Nå som du har utviklet en forståelse for hva som kreves for å lage en AI-modell, er det på tide å se på det nåværende landskapet av eksisterende produkter og hvordan de kan brukes mest effektivt. Det er ingen hemmelighet at bruk av AI kan øke produktiviteten din, så i dette kapittelet vil vi diskutere de beste bruksområdene for LLM-er og dekke i hvilke situasjoner AI kan være kontraproduktivt. LLM-er som ChatGPT kan være nyttige i mange situasjoner, men siden dette kurset er for unge gründere, vil vi fokusere på de mest forretningsorienterte bruksområdene.
Fordeler
- Rask generering av relaterte emner
- Kjent med mange konsepter og god til å koble sammen relaterte punkter
- Kan sprette ideer med deg, på samme måte som du ville snakket med en annen person
Begrensninger
- Noen ganger forstår ikke hva du forventer, så du må være mer spesifikk
- Kun trent på tilgjengelige data, så hvis det er noe proprietært eller utenfor datasettet, har du flaks
Fordeler
- Skriver vanligvis mer sammenhengende enn folk flest, spesielt på sitt andrespråk
- Kjent med mange konsepter og god til å koble sammen relaterte punkter
- Kan sprette ideer med deg, på samme måte som du ville snakket med en annen person
Begrensninger
- Noen ganger er tonen ikke relevant for teksttypen
- Hvis du jobber med noen som ikke godtar AI-innhold, kan de bruke en AI-skanner.
- Det kan ta lengre tid å forklare konteksten og forventningene enn å skrive det selv.
Fordeler
- Oppdager feil du kanskje overser
- Raskere enn du leser ditt eget arbeid, spesielt for større tekster
- Kan foreslå forbedringer når kritikkpunkter er identifisert
Begrensninger
- Programmert til å gi et svar uansett hvor påtvunget det er, noe som noen ganger resulterer i triviell tilbakemelding
- Noen ganger mye mer kritisk enn nødvendig for oppgaven
- Bruker ofte flere ord enn nødvendig for budskapet den prøver å formidle, med mindre du instruerer den til å ikke gjøre det
- Kan forklare koden linje for linje
Fordeler
- Rask kodegenerering
- Kjent med mange språk og rammeverk
- Kan fikse sin egen kode hvis det ikke fungerer på første forsøk
Begrensninger
- Kan ikke generere filsystemer og komplekse integrasjoner
- Kan kaste bort tid ved å generere kode du ikke forstår
- Hallusinerer noen ganger falske fakta
- Begrenset til opplæringsdata som er oppgitt
- Kjenner bare den kontekstuelle informasjonen du oppgir
LLM-er fungerer basert på å forutsi det neste ordet som skal genereres. Selv om nyere modeller har mer avanserte systemer for sitering og informasjonsformidling, bør du fortsatt dobbeltsjekke viktige fakta selv, da feil kan oppstå.
Hvis emnene du prøver å få informasjon om eller diskutere med AI-en ikke er fremtredende i treningsdataene, vil den ikke gjøre en god jobb i noen av spørsmålene relatert til disse emnene.
Hvis du for eksempel prøver å skrive en tekst til bedriftens nettsted, må du gi AI-en mye informasjon om visjonen, driften og så videre. Hvis denne informasjonen ikke allerede er i tilgjengelig tekst som du kan kopiere og lime inn, kan det ta lengre tid for deg å skrive den ned enn å skrive nettsideteksten selv. Dette gjelder spesielt når du trenger en kort tekst med veldig presis betydning. I slike tilfeller kan det være effektivt å skrive den første teksten og deretter spørre AI-en om den ser noe rom for forbedringer.