સ્વ-ઇન્ટેલિજન્સ નેટવર્કનો નવો યુગ: એક મોટું-મોડેલ-આધારિત ભવિષ્ય

2023 એઆઈ નેટવર્ક ઇનોવેશન કોન્ફરન્સ, બીબીએસ પર બેઇજિંગ ઇન્ટેલિજન્ટ નેટવર્ક મોડેલમાં યોજાયેલી, ઝેડટીઇ કેબલ પ્રોડક્ટ્સ મોડેલ સિનિયર આર્કિટેક્ટ જીઆન-ગુઓ લુએ વિઝડમ નેટવર્ક નવું યુગ બનાવ્યું: બિગ મોડેલ, કોર્પસની ગુણવત્તાને વધારવા માટે, મોટા ટ્યુનિંગ ડાયરેક્શનલ મોડેલ ક્ષમતા દ્વારા ઝેડટીઇની થીમનું ભવિષ્ય ચલાવે છે, અને ડિજિટલ ટ્વીન ઓટોમેશન ડેટા સાયકલનો ઉપયોગ કરવા માટે, ઇન્ટેલિજન્ટ સ્તરના મોટા મોડેલનો ઉપયોગ કરે છે.
લુ જિઆંગુઓએ જણાવ્યું હતું કે એઆઈ સક્ષમ, ડિજિટલ ટ્વીન અને ઇરાદા ડ્રાઇવ જેવી ઘણી કી તકનીકીઓ, એલ 4 થી એલ 5 થી સ્વ-ઇન્ટેલિજન્સ નેટવર્કના ગુપ્તચર સ્તરને ટેકો આપશે, અને સ્વ-ઇન્ટેલિજન્સ નેટવર્કને પુનરાવર્તિત કરવાનું ચાલુ રાખશે અને સ્વ-ઇન્ટેલિજન્સને પૂર્ણ કરવા માટે વિકસિત કરશે. આ કી તકનીકોમાં, એઆઈ એ સૌથી મહત્વપૂર્ણ એન્જિન છે, અને એઆઈ તકનીકમાં મોટા મોડેલો ચાવી છે.
સ્વ-ઇન્ટેલિજન્સ નેટવર્ક પર મોટા મોડેલને કેવી રીતે લાગુ કરવું તે માં, લુ જિઆંગુઓએ રજૂ કર્યું કે મોટા મોડેલમાં સુપર પે generation ીની ક્ષમતા છે અને તે ઝડપથી મોટી સંખ્યામાં યોજનાઓ ઉત્પન્ન કરી શકે છે. બૌદ્ધિક નેટવર્ક operations પરેશન માટે, મોટી સંખ્યામાં ઓપરેશન સ્ટેપ્સને અમલમાં મૂકવાની જરૂરિયાત માટે, ઉચ્ચ પરિમાણીય જગ્યાની સમકક્ષ, તમામ સંભવિત પ્રક્રિયાઓ માટે સોલ્યુશન સેટ, એનપી (બહુપદી નહીં) સમસ્યા, મોટી સંખ્યામાં નમૂનાઓ, મૂલ્યાંકન, optim પ્ટિમાઇઝેશન, પુનરાવર્તિત, ઝડપથી શ્રેષ્ઠ સોલ્યુશનનો સંપર્ક કરી શકે છે. જો કે, મોટા મોડેલો ઘણી યોજનાઓ ઉત્પન્ન કરે છે, તે સુનિશ્ચિત કરવું મુશ્કેલ છે કે આ યોજનાઓ ઉપયોગી છે. મોટા મોડેલોમાં ચોક્કસ વિચારસરણીની ક્ષમતા હોવા છતાં, જટિલ તર્ક સાથે વ્યવહાર કરતી વખતે તેમને હજી પણ માનવ હસ્તક્ષેપની જરૂર હોય છે. આ સમસ્યાને હલ કરવા માટે, ઝેડટીઇ બંધ-લૂપ ઇટરેશનની રચના કરવા માટે વધારાની પૂર્વ-તાલીમ અને મોડેલની ફાઇન ટ્યુનિંગની પ્રક્રિયામાં નિષ્ણાતનો અનુભવ એકીકૃત સૂચવે છે. આ રીતે, મેન્યુઅલ ફીડબેક