ترجمه فارسی مقاله Red-CT: یک روش طراحی سیستم برای استفاده از داده های دارای برچسب LLM برای آموزش و استقرار طبقه بندی کننده های لبه برای علوم اجتماعی محاسباتی

چکیده

Large language models (LLMs) have enhanced our ability to rapidly analyze and classify unstructured natural language data. However, concerns regarding cost, network limitations, and security constraints have posed challenges for their integration into work processes. In this study, we adopt a systems design approach to employing LLMs as imperfect data annotators for downstream supervised learning tasks, introducing novel system intervention measures aimed at improving classification performance. Our methodology outperforms LLM-generated labels in seven of eight tests, demonstrating an effective strategy for incorporating LLMs into the design and deployment of specialized, supervised learning models present in many industry use cases.

چکیده به فارسی (ترجمه ماشینی)

مدل های بزرگ زبان (LLM) توانایی ما را در تجزیه و تحلیل سریع و طبقه بندی داده های زبان طبیعی بدون ساختار افزایش داده اند.با این حال ، نگرانی در مورد هزینه ، محدودیت شبکه و محدودیت های امنیتی چالش هایی را برای ادغام آنها در فرآیندهای کاری ایجاد کرده است.در این مطالعه ، ما یک روش طراحی سیستم را برای استفاده از LLM ها به عنوان حاشیه نویسی داده های ناقص برای کارهای یادگیری تحت نظارت پایین دست ، معرفی اقدامات مداخله جدید سیستم با هدف بهبود عملکرد طبقه بندی اتخاذ می کنیم.روش شناسی ما از برچسب های تولید شده LLM در هفت از هشت آزمایش بهتر است ، که یک استراتژی مؤثر برای ترکیب LLM ها در طراحی و استقرار مدلهای یادگیری تخصصی و نظارتی موجود در بسیاری از موارد استفاده از صنعت نشان می دهد.