Creare valore reale con gli LLM

Gli LLM sono speciali perché emettono linguaggio in risposta al linguaggio; se il modello viene stimolato con del testo, produce un testo pertinente come risposta. Questo significa che è facile per chiunque interagire con qualsiasi LLM che abbia un'interfaccia, e molti LLM sono stati resi pubblicamente disponibili attraverso interfacce di chat. Per questo motivo, lo sviluppo dei LLM come tecnologia di AI ha avuto un impatto improvviso e significativo sulla percezione pubblica delle capacità dell'AI.

L'unica cosa che gli LLM fanno è consumare e produrre testo, ma poiché la generazione del testo è così buona, i modelli sembrano ragionare e comprendere il testo che stanno manipolando. Molte persone che lavorano nella ricerca sul linguaggio naturale e sull'AI hanno lavorato duramente per capire e sondare le capacità dei LLM.

Esiste una letteratura crescente che identifica i limiti dell'attuale generazione di modelli e dimostra che forse l'entusiasmo iniziale che li ha accolti dovrebbe essere mitigato. L'obiettivo di questo articolo è quello di raccogliere l'elenco attuale delle limitazioni dei LLM allo stato dell'arte e di valutarne l'importanza e la probabilità che si rivelino difetti fondamentali dei LLM come approccio all'AI. In altri lavori sono stati esaminati alcuni dei limiti tecnici degli LLM.

Tuttavia, nel nostro nuovo articolo sulla Thought leadership, convalidiamo le limitazioni con alcuni semplici esempi di comportamento attuale degli LLM e affrontiamo i vincoli non tecnici, come i problemi di sicurezza e di proprietà intellettuale. Dopo aver esaminato i limiti della tecnologia, questo documento esamina come questa possa essere applicata con successo e su cosa le aziende dovrebbero concentrarsi per generare il massimo valore dall'opportunità creata dalla rivoluzione degli LLM.

Siamo fermamente convinti che sia possibile definire un percorso di successo per le organizzazioni che desiderano accedere all'indubbio valore della nuova generazione di LLM, gestendo al contempo il rischio derivante dalle loro debolezze identificate. Questo percorso di successo consiste nel limitare l'uso dei LLM a componenti che forniscono funzionalità ben specificate e controllate, per inserirli in infrastrutture appropriate di controllo e responsabilità.

È possibile che i futuri LLM risolvano i problemi che attualmente impediscono l'uso non vincolato di questa nuova generazione di modelli. Ad esempio, i LLM potrebbero essere reingegnerizzati (al di là degli attuali trasformatori) per pianificare efficacemente in un futuro relativamente prossimo. Tecnicamente, non sembra esserci una ragione fondamentale per cui questo non possa essere fatto, anche se certamente richiederà un altro sorprendente investimento in potenza di calcolo.

Altre limitazioni, come la gestione del ragionamento compositivo, del parroting e della sicurezza, sembrano più intrattabili. A prescindere dai continui progressi, vale la pena considerare che tecnologie molto più semplici, mature e prevedibili come la posta elettronica, i database e i browser web richiedono ancora modelli di applicazione e controlli di gestione sofisticati. Sembra improbabile che gli LLM si dimostrino diversi.

L'interfaccia in linguaggio naturale dimostrata da molti LLM di ultima generazione ha risvegliato una popolazione molto più ampia alla potenza dei LLM in particolare e dell'AI più in generale. Per questo motivo, abbiamo identificato alcuni dei principali limiti di questi approcci e, allo stesso tempo, abbiamo formulato raccomandazioni per le implementazioni che possono mitigare alcuni di questi problemi, consentendo in ultima analisi l'adozione di successo dei LLM. Tuttavia, va notato che tutto ciò non elimina la necessità di una visione, di investimenti e di un team competente per implementare tali soluzioni.