते.
टोकन आणि एम्बेडिंग्ज. मॉडेल इनपुट मजकुराला उप-शब्द टोकनांमध्ये (सामान्यतः बाइट-पेअर एन्कोडिंग वापरून) विभागून सुरुवात करते. प्रत्येक टोकन एका उच्च-आयामी सदिशाशी (एम्बेडिंग) जोडले जाते, जे पूर्व-प्रशिक्षणादरम्यान शिकलेले इतर टोकनांशी असलेले त्याचे अर्थपूर्ण संबंध कूटबद्ध करते.
सेल्फ-अटेंशन. प्रत्येक टोकनसाठी मॉडेल तीन सदिश मोजते: एक क्वेरी (हे टोकन काय शोधत आहे), एक की (हे टोकन काय देऊ करते), आणि एक व्हॅल्यू (हे टोकन काय योगदान देते). प्रत्येक क्वेरीचा सर्व कींसोबत डॉट-प्रॉडक्ट घेऊन, वजन निर्माण करण्यासाठी सॉफ्टमॅक्स लावून, आणि त्या गुणांनुसार वजनित व्हॅल्यूजची बेरीज करून अटेंशन गुण मोजले जातात. याचा अर्थ प्रत्येक टोकन संदर्भ खिडकीतील इतर प्रत्येक टोकनकडे एकाच वेळी लक्ष देते — हीच यंत्रणा ट्रान्सफॉर्मर्सना दीर्घ-पल्ल्याच्या अवलंबित्वांना हाताळण्याची क्षमता देते.
मल्टी-हेड अटेंशन. अनेक अटेंशन हेड समांतर चालतात, प्रत्येक वेगवेगळ्या प्रकारचे संबंध (वाक्यरचनात्मक, अर्थपूर्ण, स्थानिक) शिकतात. त्यांची आउटपुट्स एकत्र जोडली जातात आणि रेषीयरित्या प्रक्षेपित केली जातात.
फीड-फॉरवर्ड स्तर. अटेंशननंतर, प्रत्येक स्थान एका अ-रेषीय सक्रियणासह दोन रेषीय रूपांतरणांमधून जाते. हा स्तर प्रत्येक टोकनसाठी स्वतंत्रपणे संगणन करतो, स्थानिक वैशिष्ट्य-रूपांतरणे टिपतो.
प्रमाण. GPT-4 चा अंदाज एक ट्रिलियनहून अधिक पॅरामीटर्सचा आहे (OpenAI कडून अपुष्ट). Llama 2 70B ७० अब्ज वापरते. Mistral 7B ७ अब्ज वापरते, ज्यात कार्यक्षमतेसाठी ग्रुप्ड-क्वेरी अटेंशन आणि स्लायडिंग विंडो अटेंशन आहे. मोठी मॉडेल्स सामान्यतः अधिक चांगले झिरो-शॉट आणि फ्यू-शॉट तर्क दाखवतात — त्याच उदयोन्मुख क्षमता ज्यामुळे ती स्पष्टपणे प्रशिक्षित न केलेल्या कार्यांसाठीही उपयुक्त ठरतात.
२०२३ चे मॉडेल परिदृश्य
२०२३ मध्ये कोणत्याही आधीच्या वर्षापेक्षा अधिक महत्त्वाची मॉडेल प्रकाशने झाली:
GPT-4 (OpenAI, मार्च २०२३). मल्टिमोडल (मजकूर + प्रतिमा इनपुट), नंतरच्या GPT-4 Turbo रूपात संदर्भ खिडकी १,२८,००० टोकनांपर्यंत, मजबूत बहु-टप्पी तर्क. व्यावसायिक-क्षेत्रातील कार्यांसाठी बेंचमार्क ठरवला.
