เมื่อไรควรใช้โมเดลภาษาขนาดเล็กแทนโมเดลภาษาขนาดใหญ่

โมเดลภาษาขนาดใหญ่ (LLMs) ยังคงเดินบนเส้นลวดระหว่างประสิทธิภาพและความไว้วางใจ ผู้ใช้มองว่ามีประสิทธิภาพ แต่สงสัยในความแม่นยำ

นอกจากนี้ยังอาจเกินความจำเป็นสำหรับการใช้งานบางกรณี เช่น การใช้ LLMs อาจไม่ใช่ตัวเลือกที่ดีที่สุดสำหรับงาน HR ภายในทั้งหมด เนื่องจากต้นทุนการประมวลผลที่สูง

ท่ามกลางความขัดแย้งเหล่านี้ โมเดลประเภทใหม่กำลังได้รับความนิยม: โมเดลภาษาขนาดเล็ก (SLMs) เป็นโมเดลที่เรียบง่ายกว่าซึ่งได้รับการฝึกฝนบนชุดข้อมูลขนาดเล็กเพื่อทำหน้าที่เฉพาะ มันตอบโจทย์ทั้งประสิทธิภาพสูง ความไว้วางใจมากขึ้น และต้นทุนต่ำ

การศึกษาล่าสุดบางชิ้นยังระบุว่า โมเดลภาษาขนาดเล็ก คืออนาคตของ AI แบบเอเจนท์ ในบทความนี้ ฉันได้รวบรวมกรณีการใช้งานที่ SLM จะมีประสิทธิภาพมากกว่า LLM

กรณีการใช้งาน SLM ยอดนิยมในฟังก์ชันธุรกิจต่างๆ

หากคุณกำลังสงสัยว่าจะเริ่มต้นการเดินทางกับ SLM ได้อย่างไร ฉันได้รวบรวมกรณีการใช้งาน SLM ที่ดีที่สุดในฟังก์ชันธุรกิจทั่วไปไว้ด้านล่าง 

การบริการลูกค้า

โมเดล LLM สามารถช่วยในการบริการลูกค้าได้ แต่มีข้อควรระวังสำคัญ โมเดลเหล่านี้ได้รับการฝึกฝนล่วงหน้าบนชุดข้อมูลขนาดใหญ่ ซึ่งมักถูกดึงมาจากอินเทอร์เน็ต ความรู้บางส่วนอาจใช้ได้หรือไม่ได้กับการบริการลูกค้าของคุณ โดยเฉพาะเมื่อนโยบายบริษัทมีความเฉพาะเจาะจง คุณเสี่ยงที่จะมีแชทบอทสำหรับลูกค้าที่ให้ข้อมูลเท็จ ตัวอย่างเช่น แชทบอทบริการลูกค้าบนเว็บไซต์ของ Air Canada สัญญาว่าจะคืนเงินกรณีเสียชีวิตให้กับลูกค้าตามนโยบายที่ไม่เคยมีอยู่จริง

SLMs มีความเหมาะสมมากกว่าสำหรับแชทบอทลูกค้าและพอร์ทัลรับเรื่องร้องเรียน พอร์ทัลเหล่านี้มักจัดการกับปัญหา/คำถามที่ซ้ำซากและมีคลังนโยบายบริษัทที่จำกัดให้อ้างอิง โมเดลสามารถฝึกฝนได้ง่ายบนข้อมูลตั๋วลูกค้าในอดีตและนโยบายบริษัท ซึ่งเพียงพอสำหรับโมเดลในการตอบคำถามลูกค้า

แน่นอนว่า SLM ไม่สามารถจัดการได้ทุกอย่าง และในกรณีที่บอทไม่สามารถตอบคำถามได้ คุณสามารถให้มนุษย์เข้ามาช่วยได้เสมอ หากเป็นแชทบอท คุณสามารถให้หมายเลขสนับสนุนสำหรับลูกค้าเพื่อโทรติดต่อ หากเป็นแพลตฟอร์มจัดการตั๋ว ตั๋วสามารถแก้ไขโดยอัตโนมัติหากเป็นปัญหาที่ SLM รู้จัก หรือมิฉะนั้นก็มอบหมายให้เจ้าหน้าที่สนับสนุนลูกค้า อย่างน้อยคุณก็มั่นใจได้ว่าระบบอัตโนมัติไม่ได้สัญญาสิ่งที่เป็นไปไม่ได้กับลูกค้า

​การขาย/การตลาด 

LLMs โดดเด่นในการใช้งานบางกรณีในการขายและการตลาด โดยเฉพาะการสร้างเนื้อหา ข้อมูลการฝึกฝนที่ใหญ่กว่าช่วยให้จัดการกับหัวข้อที่แตกต่างกันได้ แต่การใช้ LLMs สำหรับงานเฉพาะทางมากขึ้น เช่น การคัดกรอง/เลี้ยงดูลูกค้าเป้าหมายและการติดต่อส่วนบุคคล อาจไม่ใช่ตัวเลือกที่ดีที่สุด การตอบสนองแบบทั่วไปจะไม่สร้างความประทับใจที่ดีให้กับลูกค้าที่มีศักยภาพของคุณ

