1. リサーチアシスタント リサーチアシスタント
記事、論文、ブログを書いたことがある人なら、その仕事の大部分が大量の出版物をふるいにかけることであることをご存知でしょう。関連する研究を特定して読んで理解するのは、困難な作業になる場合があります。
技術出版物の市場は巨大です。arXiv に毎月投稿される論文の数は、ほぼ指数関数的に増加しています (図 1 を参照)。
どうやって？検索とベクトル ストレージ
Chat-GPT プラグインを介してアクセスできるリサーチ アシスタントがいくつかあります。ただし、アーカイブをナビゲートしたり、最も関連性の高い資料を検索したり、個々の出版物を解釈したり、読書リストを作成したりする機能は、現在プラグインを通じて提供されている機能をはるかに超えています。
最も単純に言えば、リサーチ アシスタントは、厳選された知識ベースにアクセスできる LL.M. です。研究目的の場合、モデルに公開された論文や検索エンジンへのアクセスを許可したい場合があります。
簡単なアプローチには、検索を使用して生成を強化することが含まれます。Langchain や Haystack などのフレームワークは、LLM がナレッジ ベースから情報を取得するのに役立ちます。これを GPT-4 や Llama-2 などの LLM の推論機能と組み合わせると、プロトタイプの研究アシスタントが得られます。
2. コードデバッガ
初期の LLM アプリケーションの一部は、基本的にコーディングアシスタントとして機能しました。ただし、私の経験では、ソフトウェア開発者はコードを書くよりもデバッグに多くの時間を費やします。デバッグに関する探索的調査では、一部の開発者が 100 分以上作業していることが観察されました (ソース)。
どうやって？微調整、ベクトル ストレージ、取得、優れたユーザー エクスペリエンス
デバッグには多くの場合、ログの解釈、スクリプトの理解、コードが実行されているシステムの理解が含まれます。Chat-GPT はスクリプトのデバッグに使用されてきましたが、コンテキストの長さの制限により、より複雑な問題に直面した場合には不十分です。サムスンの知的財産保護を巡る問題もある。