Claude 2 (Anthropic, जुलै २०२३). १,००,००० टोकन संदर्भ खिडकी (प्रकाशनवेळी सर्वात लांब), करार पुनरावलोकन आणि नियामक विश्लेषण अशा लांब-दस्तऐवज कार्यांवर मजबूत कामगिरी. हानिकारक आउटपुट कमी करण्यासाठी कॉन्स्टिट्यूशनल AI प्रशिक्षण.
Llama 2 (Meta, जुलै २०२३). 7B, 13B, 34B, आणि 70B पॅरामीटर रूपांमध्ये ओपन-वेट प्रकाशन. व्यावसायिक वापरास परवानगी. नियमन-अधीन उद्योगांसाठी ऑन-प्रिमाइस तैनाती शक्य केली. शेकडो फाइन-ट्यून केलेली रूपे (Code Llama, Vicuna, WizardLM) निर्माण केली.
Mistral 7B (Mistral AI, सप्टेंबर २०२३). बहुतांश बेंचमार्क्सवर Llama 2 13B ला मागे टाकणारे ७ अब्ज पॅरामीटर्स. ग्रुप्ड-क्वेरी अटेंशन आणि स्लायडिंग विंडो अटेंशन इन्फरन्स खर्च कमी करतात. पहिले महत्त्वाचे युरोपीय फ्रंटियर मॉडेल, जे GDPR आणि EU AI Act संदर्भात प्रासंगिक.
Falcon 180B (TII, सप्टेंबर २०२३). १८० अब्ज पॅरामीटरचे ओपन-वेट मॉडेल, RefinedWeb डेटाच्या ३.५ ट्रिलियन टोकनांवर प्रशिक्षित. ओपन-वेट मॉडेल्स GPT-4-श्रेणीच्या प्रमाणापर्यंत पोहोचू शकतात हे दाखवले.
जनरेटिव्ह AI वित्तीय सेवांमध्ये प्रथम कुठे उतरले
२०२३ च्या उत्तरार्धापर्यंत वित्तीय संस्था अंतर्गत प्रयोगांकडून अनेक वेगळ्या वापर-प्रकरणांमधील संरचित पथदर्शी कार्यक्रमांकडे वळल्या होत्या:
डेव्हलपर उत्पादकता. कोड निर्मिती साधने (GitHub Copilot, Amazon CodeWhisperer, अंतर्गत फाइन-ट्यून केलेली मॉडेल्स) ही सर्वात व्यापकपणे तैनात केलेली श्रेणी बनली. Goldman Sachs ने नोंदवले की १०,००० डेव्हलपर्सना AI कोडिंग सहाय्य उपलब्ध होते. Morgan Stanley ने वित्तीय सल्लागारांना १,००,००० दस्तऐवजांच्या ज्ञानभांडारातून माहिती मिळवण्यास मदत करण्यासाठी GPT-4 अंतर्गत तैनात केले.
कायदेशीर आणि नियामक दस्तऐवज प्रक्रिया. करार कलम निष्कर्षण, नियामक बदल देखरेख, आणि अनुपालन मॅपिंग हे सर्वाधिक-मूल्याचे पथदर्शी होते. JPMorgan च्या DocLLM वरील संशोधनाने दाखवले की दस्तऐवज-मांडणी-जाणकार भाषा मॉडेल्सनी वित्तीय दस्तऐवज-आकलन कार्यांवर सामान्य LLM ला मागे टाकले.
ग्राहक सेवा संवर्धन. बँकांनी पहिल्या-फळीच्या ग्राहक प्रश्नांसाठी LLM-चालित सहाय्यक तैनात केले, आणि नियमन-अधीन सल्ल्यासाठी मानवी उच्चस्तरीय हस्तांतरण ठेवले. महत्त्वाची बंधने: मॉडेल नियमन-अधीन सल्ला देऊ शकत नाही, उत्पादन-अटींबाबत हॅल्युसिनेट करू नये, आणि ते ऑडिटयोग्य असले पाहिजे.
