Tilpasning af GPT-3 til din applikation

Udviklere kan nu finjustere GPT-3 på deres egne data og skabe en tilpasset version, der er skræddersyet til deres applikation. Tilpasning gør GPT-3 pålidelig til en bredere vifte af anvendelsestilfælde og gør kørsel af modellen billigere og hurtigere.

Du kan bruge et eksisterende datasæt af praktisk talt enhver form og størrelse, eller trinvist tilføje data baseret på brugerfeedback. Med finjustering var en API-kunde i stand til at øge korrekte output fra 83 % til 95 %. Ved at tilføje nye data fra deres produkt hver uge reducerede en anden fejlprocenten med 50 %.

For at komme i gang skal du bare køre en enkelt kommando i OpenAI-kommandolinjeværktøjet med en fil, du leverer. Din tilpassede version starter træning og er derefter tilgængelig med det samme i vores API.

Læs dokumentation

Sidste år vi trænet GPT-3 og gjorde den tilgængelig i vores API. Med kun nogle få eksempler kan GPT-3 udføre en bred vifte af naturlige sprogopgaver, et koncept kaldet få-skuds læring eller prompt design. Tilpasning af GPT-3 kan give endnu bedre resultater, fordi du kan give mange flere eksempler, end hvad der er muligt med et hurtigt design.

Du kan tilpasse GPT-3 til din applikation med én kommando og bruge den med det samme i vores API:

openai api fine_tunes.create -t <train_file>

Det kræver mindre end 100 eksempler at begynde at se fordelene ved at finjustere GPT-3, og ydeevnen bliver ved med at forbedres, efterhånden som du tilføjer flere data. I forskning offentliggjort i juni sidste år, viste vi, hvordan finjustering med mindre end 100 eksempler kan forbedre GPT-3's ydeevne på visse opgaver. Vi har også fundet ud af, at hver fordobling af antallet af eksempler har en tendens til at forbedre kvaliteten lineært.

Med et af vores mest udfordrende forskningsdatasæt, Skolens matematikproblemer, finjustering af GPT-3 forbedrer nøjagtigheden med 2 til 4x i forhold til, hvad der er muligt med et hurtigt design.

Tilpasning af GPT-3 forbedrer pålideligheden af ​​output og tilbyder mere ensartede resultater, som du kan regne med til produktionsbrug. En kunde fandt ud af, at tilpasning af GPT-3 reducerede frekvensen af ​​upålidelige output fra 17 % til 5 %. Da brugerdefinerede versioner af GPT-3 er skræddersyet til din applikation, kan prompten være meget kortere, hvilket reducerer omkostningerne og forbedrer latenstiden.

Uanset om tekstgenerering, opsummering, klassificering eller enhver anden naturlig sprogopgave GPT-3 er i stand til at udføre, vil tilpasning af GPT-3 forbedre ydeevnen.

Apps drevet af tilpassede versioner af GPT-3

Brugerafgift hjælper uafhængige entreprenører og freelancere med deres skatter. Efter at en kunde har knyttet deres finansielle konti, bruger Keeper Tax forskellige modeller til at udtrække tekst og klassificere transaktioner. Ved hjælp af de klassificerede data identificerer Keeper Tax skatteafskrivninger, der er nemme at gå glip af, og hjælper kunder med at indgive deres skat direkte fra appen. Ved at tilpasse GPT-3 er Keeper Tax i stand til løbende at forbedre resultaterne. En gang om ugen tilføjer Keeper Tax omkring 500 nye træningseksempler for at finjustere deres model, hvilket fører til omkring 1 % nøjagtighedsforbedring hver uge, hvilket øger nøjagtigheden fra 85 % til 93 %.

levedygtig hjælper virksomheder med at få indsigt fra deres kundefeedback. Ved at tilpasse GPT-3 er Viable i stand til at omdanne enorme mængder af ustrukturerede data til læsbare rapporter i naturligt sprog, der fremhæver de største kundeklager, komplimenter, anmodninger og spørgsmål. Tilpasning af GPT-3 har øget pålideligheden af ​​Viables rapporter. Ved at bruge en tilpasset version af GPT-3 er nøjagtigheden i at opsummere kundefeedback forbedret fra 66 % til 90 %. Resultatet er håndgribelig, intuitiv information, som kunderne har brug for for at informere deres produktbeslutninger.

Sana Labs er en global leder inden for udvikling og anvendelse af kunstig intelligens til læring. Sana-læringsplatformen driver personlige læringsoplevelser for virksomheder ved at udnytte de seneste ML-gennembrud til at skræddersy indholdet til hver enkelt. Ved at tilpasse GPT-3 med deres data gik Sanas spørgsmål og indholdsgenerering fra grammatisk korrekte, men generelle svar til meget nøjagtige output. Dette gav en forbedring på 60 %, hvilket muliggjorde grundlæggende mere personlige og effektive oplevelser for deres elever.

Fremkalde er en AI-forskningsassistent, der hjælper folk direkte med at besvare forskningsspørgsmål ved hjælp af resultater fra akademiske artikler. Værktøjet finder de mest relevante abstracts fra et stort korpus af forskningsartikler og anvender derefter en tilpasset version af GPT-3 for at generere den påstand (hvis nogen), som papiret fremsætter om spørgsmålet. En tilpasset version af GPT-3 overgik promptdesign på tværs af tre vigtige mål: Resultaterne var nemmere at forstå (en 24 % forbedring), mere nøjagtige (en 17 % forbedring) og bedre generelt (en 33 % forbedring).

Alle API-kunder kan tilpasse GPT-3 i dag. Tilmeld dig og kom i gang med finjustering af dokumentation.

document.documentElement.classList.add(“scroll-behavior-smooth”);
setTimeout(function () { var elts = document.querySelectorAll('.js-to-straight-quotes'); elts.forEach(function (elt) { elt.innerHTML = elt.innerHTML.replace(“'”, “' ”).replace(“'”, “'”); });
}, 500);

• Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
• CryptoHawk. Altcoin radar. Gratis prøveversion.
• Kilde: https://openai.com/blog/customized-gpt-3/