“Model Yayasan Glamor” untuk Komo memprediksi masa depan yang tidak dapat melihat LLM

Catatan Editor: Kumo AI adalah salah satu kontestan terakhir di VB mengonversi Selama pameran inovasi tahunan kami dan RFM dari panggung utama di VB mengonversi Rabu.

Boom Kecerdasan Buatan Tuwaidi telah memberi kita model bahasa yang kuat yang dapat menulis, merangkum dan meringkas pada sejumlah besar teks dan data lainnya. Tetapi ketika datang ke tugas -tugas prediktif bernilai tinggi seperti memprediksi pelanggaran pelanggan atau mendeteksi data penipuan dan bumper, lembaga masih macet di dunia tradisional pembelajaran otomatis.

Profesor Stanford dan Imut-imut Co -founder Jure Leskovec berpendapat bahwa ini adalah bagian yang hilang. Perusahaannya, RFM, adalah jenis baru kecerdasan buatan yang terlatih sebelumnya yang membawa kemungkinan “nol” ke model bahasa besar (LLM) ke database terorganisir.

“Itu datang ke prediksi sesuatu yang tidak Anda ketahui, sesuatu yang belum terjadi,” kata Leskovic kepada VentureBeat. “Ini terutama kemampuan baru, dan saya ingin mengklaim, hilang dari yurisdiksi saat ini tentang apa yang kita pikirkan tentang nama Jenderal AI.”

Mengapa Prediksi ML adalah “Teknik 30 -Tahun”

Sementara LLMS dan Sistem Pemulihan Generasi (RAG) dapat menjawab pertanyaan tentang pengetahuan saat ini, mereka terutama secara retroaktif. Mereka sudah pulih dan menyebabkan informasi. Untuk tugas bisnis prediktif, perusahaan masih mengandalkan pembelajaran mesin klasik.

Misalnya, untuk membangun model yang memprediksi operasi pelanggan, perusahaan harus mempekerjakan tim ilmuwan data yang menghabiskan banyak waktu dalam “fitur rekayasa”, yang merupakan proses membuat sinyal data prediktif manual. Ini termasuk pertengkaran data yang kompleks untuk bergabung dengan informasi dari berbagai jadwal, seperti catatan pembelian pelanggan dan klik situs web, untuk membuat satu jadwal pelatihan yang sangat besar.

“Jika Anda ingin melakukan pembelajaran otomatis (ML), maaf, Anda terjebak di masa lalu,” kata Leskovik. Waktu -yang perlu dan waktu -yang menghabiskan bottlenecks mencegah sebagian besar organisasi menjadi sangat anggun dengan data mereka.

Bagaimana como menggeneralisasi transformator ke database

Pendekatan Komo, “Pembelajaran yang dalam, sangat terkenal”, menghindari proses manual ini dengan dua penglihatan utama. Pertama, secara otomatis mewakili database hubungan satu -grafik. Misalnya, jika database berisi jadwal “pengguna” untuk merekam informasi pelanggan dan jadwal “permintaan” untuk mendaftarkan pembelian pelanggan, setiap baris dalam jadwal pengguna menjadi simpul pengguna, dan setiap baris dalam jadwal aplikasi menjadi simpul permintaan, dan sebagainya. Kemudian kontrak ini secara otomatis terhubung menggunakan ikatan saat ini dengan database, seperti kunci asing, dan membuat peta yang kaya untuk seluruh set data tanpa upaya manual.

Kedua, Komo diedarkan TransformatorMesin di belakang LLMS, untuk belajar langsung dari representasi grafis ini. Transformers unggul dalam memahami urutan simbol menggunakan “mekanisme perhatian” karena bobot pentingnya simbol yang berbeda dalam kaitannya satu sama lain.

RFM Kumo Mekanisme minat yang sama berlaku untuk grafik, yang memungkinkannya mempelajari pola dan hubungan yang rumit melalui beberapa tabel sekaligus. Leskovec membandingkan lompatan ini dengan pengembangan visi komputer. Pada awal dekade pertama abad kedua puluh, insinyur ML harus merancang fitur secara manual seperti tepi dan bentuk untuk mendeteksi suatu objek. Tetapi struktur terbaru seperti Fighter Nerve Networks (CNN) dapat mengambil piksel mentah dan mempelajari fitur yang relevan secara otomatis.