KYC आणि AML कथानक निर्मिती. विश्लेषक पुनरावलोकनासाठी गुंतागुंतीचे व्यवहार-नमुने आणि ग्राहक-प्रोफाइल्स सारांशित करणे — जे आधी मॅन्युअल लेखन-कार्य होते त्याची जागा घेणे — हे कमी हॅल्युसिनेशन-जोखीम असलेले विश्वासार्ह वापर-प्रकरण म्हणून उदयास आले, कारण मॉडेल नवीन दावे निर्माण करण्याऐवजी दिलेला डेटा सारांशित करते.
उत्पादनाने उघड केलेल्या जोखमी
वित्तीय सेवांमध्ये डेमोकडून उत्पादनाकडे जाताना अशा जोखमींचा एक संच समोर आला ज्यांना वास्तुशिल्पीय प्रतिसाद आवश्यक होते:
हॅल्युसिनेशन. LLM आत्मविश्वासपूर्ण वाटणारे चुकीचे आउटपुट अशा दराने निर्माण करतात जे कार्य-प्रकार आणि मॉडेलनुसार बदलतात. तथ्यात्मक स्मरण कार्यांवर GPT-4 सुद्धा अशा दराने हॅल्युसिनेट करते जे अनुपालन मते किंवा पत प्रकटीकरणांसाठी अस्वीकार्य आहेत. प्राथमिक उपाय म्हणजे रिट्रीव्हल-ऑगमेंटेड जनरेशन (RAG): केवळ पॅरामेट्रिक ज्ञानावर अवलंबून न राहता मॉडेलचे आउटपुट पुनःप्राप्त, पडताळणीयोग्य दस्तऐवजांवर आधारित ठेवणे.
प्रॉम्प्ट इंजेक्शन. दस्तऐवज किंवा वापरकर्ता संदेशांमध्ये अंतर्भूत विरोधी इनपुट मॉडेलच्या वर्तनाला वळवू शकतात. वित्तीय सेवांमध्ये, जिथे LLM अविश्वसनीय दस्तऐवज (करार, ईमेल, ग्राहक सादरीकरणे) प्रक्रिया करतात, तिथे प्रॉम्प्ट इंजेक्शन ही एक सैद्धांतिक नव्हे तर उत्पादन-सुरक्षा जोखीम आहे.
डेटा गळती. गोपनीय डेटावर फाइन-ट्यून केलेली किंवा प्रॉम्प्ट केलेली मॉडेल्स तो डेटा आउटपुटमध्ये पुनरुत्पादित करू शकतात — जी PII, ट्रेडिंग स्थिती, आणि ग्राहक माहितीसाठी एक भौतिक जोखीम आहे. वास्तुशिल्पीय नियंत्रणे (खासगी तैनाती, डेटा-इन-कॉन्टेक्स्ट व्यवस्थापन, आउटपुट फिल्टरिंग) आवश्यक आहेत, ऐच्छिक नाहीत.
मॉडेल उगमस्थान आणि ऑडिटयोग्यता. नियामक अपेक्षा करतात की वित्तीय संस्थांनी स्वयंचलित निर्णयांचे स्पष्टीकरण द्यावे. ऑडिटयोग्य तर्क-मागोवाशिवाय पत-मूल्यांकन निर्माण करणारे LLM GDPR कलम २२, EU AI Act च्या उच्च-जोखीम AI तरतुदी, आणि विद्यमान FCA मॉडेल जोखीम मार्गदर्शनाच्या स्पष्टीकरणीयता आवश्यकता पूर्ण करत नाही.
शिळे ज्ञान. LLM ला प्रशिक्षण कट-ऑफ असतात. २०२३ च्या सुरुवातीपर्यंतच्या डेटावर प्रशिक्षित मॉडेलला त्या तारखेनंतरच्या नियामक बदल, दर-निर्णय किंवा बाजार-घटनांची माहिती नसते — जी RAG किंवा रिअल-टाइम पुनःप्राप्तीशिवाय रिअल-टाइम अनुपालन किंवा बाजार-भाष्य वापर-प्रकरणांसाठी लक्षणीय मर्यादा आहे.
