Terakhir Diperbarui pada 19 Maret 2023 oleh Tim Editorial Penulis: Nikola Nikolov Awalnya diterbitkan di Menuju AI. Gambar dihasilkan dengan Difusi Stabil. Model Bahasa Besar (LLM) telah berkembang pesat dalam beberapa tahun terakhir. Dari pembuatan dialog yang lancar hingga peringkasan teks, dan pembuatan artikel, model bahasa telah membuatnya sangat mudah bagi siapa saja untuk membuat produk bertenaga NLP. Akibatnya, ratusan aplikasi bermunculan setiap hari, sebagian besar mengandalkan API seperti OpenAI, Cohere, atau Stable Diffusion. Melihat perkembangan ini, orang mungkin bertanya-tanya: apa potensi gangguan dari aplikasi semacam itu? Apakah mereka siap memberikan hasil transformatif untuk semua industri? Atau akankah dampaknya terbatas pada kasus penggunaan sempit tertentu? Selain itu, tantangan apa yang perlu diperhatikan oleh pengembang dan pemilik bisnis untuk membuat dampak yang bertahan lama di ruang ini? Munculnya pengembangan produk yang berpusat pada LLM Model Bahasa Besar (LLM) telah mengalami kemajuan yang signifikan dalam setahun terakhir, terutama karena pengembangan teknik yang menyelaraskannya dengan preferensi manusia dengan lebih baik. Hal ini menghasilkan kapasitas yang mengesankan untuk menghasilkan teks yang lancar dalam berbagai gaya, dan untuk tujuan yang berbeda, dengan presisi, detail, dan koherensi yang jauh lebih besar daripada yang mungkin dilakukan sebelumnya. Kapasitas LLM untuk mengikuti instruksi, dan untuk belajar dari contoh yang disajikan dalam konteksnya, telah memungkinkan untuk menangani hampir semua tugas NLP dengan LLM, setidaknya pada prinsipnya. Semua yang diperlukan adalah prompt yang dibangun dengan hati-hati yang mampu mengekstrak fungsionalitas yang diperlukan dari LLM. LLM itu sendiri dapat diakses dengan mudah melalui panggilan API sederhana. Kemajuan dalam LLM, serta ketersediaannya secara umum, telah menyebabkan ledakan aplikasi berbasis LLM yang menargetkan beragam kasus penggunaan. Dari pembuatan posting blog hingga pembuatan respons email, ringkasan artikel dan rapat, percakapan dialog yang lancar, atau pembuatan kode. Sebagian besar aplikasi ini berfokus pada alur kerja pengguna yang sempit, yang pada dasarnya menghilangkan fungsionalitas tertentu dari LLM yang mendasarinya. Mereka biasanya beroperasi dengan membebankan biaya premium di atas biaya API. Tantangan dengan pengembangan produk AI yang berpusat pada API Ketika sampai pada pemecahan masalah nyata yang bersedia dibayar oleh pengguna, beberapa kelemahan pendekatan API LLM dengan cepat terungkap. Mari jelajahi beberapa di antaranya. Tantangan 1: Tidak ada spesialisasi Gambar dihasilkan dengan Difusi Stabil. LLM adalah model tujuan umum yang dilatih di seluruh internet. Untuk tugas tujuan umum yang hanya memerlukan saran kreatif, ini biasanya baik: misalnya, menyarankan judul untuk postingan blog. Akan tetapi, banyak masalah dunia nyata memerlukan tingkat otomatisasi yang signifikan atau penuh. Seringkali, masalahnya terletak pada domain yang sempit, seperti penggalian informasi dari artikel biomedis atau hukum. Kurangnya spesialisasi LLM, oleh karena itu, tidak mungkin sepenuhnya sesuai dengan harapan pengguna out-of-the-box di domain sempit ini, di mana keluaran LLM akan memerlukan pemeriksaan manual tambahan untuk memastikan mereka memenuhi harapan kualitas. Masalah ini dapat dikurangi sampai batas tertentu: misalnya, rekayasa