Die neuesten gro\u00dfen Sprachmodelle (Large Language Models, LLMs) sind zwar noch im Kindesalter, aber in vielerlei Hinsicht viel schlauer als der durchschnittliche Mensch – vielleicht sogar jemals sein wird. Sie wissen nicht nur mehr, sondern verf\u00fcgen auch \u00fcber eine viel gr\u00f6\u00dfere Kapazit\u00e4t, um riesige Mengen von Anweisungen zu verstehen und zu verarbeiten.<\/p>\n
Wir haben vor einiger Zeit das Potenzial von LLMs zur Interpretation oder Generierung von Text unter Ber\u00fccksichtigung zahlreicher Parameter mit au\u00dferordentlicher Sorgfalt erprobt. Wir haben nachgewiesen, dass sie in der Lage sind, unstrukturierte Textbl\u00f6cke zu bewerten und auf verschiedenen Skalen einzustufen – und zwar mit gro\u00dfem Erfolg. Dar\u00fcber hinaus waren wir in der Lage, spezifische, ma\u00dfgeschneiderte Inhalte zu generieren, indem wir eine komplexe Reihe von Anweisungen verwendet haben, die mit hoher Pr\u00e4zision auf dieselbe Reihe von Skalen abgestimmt werden k\u00f6nnen.<\/p>\n
Wir erleben eine neue \u00c4ra leistungsbasierter, datengesteuerter Inhalte, in der wir LLMs in Zentren f\u00fcr die Produktion schriftlicher Inhalte umwandeln k\u00f6nnen, die \u00fcber ein Kontrollsystem mit Kn\u00f6pfen und Reglern zur numerischen Feinabstimmung optimaler Marketinginhalte in verschiedenen Formaten verf\u00fcgen.<\/p>\n
In diesem Artikel stellen wir die Ergebnisse unserer ersten Experimente vor und erl\u00e4utern eine allgemeine Methodik zur Nutzung von LLMs, um quantitative Ma\u00dfe aus ansonsten unstrukturierten Texten zu extrahieren und so die T\u00fcr f\u00fcr statistische Analysen und die Optimierung der Inhaltserstellung zu \u00f6ffnen.<\/p>\n
![\"\"](\"\/wpe-content\/uploads\/2023\/11\/Picture1-300x158.jpg\")
<\/p>\n
Quelle: Analytics Vidhya\u00a0<\/span><\/p>\n Gro\u00dfe Sprachmodelle werden mit Hilfe mathematischer Vektoren erstellt. Auf dieser Grundlage k\u00f6nnen sie Textbl\u00f6cke geschickt in numerische Werte \u00fcbersetzen, die die unterschiedlichen Qualit\u00e4ten der einzelnen Bl\u00f6cke erfassen. Wir k\u00f6nnen das Modell beispielsweise damit beauftragen, auf einer Skala von 1-10 zu bewerten, wie “technisch” dieser Beitrag ist, wobei die Grenzen durch ein Beispiel oder durch Benutzeranweisungen definiert werden. In \u00e4hnlicher Weise k\u00f6nnen LLMs diese Vorgehensweise umkehren, um Textbl\u00f6cke zu generieren, die numerischen Bewertungen eines bestimmten Aspektes entsprechen, der von einem Benutzer angegeben wurde. Sie k\u00f6nnen das LLM zum Beispiel bitten, einen Blogbeitrag zu schreiben, bei dem der Grad der technischen Komplexit\u00e4t mit 9 von 10 Punkten bewertet wird.<\/p>\n Wir k\u00f6nnen zus\u00e4tzliche Merkmale hinzuf\u00fcgen, um einen gedanklichen Raum zu schaffen. Diesen bezeichnen wir als konzeptionellen kartesischen Raum, auf den sich das LLM bei der Inhaltserstellung beziehen kann. Wir k\u00f6nnen einen Punkt in diesen Raum einzeichnen, um eine Idee auf der Grundlage ihrer Position im Verh\u00e4ltnis zu jeder der Achsen zu definieren, die unseren Raum definieren. Diese Achsen k\u00f6nnen eine breite Palette von Faktoren umfassen, von Tonalit\u00e4t bis hin zu Komplexit\u00e4t.