तैनातीपूर्वी गव्हर्नन्स आवश्यकता
२०२३ मध्ये कार्यरत वित्तीय सेवा व्यावसायिक तैनातीपूर्वी नियामक निश्चिततेची वाट पाहत नव्हते — परंतु अग्रगण्य संस्थांनी SR 11-7 आणि SS3/18 मार्गदर्शनातून रूपांतरित मॉडेल जोखीम व्यवस्थापन (MRM) आराखडे स्वीकारले:
मॉडेल यादी आणि दस्तऐवजीकरण. व्यावसायिक कार्यांसाठी तैनात केलेल्या LLM ना प्रशिक्षण-डेटा उगमस्थान, फाइन-ट्यूनिंग पद्धत, ज्ञात अपयश-प्रकार, आणि क्षेत्र-विशिष्ट पडताळणी-संचांवरील कामगिरी यांचे दस्तऐवजीकरण आवश्यक आहे.
मानव-सहभागी तपासणी-बिंदू. नियमन-अधीन आउटपुटसाठी (पतनिर्णय, अनुपालन मते, ग्राहक प्रकटीकरणे) २०२३ मध्ये मानवी पुनरावलोकन अनिवार्य राहिले. स्वयंचलन मसुदा तयार करणे आणि सारांशीकरणासाठी लावले गेले; अंतिम मंजुरी मानवीच राहिली.
विक्रेता जोखीम. तृतीय-पक्ष मॉडेल API (OpenAI, Anthropic, Google) वापरल्याने विक्रेता-केंद्रीकरण जोखीम, डेटा-निवास जोखीम, आणि मॉडेल-बदल जोखीम (पुरवठादार गुप्तपणे मॉडेल अद्ययावत करू शकतात) येते. एंटरप्राइझ करार आणि खासगी तैनाती या अंशतः कमी करतात.
नियामक सहभाग. FCA, PRA, ECB, आणि FINRA या सर्वांनी २०२३ मध्ये AI गव्हर्नन्सवर शोधनिबंध किंवा भाषणे दिली. सातत्यपूर्ण संदेश: विद्यमान मॉडेल जोखीम आराखडे AI ला लागू होतात, आणि औपचारिक मार्गदर्शनाच्या आधी संस्थांनी आपल्या गव्हर्नन्स दृष्टिकोनाचे दस्तऐवजीकरण करण्यात सक्रिय असावे.
वारंवार विचारले जाणारे प्रश्न
मोठे भाषा मॉडेल आणि फाउंडेशन मॉडेल यांच्यात काय फरक आहे?
मोठे भाषा मॉडेल (LLM) हे भाषेचा अंदाज आणि निर्मिती करण्यासाठी मोठ्या प्रमाणात मजकूर-डेटावर प्रशिक्षित मॉडेल आहे. फाउंडेशन मॉडेल ही अधिक व्यापक संज्ञा आहे — कोणतेही मोठे पूर्व-प्रशिक्षित मॉडेल जे अनेक पुढील कार्यांसाठी अनुकूलित (फाइन-ट्यून किंवा प्रॉम्प्ट) करता येते — ज्यात LLM तसेच व्हिजन मॉडेल्स, कोड मॉडेल्स, आणि मल्टिमोडल मॉडेल्स यांचाही समावेश आहे. GPT-4 हे LLM आणि फाउंडेशन मॉडेल दोन्ही आहे. DALL-E 3 हे फाउंडेशन मॉडेल आहे पण LLM नाही. व्यवहारात, मजकूर-निर्मिती प्रणालींचा उल्लेख करताना या संज्ञा अनेकदा परस्पर बदलून वापरल्या जातात.
