将LLMs融入实用NLP工作流程

将LLMs融入实用NLP工作流程

在本次演讲中，我将展示大型语言模型（如GPT-3）如何作为现有机器学习工作流程的补充而非替代品。

核心流程是：首先通过某机构的API，利用零样本或少样本学习收集初始标注；然后，由人工决策者使用标注工具对这些标注进行校正；最终，使用这些高质量的标注数据来像往常一样训练和评估模型。

这个过程能够实现比单独使用某机构API更高的准确率，并且额外的好处是，您将拥有并控制用于运行时（runtime）的模型。

视频链接：https://youtu.be/Bd2ciwinFUE

实践流程：查询LLM并解析响应 -> 根据需要调整提示

1. 查询LLM并解析响应
2. 根据需要调整提示

人工校正流程

• 纠正错误
• 将正确答案添加到提示中以优化它
• 生成并显示理由

总结

• LLMs是用于更快、更迭代地创建更优质数据的绝佳工具。
• 您始终需要特定任务的数据。
• 未来将出现许多新的应用。

未来工作方向

• 用于结果解析的数据结构
• 用于稳健评估的工作流程
• 交互式提示测试
• 对开源模型的支持

谢谢！FINISHED