सीखने की तकनीकें

Large Language Models (LLMs) कॉन्सेप्ट्स

Vidhi Chugh

AI strategist and ethicist

हम कहाँ तक पहुँचे?

डेटा सीमाओं से आगे बढ़ना

 

• Fine-tuning: किसी खास टास्क के लिए pre-trained मॉडल को ट्रेन करना

 

• लेकिन अगर labeled डेटा बहुत कम हो या न हो?

 

• N-shot learning: zero-shot, few-shot, और multi-shot

ट्रांसफर लर्निंग

• एक टास्क से सीखें और संबंधित टास्क में ट्रांसफर करें
• पियानो से गिटार तक ज्ञान ट्रांसफर करना
  • म्यूज़िकल नोट्स पढ़ना
  • रिदम समझना
  • संगीत के कॉन्सेप्ट पकड़ना

• N-shot learning
  • Zero-shot - टास्क-विशिष्ट डेटा नहीं
  • Few-shot - टास्क-विशिष्ट डेटा थोड़ा
  • Multi-shot - ट्रेनिंग डेटा अपेक्षाकृत ज़्यादा

Zero-shot learning

• कोई explicit ट्रेनिंग नहीं
• भाषा की समझ और संदर्भ का उपयोग
• बिना किसी पूर्व उदाहरण के generalize करता है

¹ Freepik

Few-shot learning

• कुछ उदाहरणों से नया टास्क सीखें

• One-shot learning: एक उदाहरण से fine-tuning

• नए प्रश्न का उत्तर देने के लिए prior knowledge

Multi-shot learning

• Few-shot से ज़्यादा उदाहरणों की ज़रूरत

 

• पिछले टास्क, साथ में नए उदाहरण

 

• जैसे, Golden Retriever पर ट्रेन किया मॉडल

¹ Freepik

Multi-shot learning

• Model output: Labrador Retriever

 

• डेटा कलेक्ट और लेबल करने में समय बचता है

 

• एक्यूरेसी से समझौता नहीं

¹ Freepik

अब तक के building blocks

• डेटा प्रिपरेशन वर्कफ़्लो

 

• Fine-tuning

 

• N-shot learning तकनीकें

 

• आगे: pre-training

अभ्यास करते हैं!

Large Language Models (LLMs) कॉन्सेप्ट्स