Demikian juga, RFM mengkonsumsi jadwal basis data mentah dan memungkinkan jaringan untuk menemukan sinyal yang paling dapat diprediksi sendiri tanpa perlu tegangan manual.

Hasilnya adalah model fondasi pra -terlatih yang dapat melakukan tugas prediktif pada database baru segera, yang dikenal sebagai “perceraian nol”. Selama demonstrasi, Leskovec menjelaskan bagaimana pengguna dapat menulis kueri sederhana untuk memprediksi apakah pelanggan tertentu akan berlaku dalam tiga puluh hari ke depan. Dalam satu detik, sistem telah memulihkan tingkat kemungkinan dan penjelasan titik data yang mengarah ke akhir, seperti aktivitas pengguna terakhir atau ketidakhadirannya. Model belum dilatih pada database yang disediakan dan diadaptasi dalam waktu yang sebenarnya melalui pembelajaran dalam konteks.

“Kami memiliki model yang terlatih sebelumnya yang hanya menunjukkan data Anda, dan itu akan memberi Anda prediksi yang akurat setelah 200 mililiter setelah itu.” Dia menambahkan bahwa itu bisa “akurat seperti, katakanlah, berminggu -minggu pekerjaan ilmuwan data.”

Antarmuka dirancang untuk menjadi akrab bagi analis data, bukan hanya spesialis pembelajaran mesin, yang memberikan akses ke analisis prediktif.

Mengoperasikan Agen Masa Depan

Teknologi ini memiliki efek besar pada pengembangan agen kecerdasan buatan. Agar agen dapat membuat tugas yang bermakna di dalam institusi, ia harus melakukan lebih dari sekadar bahasa perawatan; Keputusan pintar harus dibuat berdasarkan data perusahaan sendiri. RFM dapat berfungsi sebagai mesin prediktif untuk faktor -faktor ini. Misalnya, agen layanan pelanggan dapat menanyakan tentang RFM untuk menentukan kemungkinan pelanggan dalam mengatasi atau potensi nilai masa depannya, kemudian menggunakan LLM untuk menyesuaikan percakapannya dan memberikannya.

“Jika kita percaya pada masa depan agen, agen perlu membuat keputusan yang berakar pada data pribadi. Ini adalah cara untuk membuat keputusan,” jelas Leskovec.

Pekerjaan Como mengacu pada masa depan di mana AI dibagi menjadi dua bidang tambahan: LLMS untuk menangani pengetahuan secara surut dalam teks tidak teratur, dan RFM untuk memprediksi data yang terorganisir. Dengan menghilangkan bottleneck teknik, RFM adalah menempatkan alat ML kuat di tangan lebih banyak institusi, yang sangat mengurangi waktu dan biaya untuk mendapatkan data ke keputusan tersebut.

Perusahaan telah merilis penawaran umum untuk RFM dan berencana untuk meluncurkan salinan yang memungkinkan pengguna untuk mengkomunikasikan data mereka sendiri dalam beberapa minggu mendatang. Untuk lembaga yang membutuhkan akurasi maksimum, Kumo juga akan menyediakan layanan pemolesan untuk meningkatkan kinerja pada grup data swasta.

Visi harian tentang kasus penggunaan bisnis dengan VB setiap hari

Jika Anda ingin membujuk bos Anda di tempat kerja, Anda telah membahas VB setiap hari. Kami memberi Anda sendok dari dalam tentang apa yang dilakukan perusahaan dengan kecerdasan buatan kebidanan, dari transformasi organisasi hingga operasi penerbitan praktis, sehingga Anda dapat berbagi visi dari pengembalian investasi maksimum.

Baca Kebijakan Privasi Kami

Terima kasih telah berlangganan. Periksa lebih banyak buletin VB di sini.

Terjadi kesalahan.