<\/p>\n Quelle: https:\/\/serokell.io\/blog\/language-models-behind-chatgpt\u00a0<\/span><\/p>\n Wir haben eine Reihe von Experimenten durchgef\u00fchrt, um die Wirksamkeit und Flexibilit\u00e4t der konzeptionellen kartesischen Abbildung mit LLMs zu validieren. Bei der Validierung unserer Methodik sind wir von der Basis ausgegangen und haben mit einfachen Experimenten begonnen und die Komplexit\u00e4t schrittweise erh\u00f6ht.<\/p>\n Dieses Experiment untersucht die F\u00e4higkeit des LLM, Inhalte entlang linearer Gradienten zu skalieren und den Nutzern die Kontrolle \u00fcber die Erstellung oder Bewertung von Texten zu geben. Wir untersuchten verschiedene Skalenbereiche (1-10, 1-100) und zeigten, dass sich das Modell an bestimmte Bewertungsrahmen h\u00e4lt. Die Ergebnisse best\u00e4tigen die F\u00e4higkeit des Modells, den gew\u00e4hlten Gradienten methodisch zu folgen.<\/p>\n In diesem Experiment haben wir den Einfluss von alternativen Bewertungsmethoden auf die Textausgabe getestet. Der LLM wird angewiesen, verschiedene Bewertungsrahmen anzuwenden, was die Anpassungsf\u00e4higkeit des Modells zeigt. Es erstellt erfolgreich Antworten auf der Grundlage spezifischer Regeln, was das Anpassungspotenzial von LLMs f\u00fcr verschiedene Anwendungen verdeutlicht. Wir haben sogar ein anerkanntes psychologisches Rahmenwerk verwendet, um Empathiewerte f\u00fcr einen Block von Inhalten zu bewerten (oder zu diagnostizieren).<\/p>\n In diesem Experiment wird die Leistung des Modells in mehrdimensionalen R\u00e4umen untersucht. Die Studie f\u00fchrt Konzepte wie Praktikabilit\u00e4t und Technizit\u00e4t als zus\u00e4tzliche Achsen ein, um die F\u00e4higkeit des LLM zu veranschaulichen, komplexe Ideen und mehrere Dimensionen effektiv zu handhaben. Die Ergebnisse zeigen die Beweglichkeit des Modells beim Navigieren in komplizierten mehrdimensionalen R\u00e4umen.<\/p>\n Dieses Experiment erforscht die F\u00e4higkeit des LLM, Ideen im Verh\u00e4ltnis zu anderen Ideen quantitativ zu analysieren, nicht Gradienten entlang einer einzelnen Achse. Eine wichtige praktische Anwendung f\u00fcr Vermarkter ist die Positionierung von Inhalten im Vergleich zu Konkurrenten; wir haben das LLM dazu gebracht, eine Wohnungspolitik f\u00fcr einen fiktiven B\u00fcrgermeisterkandidaten zu entwickeln, die quantitativ im Vergleich zu mehreren bestehenden Kandidaten positioniert ist.<\/p>\n Unsere Studie hat gezeigt, dass das Modell in der Lage ist, Aufgaben zur Generierung offener Inhalte mit quantitativer Pr\u00e4zision zu bew\u00e4ltigen, und hat damit sein Potenzial in Umgebungen aufgezeigt, in denen es keine strengen vordefinierten Rahmenbedingungen f\u00fcr Ideen gibt.<\/p>\n \n Erhalten Sie exklusive Einblicke in dieGro\u00dfe Sprachmodelle eignen sich hervorragend zur Aufarbeitung von Ideen<\/h2>\n
![\"\"](\"\/wpe-content\/uploads\/2023\/11\/Picture2-300x174.png\")
<\/p>\nUnsere Versuche und Erkenntnisse<\/h2>\n
\n
\n
\n
\n
\n \n \n Bleiben Sie einen Schritt voraus <\/h2>\n
aktuellsten Themen aus dem Bereich Digital
Media direkt in Ihren Posteingang. <\/p>\n <\/div>\n\n \n \n