रिट्रीव्हल-ऑगमेंटेड जनरेशन म्हणजे काय आणि ते वित्तीय सेवांसाठी का महत्त्वाचे आहे?
RAG भाषा मॉडेलला पुनःप्राप्ती प्रणालीशी जोडते: केवळ मॉडेलच्या पॅरामेट्रिक ज्ञानावर (प्रशिक्षणादरम्यान शिकलेल्या गोष्टीवर) अवलंबून राहण्याऐवजी, RAG इन्फरन्सवेळी संबंधित दस्तऐवज मिळवते आणि ते संदर्भ म्हणून पुरवते. यामुळे तथ्यात्मक कार्यांवर हॅल्युसिनेशन लक्षणीयरीत्या कमी होते, कारण मॉडेल शिकलेली तथ्ये आठवण्याऐवजी पुरवलेला मजकूर संश्लेषित करते. वित्तीय सेवांसाठी, RAG नियामक बदल देखरेख (नेहमी सध्याचे नियम मिळवते) आणि करार पुनरावलोकन (मॉडेलला प्रत्यक्ष कराराच्या मजकुरावर आधारित ठेवते) अशी वापर-प्रकरणे शक्य करते, जी शुद्ध निर्मिती दृष्टिकोनाने अतिशय हॅल्युसिनेशन-प्रवण ठरली असती.
२०२३ मधील जनरेटिव्ह AI तैनातींच्या संदर्भात वित्तीय संस्थांनी EU AI Act कसे हाताळावे?
EU AI Act २०२३ मध्ये अजून विधायी प्रक्रियेत होते (मार्च २०२४ मध्ये युरोपीय संसदेने मंजूर केले, ऑगस्ट २०२४ मध्ये अंमलात आले). तरीही, EU कामकाज किंवा EU ग्राहक असलेल्या संस्था आधीच आपल्या पाइपलाइन्सचे मूल्यांकन करत होत्या. पतस्कोअरिंग, रोजगार-निर्णय, आणि गंभीर पायाभूत सुविधांमधील उच्च-जोखीम AI प्रणालींना अनुरूपता मूल्यांकन, मानवी देखरेख यंत्रणा, आणि ऑडिट लॉगिंग आवश्यक आहे. सर्वसाधारण-उद्देशीय AI (GPAI) मॉडेल्स — ज्यात GPT-4 सारखी फाउंडेशन मॉडेल्स येतात — यांना पारदर्शकता आणि प्रणालीगत जोखमीभोवती स्वतःच्या आवश्यकतांचा स्तर आहे. ज्या संस्थांनी २०२३ मध्ये दस्तऐवजीकरण आणि गव्हर्नन्स कार्य सुरू केले त्या अंमलबजावणीच्या अंतिम मुदतींसाठी अधिक चांगल्या स्थितीत होत्या.
एंटरप्राइझ LLM तैनातींसाठी फाइन-ट्यूनिंग आणि प्रॉम्प्ट इंजिनिअरिंग यांच्यातील व्यावहारिक फरक काय आहे?
फाइन-ट्यूनिंग क्षेत्र-विशिष्ट डेटावर प्रशिक्षण चालू ठेवून मॉडेलचे वजन बदलते — ते मॉडेलला नवीन ज्ञान आणि वर्तन-नमुने शिकवते. यासाठी लेबल केलेला प्रशिक्षण-डेटा, संगणन-अंदाजपत्रक, आणि मूळ मॉडेल्स अद्ययावत होत असताना सातत्यपूर्ण देखभाल आवश्यक असते. प्रॉम्प्ट इंजिनिअरिंग (फ्यू-शॉट उदाहरणे आणि सिस्टम प्रॉम्प्ट्ससह) वजन न बदलता इन्फरन्सवेळी वर्तन घडवते — अंमलात आणणे आणि अद्ययावत करणे जलद, पण मूळ मॉडेलला आधीच जे माहीत आहे त्याने बांधलेले. बहुतांश २०२३ वित्तीय सेवा तैनातींसाठी RAG आणि प्रॉम्प्ट इंजिनिअरिंग हा पसंतीचा सुरुवातीचा बिंदू होता; फाइन-ट्यूनिंग अशा प्रकरणांसाठी राखीव ठेवले गेले जिथे मॉडेलला मालकीहक्काची परिभाषा शिकावी लागत होती किंवा कठोर आउटपुट-स्वरूप स्वीकारावे लागत होते.