cepat, pembelajaran dalam konteks, dan penyempurnaan model dapat membantu menyelaraskan LLM dasar dengan harapan pengguna dengan lebih baik. Namun, ini tentu saja bukan tugas yang cepat dan mudah karena membutuhkan pengetahuan domain yang mendalam, kumpulan data umpan balik manusia yang dibangun dengan hati-hati, serta pemahaman mendalam tentang teknologi yang mendasarinya. Ini adalah masalah yang tidak mungkin diselesaikan hanya dengan memanggil API tetapi akan membutuhkan pendekatan yang lebih mendasar untuk masalah tersebut. Aplikasi berbasis API yang gagal memberikan tingkat otomatisasi yang diharapkan berisiko menjadi alat lain yang menyenangkan untuk dimainkan, tetapi tidak terintegrasi ke dalam alur kerja yang ada, sehingga menghasilkan pendapatan atau memberikan dampak yang bertahan lama. Tantangan 2: Tidak ada diferensiasi Gambar dihasilkan dengan Difusi Stabil. LLM API telah mempercepat proses pembuatan prototipe AI secara signifikan. Prototipe yang mungkin membutuhkan waktu bertahun-tahun untuk dikembangkan sekarang dapat dibangun dalam waktu seminggu. Yang diperlukan hanyalah antarmuka cantik yang merangkum alur kerja pengguna yang diinginkan: API melakukan pekerjaan berat lainnya. Kecepatan dan fleksibilitas yang disediakan API sungguh luar biasa: kami melihat begitu banyak aplikasi kreatif dari LLM. Namun, pada tingkat yang lebih mendasar, menjadi tidak pasti solusi mana yang benar-benar memiliki sesuatu yang secara signifikan memisahkannya dari LLM dasar, yang dapat diakses oleh siapa saja. Dengan kata lain, apakah ada sesuatu yang lebih mendasar di balik layar, atau apakah pelanggan pada dasarnya membayar untuk mengakses prompt yang dipoles di balik antarmuka yang cantik? Meskipun pasti akan ada area di mana pendekatan ini akan berhasil dan bahkan akan menghasilkan daya tarik pengguna, pertanyaannya adalah, apa yang terjadi jika 5 aplikasi serupa dirilis minggu depan? Apakah benar-benar mungkin membangun bisnis yang berkelanjutan hanya dengan mengandalkan API semacam itu? Pada akhirnya, pemenang yang keluar dengan sukses dari lomba aplikasi LLM kemungkinan besar adalah mereka yang berhasil menangkap daya tarik pengguna dengan cepat, memahami di mana letak nilai fundamentalnya, dan memanfaatkan daya tarik tersebut untuk membangun solusi khusus yang membedakan mereka dari kompetisi. . Tantangan 3: Kurangnya kepemilikan Gambar dihasilkan dengan Difusi Stabil. Ketergantungan pada API LLM juga menimbulkan sejumlah risiko bisnis. Penyedia API dapat, kapan saja, memutuskan untuk melakukan perubahan yang dapat menyebabkan dampak bisnis yang signifikan. Misalnya, mereka dapat memutuskan untuk mengubah harga API, mengubah struktur biaya, syarat dan ketentuan, atau bahkan mengubah model dasarnya. Banyak pengguna mungkin juga memiliki kekhawatiran tentang pengaturan dan keamanan data karena data mereka diserahkan kepada pihak ketiga. Ini berpotensi menjadi resep bencana. Apa yang terjadi pada aplikasi Anda jika API tidak lagi berfungsi seperti yang diharapkan atau jika terjadi pemadaman? Karena Anda tidak memiliki teknologinya, Anda tidak memiliki opsi cadangan. Anda dapat beralih ke penyedia API lain, tetapi apakah semuanya akan berfungsi persis seperti sebelumnya? Selanjutnya, bagaimana Anda dapat membangun kepercayaan dengan pengguna Anda bahwa data ditangani dengan benar dan akan ditangani dengan baik di masa mendatang? Kurangnya kontrol dan […]