SLM ช่วยให้คุณสร้างข้อความติดต่อที่เป็นส่วนตัวมากขึ้น สามารถฝึกฝนบนชุดข้อมูลที่เป็นกรรมสิทธิ์ของคุณเพื่อคัดกรองลูกค้าเป้าหมาย คุณสามารถร่างข้อความติดต่อที่เคยได้ผลในอดีตและใช้โมเดล SLM เพื่อสร้างข้อความติดต่อเพิ่มเติมตามนั้น SLMs ช่วยให้คุณหลีกเลี่ยงข้อความติดต่อ AI แบบทั่วไป

การเงิน 

LLMs สามารถใช้สำหรับการวิเคราะห์ตลาดทั่วไป แต่ล้าหลังสำหรับงานที่มีความเสี่ยงสูง เช่น การตรวจจับการฉ้อโกงและการตรวจสอบการปฏิบัติตามกฎระเบียบ อัตราการฉ้อโกงกำลังเพิ่มขึ้น ทั้งในบัญชีผู้บริโภคและธุรกิจ แม้ว่าบริษัทจะสร้างระบบตรวจจับการฉ้อโกง แต่ผู้ฉ้อโกงยังคงหาวิธีใหม่ๆ เพื่อหลีกเลี่ยง โมเดลต้องการการฝึกฝนอย่างต่อเนื่อง นี่คือจุดที่ SLM โดดเด่นและ LLM ต้องถอยไป

ต้องใช้เวลาและทรัพยากรมากกว่าในการฝึกฝน LLM เมื่อเทียบกับ SLM SLM สามารถอัปเดตอย่างต่อเนื่องด้วยข้อมูลการฉ้อโกงล่าสุดเพื่อทำให้ระบบแข็งแกร่งขึ้น

เช่นเดียวกันสำหรับข้อมูลการปฏิบัติตามกฎระเบียบ LLMs อาจมีข้อมูลการปฏิบัติตามกฎระเบียบที่ล้าสมัย ส่งผลให้เกิดข้อผิดพลาด SLM ที่ฝึกฝนบนชุดข้อมูลขนาดเล็กสามารถตรวจสอบและปรับปรุงได้ง่ายเพื่อให้มั่นใจว่ามีเฉพาะกฎระเบียบล่าสุดในฐานความรู้

ทรัพยากรบุคคล 

LLMs เหมาะสำหรับการร่างคำอธิบายงานทั่วไป การสื่อสารกับพนักงาน หรือเนื้อหาการฝึกอบรม งานที่มีความเสี่ยงด้านการปฏิบัติตามกฎระเบียบสูง (ตัวอย่าง: การสร้างเอกสารนโยบาย ข้อตกลงการจ้างงาน และเอกสารการเข้าเมือง) คือจุดที่เรื่องซับซ้อน

ประเทศหรือแม้แต่รัฐยังคงปรับปรุงกฎหมายแรงงานของตน ตัวอย่างเช่น รัฐบาลออสเตรเลียเพิ่มการลาคลอดบุตร เป็น 24 สัปดาห์ในปี 2025 และจะขยายเพิ่มอีกสองสัปดาห์เริ่มในปี 2026 นิวยอร์ก เพิ่มค่าแรงขั้นต่ำรายชั่วโมง สำหรับคนงานกิ๊กเมื่อเร็วๆ นี้ ญี่ปุ่นเริ่มส่งเสริมความสมดุลระหว่างการทำงานและชีวิตส่วนตัวและ การจัดการทำงานที่ยืดหยุ่นสำหรับพ่อแม่มือใหม่

การใช้ LLMs หมายถึงการตรวจสอบอย่างต่อเนื่องว่าฐานความรู้ในระบบหลังบ้านถูกต้องและทันสมัย การละเว้นไฟล์นโยบายเก่าโดยไม่ตั้งใจในฐานข้อมูลจะส่งผลให้เกิดภาพหลอน  

โมเดลภาษาขนาดเล็กหมายถึงการควบคุมฐานความรู้ได้มากขึ้นและความมั่นใจมากขึ้นในการปฏิบัติตามกฎระเบียบ ตัวอย่างเช่น Deel AI เป็นโมเดลภาษาขนาดเล็กที่จัดทำโดยผู้เชี่ยวชาญด้านการปฏิบัติตามกฎระเบียบ ผู้เชี่ยวชาญเหล่านี้อัปเดตฐานความรู้อย่างต่อเนื่องเพื่อให้คุณได้รับคำตอบที่ทันสมัยและแม่นยำที่สุด

