Løfterne om, hvad de nye LLM’er kan, har været mange, og tanken om at skabe et værktøj, som passer til alle problemer, synes mere appellerende end aldrig før. Og selvom de har været altoverskyggende i Machine Learning (ML) & AI landskabet de sidste par år, er der stadig mange problemer som LLM’er ikke kan løse.
Her kommer mange af de mere traditionelle ML og AI metoder stadig til gode. ML og AI er nemlig meget mere end LLM’er, selvom udtrykkene bliver brugt i flæng.
Traditionelle ML og AI metoder
Der findes flere eksempler på usecases, hvor de mere traditionelle ML modeller stadig er det mest ideelle værktøj at bruge.
Træbaserede modeller, så som Gradient Boosted Decision Trees, giver generelt en bedre performance på problemer med tabular data, altså data som kan stilles op som tal i rækker og kolonner, end transformer baserede modeller er (modelakitekturen bag LLM’er).
I nogle tilfælde er der brug for at en model er 100% gennemsigtig, så den prædiktion der kommer kan forklares til brugeren. Eksempler kunne være, hvorfor en bestemt person eller firma får en dårlig kreditvurdering, eller i diagnosticeringer og anbefalinger i sundhedssektoren, hvor forklaringen heraf spiller en central rolle.
Her kommer de såkaldte Glass Box modeller så som Logistisk Regression eller Explainable Boosting Machine tilgode, da outputtet fra modellen kan forklares 100%, i modsætning til Deep Learning (DL) modeller, herunder LLM’er.
LLM’er og Generativ AI
Når de fleste taler om generativ AI i dag, mener de i virkeligheden LLM’er. Men generativ AI er et begreb, som dækker over mere end LLM’er. For godt ti år siden, var det f.eks. Generative Adversarial Networks (GANs), som var det hotteste inden for generativ AI. De blev (og bliver) brugt til at generere syntetiske datasæt, et område som stadig er i rivende udvikling!
Der er dog en lang række udfordringer, hvor LLM’er er den bedste løsning. Det kunne f.eks. være tekstbaserede opgaver såsom chatbots, sentiment analyse, oversættelse eller opsummering. Modellerne er også langt bedre til at generalisere, hvor traditionelle ML modeller ofte trænes til at løse et meget specifikt problem.
En stræben efter metode agnosticisme
Selvom LLM’er dominerer offentlighedens AI landskab, er der stadig en række problemstillinger som traditionelle Machine Learning (ML) modeller er bedre gearet til at løse. Vi kommer til at benytte os af begge dele i proprty.ai. Hovedsagen er, at de rigtige værktøjer skal bruges til at løse problemerne.
I skrivende stund har vi primært med regression at gøre. Vores modeller forudsiger resterende levetid på bygningsdele, samt løbende omkostninger til vedligehold.
Så selvom vi har projekter på tegnebrættet, der udnytter alle de fordele som LLM’er kommer med, arbejder vi mest med mere klassiske ML metoder lige nu.
Vi stræber efter at skabe et produkt, som gør livet nemmere for brugeren. Om det sker via programmering, eller med Machine Learning og LLM’er, er i princippet ligegyldigt, så længe produktet skaber værdi.