संदर्भ
- Vaswani, A., et al., (2017). Attention Is All You Need ⧉.
- OpenAI, (2023). GPT-4 Technical Report ⧉.
- Touvron, H., et al., Meta AI, (2023). Llama 2: Open Foundation and Fine-Tuned Chat Models ⧉.
- Jiang, A., et al., Mistral AI, (2023). Mistral 7B ⧉.
शेवटचे पुनरावलोकन .
हा लेख क्रॉस-पोस्ट करा
Medium साठी स्वरूपित कॉपी करा
# २०२३ मधील जनरेटिव्ह AI: ते कसे काम करते, ते कुठे उतरते — Sebastien Rousseau > Originally published at [https://sebastienrousseau.com/mr/2023-11-12-exploring-generative-ai/](https://sebastienrousseau.com/mr/2023-11-12-exploring-generative-ai/) २०२३ मधील जनरेटिव्ह AI समजून घ्या: ते कसे काम करते, वित्तीय सेवांमध्ये ते प्रथम कुठे उतरते, आणि विचारण्यायोग्य नैतिक व वास्तुशिल्पीय प्रश्न कोणते. Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/mr/2023-11-12-exploring-generative-ai/
Mastodon साठी स्वरूपित कॉपी करा
२०२३ मधील जनरेटिव्ह AI: ते कसे काम करते, ते कुठे उतरते — Sebastien Rousseau २०२३ मधील जनरेटिव्ह AI समजून घ्या: ते कसे काम करते, वित्तीय सेवांमध्ये ते प्रथम कुठे उतरते, आणि विचारण्यायोग्य नैतिक व वास्तुशिल्पीय प्रश्न कोणते. https://sebastienrousseau.com/mr/2023-11-12-exploring-generative-ai/
LinkedIn साठी स्वरूपित कॉपी करा
२०२३ मधील जनरेटिव्ह AI: ते कसे काम करते, ते कुठे उतरते — Sebastien Rousseau २०२३ मधील जनरेटिव्ह AI समजून घ्या: ते कसे काम करते, वित्तीय सेवांमध्ये ते प्रथम कुठे उतरते, आणि विचारण्यायोग्य नैतिक व वास्तुशिल्पीय प्रश्न कोणते. येथे मुख्य धोरणात्मक मुद्दे आहेत: - ट्रान्सफॉर्मर आर्किटेक्चर कसे काम करते. २०२३ मध्ये तैनात केलेले प्रत्येक महत्त्वाचे भाषा मॉडेल — GPT-4, Claude 2, Llama 2, Mistral, Falcon — २०१७ च्या "Attention Is All You Need" या शोधनिबंधात मांडलेल्या ट्रान्सफॉर्मर आर्किटेक्चरवर उभे आहे. - २०२३ चे मॉडेल परिदृश्य. २०२३ मध्ये कोणत्याही आधीच्या वर्षापेक्षा अधिक महत्त्वाची मॉडेल प्रकाशने झाली:. - जनरेटिव्ह AI वित्तीय सेवांमध्ये प्रथम कुठे उतरले. २०२३ च्या उत्तरार्धापर्यंत वित्तीय संस्था अंतर्गत प्रयोगांकडून अनेक वेगळ्या वापर-प्रकरणांमधील संरचित पथदर्शी कार्यक्रमांकडे वळल्या होत्या:. - उत्पादनाने उघड केलेल्या जोखमी. वित्तीय सेवांमध्ये डेमोकडून उत्पादनाकडे जाताना अशा जोखमींचा एक संच समोर आला ज्यांना वास्तुशिल्पीय प्रतिसाद आवश्यक होते:. या लेखात मांडलेल्या आव्हानांसाठी तुमच्या संस्थेचा दृष्टिकोन काय आहे? → https://sebastienrousseau.com/mr/2023-11-12-exploring-generative-ai/ #जनरेटिव्हAi #मोठेभाषामॉडेल #ट्रान्सफॉर्मरआर्किटेक्चर #Gpt4 #वित्तीयसेवाAi Sebastien Rousseau | CC-BY-4.0
हा लेख उद्धृत करा
२०२३ मधील जनरेटिव्ह AI: ते कसे काम करते, ते कुठे उतरते — Sebastien Rousseau
२०२३ मधील जनरेटिव्ह AI समजून घ्या: ते कसे काम करते, वित्तीय सेवांमध्ये ते प्रथम कुठे उतरते, आणि विचारण्यायोग्य नैतिक व वास्तुशिल्पीय प्रश्न कोणते.
