Digital Business Large Language Models

Unternehmen arbeiten mit natürlicher Sprache

LLMs transformieren Geschäftsprozesse

LLMs bieten neue Produktivitätsinstrumente

Large Language Models (LLMs) sind eine Klasse von maschinellen Lernmodellen, die trainiert werden, um die Wahrscheinlichkeit einer Folge von Wörtern in einem vorhergehenden Kontext vorherzusagen. Diese Modelle beruhen auf dem Konzept der Sprachmodellierung, bei dem das Ziel darin besteht, die Wahrscheinlichkeitsverteilung von Wörtern in einer bestimmten Sprache zu schätzen.

Semi-Supervised Learning

Self-Supervised Learning

Labeled data und unlabeled data

Unlabeled Data -> Überwachungssignal wird aus nicht gelabelten Daten erzeugt

Skalierbarkeit durch:

• Modellparameter

• Datensatzgröße

• Trainingsberechnung

Eine Fähigkeit ist emergent, wenn sie in kleineren Modellen nicht vorhanden ist, aber in größeren Modellen vorhanden ist.

Von Vorhersage des nächsten Worts zu Multi-Tasking

Few-Shot Prompting

Fine-Tuning

Gebe dem LLM ein paar Beispiele für eine Aufgabe, von denen es verallgemeinern soll.

Passe ein LLM mit zusätzlichen, aufgabenspezifischen Daten an

Sentiment-Analyse

Schreiben

Product Insights

Chatbots

Personalisiertes Tutoring

Ideation (Ideenfindung)

Codegenerierung

Code Review

Automatisierte Dokumentation

Übersetzung

…

Harte Limits

Softe / weiche Limits

Vom Benutzer kreierte Limits

Physikalische Aufgaben

Visuelle / auditive Informationen

Figurative Sprache

Emotionen

Logik

Fakten

Unvollständige Informationen

Mehrdeutige Informationen

Fehlende Informationen

Bias und Diskriminierung

Missinformation und Desinformation

Arbeitsplatzverdrängung (job displacement)

Fehlende Transparenz und Nachvollziehbarkeit (accountability)

Bedenken hinsichtlich des Schutzes der Privatsphäre

Gefahr der Waffennutzung (Weaponization)

Verstehe, was es ist und wie es trainiert wurde

• Self-Supervised Pre-Training

• Supervised Fine-Tuning

• Reinfrocement Learning von menschlichen Feedback

• Dialog System

• Next-Word-Prediction

Kontext ist wichtig: Je mehr, desto besser

Beschreibe: dich selbst udn deine Intentionen, die Umgebung, das Publikum, jede Information, die relevant sein könnte

Definiere eine Rolle für ChatGPT

Sage ChatGPT, es solle als Ausbilder, Geschichtenerzähler, Code Reviewer, Akademiker fungieren.

Benutze die Rolle, die zur Aufgabe passt

Kettenanweisungen

Habe keine Angst, komplexe Aufgaben zu geben

• Breche Aufgaben herunter

• Beschreibe, wie jede Unteraufgabe ausgeführt werden soll

• Benutze “Falls” und “Ansonsten” um mehr Struktur zu geben

Sei sehr spezifisch: Adjektive sind deine Freunde

Benutze viele spezifische Adjektive

Beschreibe nicht nur, was du willst, sondern auch, wie du willst, dass es getan wird

Gebe ausdrückliche Beispiele

Beispiele (Bezug zu Few-Shot Prompting)

Beispiele helden ChatGPT die Aufgabe zu verstehen

Insbesondere, wenn die Aufgabe schwer zu beschreiben ist oder wenn du eine bestimmte Struktur der Antwort möchtest

Frage Follow-Up Fragen

Gebe Feedback für den Output

Ziehe spezifische Forderungen ein, um Teile zu ändern

Wiederhole verfehlte Anweisungen

Trete in Dialog!

Sei vorsichtig über Fakten

ChatGPT ist sehr überzeugend, aber nicht immer richtig

Frage ChatGPT in einer neuen Unterhaltung, ob seine eigenen Aussagen wahr sind

Überprüfe alles, insbesondere Quellen

Der Kontext bleibt bei dir

Alles in der aktuellen Unterhaltung wird als Kontext für den nächsten Input verwendet

Öffne eine neue Unterhaltung für drastische Kontextänderungen

Beziehe dich auf vorherige Gesprächsthemen