Paikallisten suurien kielimallinen hyödyntäminen liiketoiminnan sovelluksissa
Notice bibliographique
Résumé
Large Language Models (LLMs) have gained popularity in various use cases due to their capabilities. Currently third party services are commonly used, but these solutions contain drawbacks, such as data privacy concerns. Due to this, the interest for local solutions has increased causing international companies to release their own models, which are comparable to closed solutions. This thesis explores how local large language models can be utilized for business applications. The goal of this thesis is to form a comprehensive view of the state of LLMs, including their capabilities and limitations by researching them from various sources. Additionally, experiments are conducted to analyze the inference requirements, assess the impact of quantization on them, evaluate the language capabilities of the models and determine their capability to follow instructions and generate coherent output. The experiments include applying Retrieval Augmented Generation (RAG) using internal company data and fine-tuning a model to improve language capabilities with limited computational resources. As a part of research, a customized method was created and is used to evaluate the effectiveness of retrieval augmented generation. This is done by automatically creating a question-answer dataset with over a thousand entries. The dataset can be used by an LLM to evaluate the factuality and relevance of the context or the model output. The result of the thesis is a comprehensive study of current LLMs, tools and methods, which can be applied as a foundation to build new products in the future. The results indicate that LLMs are suitable for many use cases, although they do have limitations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,124 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».