BibTeX
@online{rousseau2023२०२३,
author = {Rousseau, Sebastien},
title = {{२०२३ मधील जनरेटिव्ह AI: ते कसे काम करते, ते कुठे उतरते — Sebastien Rousseau}},
year = {2023},
url = {https://sebastienrousseau.com/mr/2023-11-12-exploring-generative-ai/},
urldate = {2023}
}RIS
TY - GEN AU - Rousseau, Sebastien TI - २०२३ मधील जनरेटिव्ह AI: ते कसे काम करते, ते कुठे उतरते — Sebastien Rousseau PY - 2023 UR - https://sebastienrousseau.com/mr/2023-11-12-exploring-generative-ai/ ER -
Vancouver
Rousseau S. २०२३ मधील जनरेटिव्ह AI: ते कसे काम करते, ते कुठे उतरते — Sebastien Rousseau. sebastienrousseau.com. 2023 Nov 12. Available from: https://sebastienrousseau.com/mr/2023-11-12-exploring-generative-ai/
Chicago
Rousseau, Sebastien. "२०२३ मधील जनरेटिव्ह AI: ते कसे काम करते, ते कुठे उतरते — Sebastien Rousseau." sebastienrousseau.com. November 12, 2023. https://sebastienrousseau.com/mr/2023-11-12-exploring-generative-ai/.
APA
Rousseau, S. (2023, November 12). २०२३ मधील जनरेटिव्ह AI: ते कसे काम करते, ते कुठे उतरते — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/mr/2023-11-12-exploring-generative-ai/
हा लेख पुनःप्रकाशित करा
२०२३ मधील जनरेटिव्ह AI: ते कसे काम करते, ते कुठे उतरते — Sebastien Rousseau
२०२३ मधील जनरेटिव्ह AI समजून घ्या: ते कसे काम करते, वित्तीय सेवांमध्ये ते प्रथम कुठे उतरते, आणि विचारण्यायोग्य नैतिक व वास्तुशिल्पीय प्रश्न कोणते.
हा लेख यानुसार परवानाकृत आहे Creative Commons Attribution 4.0 International. पुनःप्रकाशनासाठी कॅनॉनिकल URL ला श्रेय देणे आवश्यक आहे.
२०२३ मधील जनरेटिव्ह AI: ते कसे काम करते, ते कुठे उतरते — Sebastien Rousseau २०२३ मधील जनरेटिव्ह AI समजून घ्या: ते कसे काम करते, वित्तीय सेवांमध्ये ते प्रथम कुठे उतरते, आणि विचारण्यायोग्य नैतिक व वास्तुशिल्पीय प्रश्न कोणते. Originally published at https://sebastienrousseau.com/mr/2023-11-12-exploring-generative-ai/ by Sebastien Rousseau. Licensed under CC-BY-4.0.