การดำเนินธุรกิจ

การสำรวจการนำ AI มาใช้ใหม่จาก G2 แสดงให้เห็นว่าเกือบ 75% ของธุรกิจ ใช้คุณสมบัติ AI หลายอย่างในการดำเนินธุรกิจประจำวัน AI กำลังขับเคลื่อนประสิทธิภาพการดำเนินงานและปรับปรุงผลิตภาพ ทั้ง SLM และ LLM มีบทบาทในเรื่องนี้

LLMs โดดเด่นในงานเชิงกลยุทธ์ เช่น การจัดการความเสี่ยง การคาดการณ์ความต้องการ การตรวจสอบซัพพลายเออร์ และอื่นๆ ฐานความรู้ที่กว้างขวางช่วยให้พิจารณาทุกมุมมองก่อนให้คำแนะนำ ในทางกลับกัน SLM ทำงานได้ดีที่สุดสำหรับงานที่ซ้ำซาก คิดถึงการจัดการใบแจ้งหนี้ การติดตามการจัดส่ง การปรับเส้นทางให้เหมาะสม การตรวจสอบประวัติ หรือการบำรุงรักษาเชิงป้องกัน งานสามารถทำงานบนชุดกฎที่จำกัดและข้อมูลในอดีตของบริษัท

บริษัทกำลังได้รับประโยชน์จากการใช้ SLM ในงานประจำที่ซ้ำซาก ตัวอย่างเช่น Checkr แพลตฟอร์มตรวจสอบประวัติพนักงาน เปลี่ยนจาก LLM เป็น SLM เพื่อทำการตรวจสอบประวัติอัตโนมัติและพบว่ามีความแม่นยำดีขึ้น เวลาตอบสนองเร็วขึ้น และลดต้นทุนลง 5 เท่า

SLM vs LLM: ใครชนะการต่อสู้

ในการเปรียบเทียบระหว่าง SLM และ LLM คำตอบไม่ใช่การเลือกระหว่าง SLM และ LLM วิธีที่ดีกว่าคือการใช้ทั้งสองร่วมกันเป็นโมเดลแบบไฮบริด ทั้ง SLM และ LLM มีจุดแข็งและจุดอ่อนของตัวเอง SLM ทำงานได้ดีในงานที่มีขอบเขตชัดเจนและชุดข้อมูลจำกัด แต่สำหรับงานที่ต้องการการให้เหตุผล LLM เป็นตัวเลือกที่ดีกว่า

ลองพิจารณาการจัดการห่วงโซ่อุปทานเป็นตัวอย่าง วิธีแบบไฮบริดดีกว่าสำหรับการจัดการห่วงโซ่อุปทานที่:

• LLM รับผิดชอบงานเชิงกลยุทธ์ เช่น การวิเคราะห์ความเสี่ยง การคาดการณ์ความต้องการ และอื่นๆ
• SLM ทำงานอัตโนมัติในงานปฏิบัติการที่มีปริมาณสูงและซ้ำซาก เช่น การจัดการเส้นทาง การประมวลผลใบแจ้งหนี้ ฯลฯ

การใช้ทั้ง SLM และ LLM ร่วมกันสร้างโมเดลที่สมบูรณ์เพื่อจัดการกับทุกส่วนของห่วงโซ่อุปทาน ​

โมเดล SLM ชั้นนำที่พร้อมสำหรับการฝึกฝนแบบกำหนดเอง

สิ่งที่ดีเกี่ยวกับการเริ่มต้นการใช้งาน SLM คือมีโมเดลพร้อมใช้สำหรับการปรับแต่ง คุณสามารถเลือกหนึ่งในเหล่านี้ขึ้นอยู่กับกรณีการใช้งานของคุณ:

1. Meta Llama 3.1 (พารามิเตอร์ 8B): โมเดลประสิทธิภาพสูงที่โดดเด่นสำหรับกรณีการใช้งานที่ต้องการการสนับสนุนหลายภาษา
2. Microsoft Phi-3 (พารามิเตอร์ 3.8B): โมเดลขนาดเล็กที่สมบูรณ์แบบเมื่อคุณมีงานเฉพาะที่ต้องการการให้เหตุผลที่แข็งแกร่ง
3. Google Gemma 2 (พารามิเตอร์ 2B): โมเดลน้ำหนักเบาพร้อมความสามารถหลายโหมด ช่วยให้คุณจัดการทั้งข้อความและรูปภาพ

การใช้ SLMs ไม่เคยง่ายขนาดนี้มาก่อน

ด้วยโมเดล SLM ที่เปิดตัวมากขึ้น คุณไม่จำเป็นต้องสร้างโมเดลใดๆ จากศูนย์ เพียงเลือกโมเดลที่มีอยู่ที่เหมาะกับกรณีการใช้งานของคุณ สร้างฐานความรู้ของข้อมูลสำหรับมัน และคุณก็พร้อมใช้งาน  

\n