રિઇનફોર્સમેન્ટ લર્નિંગથી ટૂલ ફીડબેક રિઇનફોર્સમેન્ટ લર્નિંગથી સરળ સંક્રમણ અનુભવી શકાય છે, જે એક તરફ મોટા મોડેલોની પે generation ીની ક્ષમતાનો અસરકારક રીતે ઉપયોગ કરી શકે છે, અને બીજી બાજુ, ખાતરી કરો કે જનરેટ કરેલી ડાયગ્નોસ્ટિક યોજના સચોટ અને વિશ્વસનીય છે. આ યોજનામાં, જ્ knowledge ાન એન્જિનિયરિંગ સાથે જોડાયેલા ઓપરેશન અને જાળવણી જ્ knowledge ાન નકશાને બનાવવા માટે તે એક મુખ્ય કડી છે. ડેટા ફ્લાય વ્હીલ યોજનાની પે generation ી ઓપરેશન અને જાળવણી જ્ knowledge ાન નકશા પર આધારિત છે, જેથી મોડેલ ભ્રમણાને ટાળવા અને પે generation ી યોજનાની વિશ્વસનીયતા અને ચોકસાઈ સુનિશ્ચિત થાય. આ જ્ knowledge ાન ગ્રાફ-આધારિત અભિગમ વધુ વિશ્વસનીય ઉકેલો પ્રદાન કરવા માટે નિષ્ણાત અનુભવ અને મોડેલ જનરેશન ક્ષમતાઓને વધુ સારી રીતે એકીકૃત કરી શકે છે.

મોટા મોડેલની એપ્લિકેશન તર્કશાસ્ત્ર ડિઝાઇન માટે, લુ જિઆંગુઓએ આગળ રજૂઆત કરી કે ઝેડટીઇ પ્રોમ્પ્ટ એન્જિનિયરિંગના આધારે મોડેલ-સંચાલિત ક્લોઝ-લૂપ પદ્ધતિને અપનાવશે. ડિઝાઇનનો સાર એ માનવ ભાષા (પ્રોમ્પ્ટ ટેમ્પલેટ) ની સ્ટ્રક્ચર્ડ અભિવ્યક્તિને ઇનપુટ તરીકે લેવાનું છે, મોટા મોડેલ દ્વારા સ્ટ્રક્ચર્ડ આઉટપુટ (ગોઠવણી યોજના) ઉત્પન્ન કરે છે અને અંતે એપ્લિકેશન ફ્રેમવર્કના ઇન્ટરેક્ટિવ એક્ઝેક્યુશનને જોડે છે. ઉપરોક્ત તર્કને સમજવા માટે, ઝેડટીઇ ઘણા પાસાઓથી તકનીકી તૈયારીઓ કરશે, જેમ કે મલ્ટિ-મોડલ ક્ષમતા ઉત્ક્રાંતિ, કોર્પસ તૈયારી, સંસાધન સંબંધ જ્ knowledge ાન ગ્રાફ જ્ knowledge ાન ઇન્જેક્શન, અણુ એપીઆઈ કોર્પસ રિઝર્વ / એટોમિક એપીઆઈ ક્ષમતા અનામત, બિલ્ડિંગ કૃત્રિમ સિમ્યુલેશન ફોલ્ટ એન્વાયર્નમેન્ટ, ડિજિટલ ટ્વીન ઓટોમેટિક ફોલ્ટ સિમ્યુલેશન પર્યાવરણ, અને ટૂલ તૈયારી.
લુ જિઆંગુઓએ આખરે કહ્યું કે મોટા મોડેલનું મુખ્ય મૂલ્ય તેની ઉદભવ ક્ષમતામાં રહેલું છે, એટલે કે, તે હાલના જ્ knowledge ાનને જોડીને નવીનતા પેદા કરી શકે છે. જો કે, આ ઉદભવની ક્ષમતાની અનુભૂતિ ઉચ્ચ-ગુણવત્તાવાળા ડેટા ઉત્પાદન, સ્વીકૃતિ અને વરસાદ પર આધારિત છે. ડેટાનો સદ્ગુણ ચક્ર એ નિર્ધારિત પરિબળ છે.