大語言模型并不是萬能的，由于缺乏行業領域的專業知識，大模型在解決實際問題上其實存在一定的局限性。那麼，如何讓大模型更懂你？作者作為AI開發平台的設計師，總結了兩個簡單高效的方法，一起來看。
我們都知道，生成式AI的出現掀起一波人工智能的浪潮，在這種時代背景下，了解AI産品背後的開發方法，能幫助我們更好的使用AI産品。
一、什麼是生成式AI？
生成式AI可以幫助我們做很多事情，在日常生活中，它可以用于生成報告，提高彙報的效率；在電商領域，智能客服可以自動回答和解決使用者的問題；在醫療領域，智能醫生可以幫助患者進行疾病診斷，提高了行業人員的工作效率。
二、ChatGPT的本質是大規模語言技術的應用
在生成式AI應用中，我們所熟悉的Open AI 的ChatGPT、百度的文心一言、位元組的豆包等，他們的本質是應用了一種大模型的技術。
這種技術是由雲廠商中專業的技術人員，通過海量的文本資料處理，消耗昂貴的算力成本所得到的。這樣的技術讓大模型學習人類的語言模式和知識結構，并生成自然流暢的回答。
大模型類比為大腦
通俗比喻：我們可以将大模型類比為“大腦”，大量的文本資料相當于“外界提供的資訊”，昂貴的算法比喻為“聘請的進階教授”，将外界資訊轉化為知識點，儲存在大腦中，最後呈現出來的就是我們使用的智能産品。
三、大語言模型并不是萬能的，解決實際問題上存在局限性
然而大語言模型并不是萬能的，由于缺乏行業領域的專業知識，導緻他們在解決實際問題上存在一定的局限性。
比如以下場景：我想通過 文心一言 了解CXD智能雲産品，相關的設計規則，而它的回答，并不能解決我的實際問題。
文心一言隻提供适用于通用平台的設計規則，這些規則并不能完全适用于我們的産品。企業應用過程中遇到這種問題，應該怎麼辦？
四、解決辦法：讓人工智能應用更懂你，得到你想要的内容
作為AI開發平台的設計師，我總結了兩個簡單高效的方法分享給大家。
方法1 “教它找”
“教它找”的原理是：通過加入提示詞，利用其中關鍵詞語，提示大模型了解我們的意圖，在已經有的資料資訊中找到我們想要資訊再進行回答。
這種方式可以幫助我們低成本、快速的提升大模型的效果。
以開發一個“汽車銷售客服”作為場景，Diffy産品作為工具示範。
産品的左側面闆是相關參數的配置，右側則是使用者真實使用場景的測試工具。
沒有提示語配置下，我選擇ChatGPT 3.5 來回答我的問題，發現它的回答沒有實質有效的資訊，對購買汽車的使用者幫助不大。
如何通過加入提示語提升品質？
步驟1：加入提示詞：在左側面白的輸入框加入文本，限制大模型回答，讓大模型作為一名專業銷售人員，針對汽車性能、外觀等次元提供比對資訊。
步驟2：測試效果：ChatGPT的回答效果明顯提升。
通過這樣的方式，打包成新的應用，給到使用者使用，讓使用者在已限定好範圍的大模型内進行問答，可以極大提高産品滿意度。
基于這個方法，我為大家推薦兩類好用的工具：一類是提示語模版平台，在這些平台中可以獲得各行各業的高品質提示語，教育類、金融類等等，複制直接使用。
Dify：http://cloud.dify.ai/explore/apps
GPT short：http://prompt-shortcut.writeathon.cn
千帆大模型平台：http://prompt-shortcut.writeathon.cn
方法2 “教他學”
“教他學”的原理是：通過增加自己/企業自身的資料，與它自身通用的資料結合，教它學習新知識，進而定制一個懂你的新的大模型。
如何加入自己的資料？有兩種方式。
方式1：可以在AI定制的平台，通過非結構化的文檔（比如pdf word文檔、網頁連結等）資料，來生新的大模型。
方式2：標明某一AI開發平台，準備結構化的資料集（文本對資訊）excel json檔案，通過重新訓練的方式，來讓大模型學習新知識。
同樣，我以兩個案例來介紹說明具體操作流程。
案例1：以開發“設計規範助手”為場景，Chatbase平台作示範
第一步：選擇“建立機器人”。
第二步：選擇資料，這裡提供5種資料類型，分别是文檔、文本、連接配接、問答對、第三方筆記網址。
我提前準備好了三種關于日常會用到的檔案，分别是：設計規範文檔、方案庫文檔、各産品的用研報告，同時加入專業的提示文本和雲設中台官網的連結，幫助大模型更好的學習我們的知識。
第三步：生成機器人開始測試。
通過三輪對話可以看到，它輕松的回答了我想要的問題，提供了正确的規範資訊和健康度名額，以及如何設計資料标注場景的總結資訊。
最後，隻需要将它釋出為網站，把連結提供給組内設計師使用即可。
案例2：以開發“醫療客服助手”場景，千帆平台作示範。
第一步：準備資料，可以選擇自己準備資料集，按照平台的示例引導進行操作；也可以直接使用平台提供的現成的行業資料集。比如我們選擇這個醫療中文資料集。
第二步：訓練模型，這個頁面中，首先選擇訓練的大模型，可以根據大模型使用介紹進行選擇。我們選擇Ernie bot 因為它中文效果更好。
其次是選擇訓練方法，不同的訓練方法影響資源成本金額、消耗時間和模型穩定性；最後是選擇訓練參數，平台會根據已由資訊提供推薦值，如果是開發人員對訓練參數有了解，可以根據經驗調整。點選确定開始訓練，
第三步：訓練完成後則将任務釋出為模型，并把模型部署為服務。（這裡不詳細拓展）
第四步：在體驗中心中，選擇剛剛部署的服務，即可進行測試，了解這個醫療客服的實際效果。
以上就是在大模型中加入結構化資料的操作流程，這種方式需要耗費更多的金額和時間，但更适合于需要高精度回答效果的企業。
1）資料服務工具
這些平台提供現成可用的資料集，就不用耗費精力去準備資料，比如紅酒知識、動物知識等，根據你的業務需求下載下傳使用。
阿裡modelscope：http://www.modelscope.cn/datasets?Tags=text-classification&dataType=text&page=1
百度AI Studio：http://aistudio.baidu.com/datasetoverview
DataCastle：http://www.datacastle.cn/dataset_l
2）大模型調優工具
國外的大模型調優工具：谷歌、微軟。
最後總結
在過去，開發大模型的事情更多是專業的技術人員來做，而随着時代的發展，未來AI可能将普惠到每個人。以後我們可能人人都會開發一個自己的大模型，用具有我們資料的機器人去工作、聊天。
而目前産品的使用流程仍存在門檻，對小白使用者的包容性不高，作為AI開發産品設計師，我們任重而道遠，一直在大模型開發流程做得簡單易用的路上持續努力～～
本文由 @MINGZI 原創釋出于人人都是産品經理，未經許可，禁止轉載。
題圖來自 Unsplash，基于 CC0 協定。
該文觀點僅代表作者本人，人人都是産品經理平台僅提供資訊存儲空間服務。