だから、あなたは大量のデータを持っています。 おそらく、顧客サポートログ、技術文書、法的契約、または医学研究の膨大な積み重ねで、これを大きな言語モデル(LLM)に接続して、よりスマートな回答を得、データを分析するのに役立ちます。 しかし今、あなたは重要な質問に閉じ込められています:あなたはモデルを調節するべきですか、それともRetrieval-Augmented Generation(RAG)を使用するべきですか。 それを簡単に、明確に分解して、あなたの仕事に適したツールを選ぶことができます。 Fine-Tuningが実際に意味するもの Fine-tuningは、学校にLLMを送信するのと同じですが、あなたの特定の科目だけです。 あなたの特定のドメインについてすべてをゼロから教える代わりに、あなたは事前に訓練されたモデルを更新し、自分の例に基づいてさらなるトレーニングを提供しています。 モデルが一般的なインターネットテキストで訓練された場合、例えば、内部の販売通話や会社のポリシー文書を使用してそれを調節することができます。 調節が完了すると、モデルはこの情報を直接「覚えています」 あなたはすべてのノンプトでそのコンテキストを供給する必要はありません それは単に知っています。 次に、細かい調節がモデル自体を変え、時間、計算リソース、慎重なテストを必要とすることを意味します。 そして、訓練されると、あなたが再度訓練するまで、その知識に閉じ込められています。 RAGの働き方 Retrieval-Augmented Generation は、クーデターシートのように機能します。 モデルはすべてを記憶する必要はありません。代わりに、あなたがそれに質問するとき、それはすぐに検索を検索します。 次に、その情報を用いて答えを作成します。 データベースまたはドキュメントストア モデルに「当社の返品ポリシーは何ですか?」と尋ねると、RAGは推測しません。 それは速く、柔軟で、更新しやすくなります - 基本的なドキュメントを変更するだけで、システムはすぐに賢くなります。 When Fine-Tuning Makes Mean Fine-tuning は、あなたの使用ケースが少なくともこれらのボックスのいくつかをチェックするときに良い選択です。 
 
 
 
 
 一貫した表現やトーンは重要です - 毎回「ブランド」に響く必要がある顧客サービスボットを思い浮かべてください。 ドキュメントのタグ化、会議ノートの概要、またはチケットの分類などの繰り返しのタスクを自動化しています。 あなたのデータは専門的または技術的 - 航空宇宙工学や税法のようなニッチフィールドで働いている場合、モデルがあなたのドメインをマスターすることを望むかもしれません。 コンテキストの検索を続けたくない - 遅延が重要な高性能タスクの場合、フィンタリングは、データベースを検索するための追加のステップを回避します。 例えば、ヘルスケアのスタートアップは、彼らのチャットボットが内部臨床ガイドラインに基づいて医学的アドバイスを提供することを望んでいます。彼らは、回答が正確で一貫していることを確認するために、彼らが調べた、検証された材料でモデルを調節します。 When RAG Is the Better Fit(RAGが最適であるとき) RAG は、新鮮で正確で文書に基づく回答が必要な場合に、特にデータが頻繁に変更される場合に輝きます。 おそらくあなたはRAGを望むでしょう: 
 
 
 
 
 データを頻繁に更新する - ポリシーの変更や製品の名前を変更するたびにモデルを再訓練したい人はいません。 あなたは大規模なドキュメントのセットで働いています - 何千ページものPDF、マークダウンノート、ミーティング、トランスクリプトなど。 正確性はソース材料に結びついている - あなたの回答に引用や追跡性が必要な場合(法的、財務的、または学術的文脈など)、RAGはあなたが元のテキストに戻ることを許可します。 さまざまなトピックに柔軟性が必要です - 何十もの製品に対応するサポートボットは、製品ごとにモデルを1つ必要とせずに、RAGを使用して製品特有の回答を取得できます。 従業員は内部ツール、利点、およびワークフローに関する質問をします。これらのドキュメントは Confluence、SharePoint、Google Docs で生存します。 HR が PTO ポリシーを更新するたびにモデルを再トレーニングする必要はありません。RAG では、ドキュメントストアを更新するだけで、モデルは変更を即座に反映します。 あなたが知っておくべきトレードオフ RAG は管理しやすくなりますが、新たな課題を導入します: 検索品質. 検索システムが正しいドキュメントを見つけることができない場合は、モデルの回答がオフになります。 Fine-tuning はこの問題を回避しますが、更新の柔軟性とスピードの代償として、Fine-tuning は、特に多くの例でトレーニングしている場合、前方でより費用がかかります。 一方、RAGはしばしばより速く設定され、段階的にスケールできます。 そして、もう一つは、細かく調整されたモデルは「閉じた書籍」です。彼らはソースを引用しませんし、特定の答えがどこから来たのかを言うのは難しいです。RAGベースのシステムは、反応の文脈に原文を含んでいるので、より透明です。 両方使えますか? いくつかのチームは、Fine-Tuning と RAG を一緒に使用します。 あなたはあなたの声のトーンに従ってモデルを調節し、RAGを使用して正確な事実を提供することができます。 もしくは、繰り返しのサポートチケットで調整することもできますが、RAGを使用して、より一般的な、より長い形式の質問に対処します。 ポイントは、これは永遠のどちらかまたは決断ではありません。それはあなたの現在のニーズに最適なものを選択し、将来のための柔軟性を維持することです。 「Fine-Tuning vs RAG」を選ぶ方法 まずは、自分の使い方から始めましょう! 自分に問いかけましょう。 
 
 
 
 
 
 このデータはどのくらいの頻度で変わりますか? モデルは、説明または情報源を引用する必要がありますか? スピードや正確さの方が重要? モデルのトーンと行動をどの程度コントロールする必要がありますか? リソース(時間、データ、コンピュータ)を精密に調整できますか? 迅速で事実的で最新の回答が必要な場合は、RAGに相談してください。 パターンを深く内部化したり、一貫した声で話したりするためにモデルが必要な場合は、細かい調節を使用してください。 あなたが両方を望むなら? あなたは1人ではありません。 多くの高度なシステムがそれをやっています。 概要 単一の「正しい」答えはありませんが、あなたのプロジェクトに適したものがあります。Fine-tuningは正確さとコントロールを提供します。RAGは柔軟性と透明性を提供します。 この記事が気に入ったといいですね～♪ 触れ続けるために Linkedinで私とつながる

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Visit My Newsletter

このオーディオは、ストーリーの元の言語で制作されています。

Fine-Tuning vs RAG - あなたのデータにLLMを訓練するための正しいアプローチを選択する方法

About Author

コメント

ラベル

この記事は

Related Stories

Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

タップして稼ぐ：テレグラムはソラナより先に次の100億人の暗号通貨ユーザーを獲得する可能性がある

Telegram: クリプト島と本土を結ぶ橋

HackerNoon ライティングコンテストで優勝したいですか? #crypto-api コンテスト優勝者のおすすめはこちら

Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

タップして稼ぐ：テレグラムはソラナより先に次の100億人の暗号通貨ユーザーを獲得する可能性がある

Telegram: クリプト島と本土を結ぶ橋

HackerNoon ライティングコンテストで優勝したいですか? #crypto-api コンテスト優勝者のおすすめはこちら

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps