ترجمه فارسی مقاله با استفاده از LLM های پیشرفته برای تقویت LLM های کوچکتر: یک رویکرد تقطیر دانش قابل تفسیر

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Using Advanced LLMs to Enhance Smaller LLMs: An Interpretable Knowledge Distillation Approach
عنوان مقاله به فارسی با استفاده از LLM های پیشرفته برای تقویت LLM های کوچکتر: یک رویکرد تقطیر دانش قابل تفسیر
نویسندگان Tong Wang, K. Sudhir, Dat Hong
فرمت مقاله انگلیسی PDF
تعداد صفحات 36
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computation and Language,Artificial Intelligence,Machine Learning,محاسبه و زبان , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 13 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 13 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Advanced Large language models (LLMs) like GPT-4 or LlaMa 3 provide superior performance in complex human-like interactions. But they are costly, or too large for edge devices such as smartphones and harder to self-host, leading to security and privacy concerns. This paper introduces a novel interpretable knowledge distillation approach to enhance the performance of smaller, more economical LLMs that firms can self-host. We study this problem in the context of building a customer service agent aimed at achieving high customer satisfaction through goal-oriented dialogues. Unlike traditional knowledge distillation, where the "student" model learns directly from the "teacher" model's responses via fine-tuning, our interpretable "strategy" teaching approach involves the teacher providing strategies to improve the student's performance in various scenarios. This method alternates between a "scenario generation" step and a "strategies for improvement" step, creating a customized library of scenarios and optimized strategies for automated prompting. The method requires only black-box access to both student and teacher models; hence it can be used without manipulating model parameters. In our customer service application, the method improves performance, and the learned strategies are transferable to other LLMs and scenarios beyond the training set. The method's interpretabilty helps safeguard against potential harms through human audit.

چکیده به فارسی (ترجمه ماشینی)

مدلهای پیشرفته زبان بزرگ (LLM) مانند GPT-4 یا LLAMA 3 عملکرد برتر در تعامل پیچیده مانند انسان را ارائه می دهند.اما آنها برای دستگاه های لبه مانند تلفن های هوشمند و سخت تر برای خودآگاهی سخت تر هستند و یا باعث ایجاد امنیت خود می شوند و منجر به نگرانی های مربوط به امنیت و حریم خصوصی می شوند.در این مقاله یک رویکرد تقطیر دانش قابل تفسیر جدید برای تقویت عملکرد LLM های کوچکتر و اقتصادی تر که شرکت ها می توانند خود میزبان باشند ، معرفی می کند.ما این مشکل را در زمینه ایجاد یک نماینده خدمات مشتری با هدف دستیابی به رضایت بالای مشتری از طریق دیالوگ های هدف گرا مطالعه می کنیم.بر خلاف تقطیر دانش سنتی ، جایی که مدل "دانش آموز" مستقیماً از پاسخ های مدل "معلم" از طریق تنظیم دقیق یاد می گیرد ، رویکرد تدریس "استراتژی" قابل تفسیر ما شامل ارائه راهکارهایی برای بهبود عملکرد دانش آموز در سناریوهای مختلف است.این روش بین یک مرحله "نسل سناریو" و یک مرحله "استراتژی برای بهبود" ، ایجاد یک کتابخانه سفارشی از سناریوها و استراتژی های بهینه شده برای فرایند خودکار متناوب است.این روش فقط به دسترسی به جعبه سیاه به مدل های دانش آموز و معلم نیاز دارد.از این رو می توان بدون دستکاری پارامترهای مدل استفاده کرد.در برنامه خدمات مشتری ما ، این روش عملکرد را بهبود می بخشد و استراتژی های آموخته شده به سایر LLM ها و سناریوهای فراتر از مجموعه آموزش قابل انتقال است.تفسیر این روش به محافظت در برابر مضرات احتمالی از طریق حسابرسی انسانی کمک می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.