人工知能の分野に早く参入したいJavaプログラマーですか?準備はできたか？

導入

今日は、Java プログラマーとして人工知能の分野に素早く参入する方法について説明します。現在、ChatGPT 、iFLYTEK の Spark、Tongyi Qianwen、Wenxin Yiyanなど、いくつかの人気のある LLM から選択できます。これらのツールをまだ試していない場合は、今が試してみる良い機会です。これらのツールは、Java プログラミング作業の可能性を広げるだけでなく、新しい AI アプリケーション エクスペリエンスももたらします。チャットボット、音声認識システム、インテリジェントな質問応答プラットフォームを開発する場合でも、これらのツールは強力なサポートと利便性を提供します。ぜひこの機会を捉えて AI の仲間入りをし、技術分野を広げてみませんか。

もちろん、プログラマーとして、私たちは大規模言語モデル (LLM) を単に使用するだけではありません。今日は、これらのツールをどのように活用して、私たちの第一世代の「Jarvis」にできるかを見てみましょう。人工知能の無限の可能性を一緒に探っていきましょう！

AIとの初めての体験

話を元に戻すと、人工知能技術がますます普及すると、私たちの最初の反応はその魅力を試して体験したいという気持ちになり、あらゆる種類の奇妙で魔法のような質問と答えが生まれます。これらの LLM システムは、人々と自然に対話することでユーザーからのさまざまな質問に答えることができ、時には興味深い回答を返すこともあります。以下のように表示されます。

写真

しかし、これらの LLM システムは実際にはビッグデータと機械学習アルゴリズムに基づいて構築されており、実際の知能や理解能力は備えていないことも理解する必要があります。したがって、これらのシステムを使用するときは、合理的かつ客観的な姿勢を保ち、システムに過度に依存するのではなく、システムの限界を明確にし、自分自身の判断に基づいて考え、決定する必要があります。

質問と回答の進化

LLM は質問に答える能力が驚くほど優れていましたが、時々間違いを犯しました。場合によっては、モデルのトレーニング データが不完全であったり、偏りや誤解を招く情報が含まれていたりしたために、私たちが尋ねた質問と一致しない回答が返されることがあります。その結果、当時、インターネット上ではロールプレイングの波が起こり、AIアプリケーションを使用して面白おかしく楽しませていました。一部の個人や中小企業もこの現象を利用して利益を上げ、さまざまな興味深い質疑応答形式を立ち上げました。この質疑応答形式の変更は、私たちに楽しさをもたらすだけでなく、人工知能技術の柔軟性と創造性も示しています。そして、私たちの質疑応答モードは進化し、次の質疑応答形式になります。

写真

この時点で、誰がプロンプトをより良く書くかが重要になります。より良く書く人はより多くのユーザーを引き付けることができ、トラフィックは収益に変換できます。この段階で、ブロガーも参加し、シェル アプリの使用を試みました。 GitHub にはオープンソース コードが多数用意されているため、ローカルにデプロイするだけで完了します。プロセスは非常に簡単です。

質問と回答プラグインの開発

次に、開発者たちは必死にアウトプットを始め、例えばGPTプラグインの開発を始め、中国の多くの言語モデルもプラグインを使い始めました。その中で、ネットワーク機能プラグインが最も典型的です。大規模なモデルでは最新のニュースやナレッジベースに追いつくことができないため、このプラグインは非常に人気があります。暑さは厳しいですが。しかし、次の図に示すように、基本的なロジックも非常に単純です。

写真

この時点で、開発者はプラグインを通じて LLM にさらなる機能と柔軟性を追加しました。これらのプラグインにより、LLM はインターネットに接続してリアルタイムのニュースや知識にアクセスできるようになるため、より正確で包括的な回答を提供できるようになります。これらのプラグインの開発により、LLM のアプリケーション シナリオの可能性が広がり、開発者にとってより多くの機会が生まれます。

知識ベースの確立

残りの形態は豊かで多様になり始めました。 LLM に質問する前に事前に多くの有用な情報を収集できることがわかった場合は、独自のナレッジ ベースを構築するのと同じように、事前に情報を保存しておくだけの独立した「Jarvis」パーソナル アシスタントを構築できます。次のタスクは、同様の情報を取得して LLM に提供し、提供された有効な情報に基づいて質問に答えられるようにすることです。結局のところ、LLM のトレーニングは非常に時間がかかり、エネルギーを大量に消費します。空き時間にそれを完了するのに十分な時間とエネルギーがあると思いますか?すでに訓練を受けた LLM をうまく活用する方が良いでしょう。十分な詳細な知識を提供すれば、LLM の回答はより良くなるでしょう。 LLM の選択が適切であればあるほど、より良い結果が得られます。残りの作業は、次のアーキテクチャ図のようになります。

写真

このアーキテクチャ図を見ると、今重要なのは、誰がより良く思考を広げられるかだということがわかります。アーキテクチャ図が複雑になるほど、結果はより詳細になります。説明させてください。まず、独自の知識ベースを構築する方法を理解する必要があります。ナレッジベースを説明する前に、「埋め込み」の概念を理解する必要があります。 「埋め込み」とは、言語、画像、その他あらゆるものをデジタルでエンコードされた型のベクトルに変換するプロセスです。推奨機能を開発したことがある場合は、これについてよくご存知のはずです。

ユーザーの好みや閲覧履歴を計算可能なデジタル ベクトルに変換する場合、次に必要となるのは、計算されたベクトルを保存するためのベクトル データベースです。ベクター データベース (Milvus など) を例に挙げることができますが、もちろん他のベクター データベースを選択することもできます。ベクター データベースはベクター データの保存に特化しており、追加、削除、変更、チェックという 4 つの基本操作も備えています。

ユーザーの好みや閲覧履歴を計算可能なベクトルに変換し、ベクトル データベースをクエリや推奨に使用することで、パーソナライズされた推奨システムを構築できます。このシステムは、ユーザーの興味や行動パターンに基づいて、自分と似たユーザーを見つけ、そのユーザーが興味を持っている購入済み製品や知識データを推奨することができます。私たちのストレージ システムは、知識データベースとして、業界や分野に関連する固有の情報を収集して保存することに重点を置く必要があります。

最も類似したレコードを検索する場合と同様に、ベクター データベースを独自のブラウザー検索エンジンと見なすことができ、検索するレコードは必要な知識の断片である必要があります。私たちは、このスニペットを質問や考えとともに LLM に送信します。 LLM はあなたが送信した知識の断片に基づいて回答し、あなた専用の「Jarvis」アシスタントが誕生します。

要約する

実際、各ブランチ ノードは、完璧なパーソナル アシスタントが作成されるまでさらに細分化できます。現在、LLM（言語モデル）は非常に人気があり、数も増えています。しかし、現役の開発者にとって、パーソナライズされたモデルを自分でトレーニングするのは時間がかかり、面倒なことであり、必ずしも望ましい結果が得られない可能性があります。実際、将来のある時点で、他の企業があなたの分野に最適な LLM モデルを開発する可能性があります。前述のモデル アーキテクチャに基づいて、LLM の選択を置き換えるだけで、制限なくニーズに合わせて柔軟に適応できます。