摘要 - 近年来,机器学习(ML)技术为智能移动网络创造了许多机会,并加快了网络操作的自动化。但是,复杂的网络任务可能涉及变量和考虑因素,甚至超出了传统ML算法的能力。另一方面,大型语言模型(LLMS)最近出现了,在各个领域的认知任务中表现出了近乎人类的表现。但是,它们仍然容易出现幻觉,并且在基本任务中常常缺乏常识。因此,它们被视为人类的辅助工具。在这项工作中,我们提出了“生成循环”的概念,并利用了LLMS的语义理解,上下文意识和推理能力来帮助人类处理移动通信网络中的复杂或不可预见的情况。我们认为,将LLM和ML模型相结合,既可以利用其各自的功能,又可以实现比单独使用任何模型更好的结果。为了支持这个想法,我们首先分析LLM的功能,并将其与传统的ML算法进行比较。然后,我们根据下一代网络的要求探索潜在的基于LLM的应用程序。我们进一步研究了ML和LLM的集成,并讨论了它们如何在移动网络中使用。与现有研究不同,我们的研究强调了LLM与传统的ML驱动的下一代网络的融合,并将其作为现有调查的全面改进。我们的案例研究进一步证明了我们提出的想法的优势。最后,我们提供了一个案例研究,以通过LLMS生成的合成数据来增强基于ML的网络入侵检测。
抽象基础模型是下一代人工智能,有可能为医疗保健提供新颖的用例。大语言模型(LLMS)是一种基础模型,能够具有语言理解和产生类似人类文本的能力。研究人员和开发人员一直在调整LLM,以优化其在特定任务(例如医疗挑战问题)中的性能。直到最近,调整需要技术编程专业知识,但是OpenAI的定制生成预培训变压器(GPT)允许用户用自然语言调整自己的GPT。这有可能在全球范围内民主化获得高质量的定制LLM。在这篇评论中,我们提供了LLM的概述,如何调整它们以及自定义GPT的工作方式。我们提供了眼科定制GPT的三种用例,以证明这些工具的多功能性和有效性。首先,我们提出了“眼神”,这是一种教育援助,从临床准则中产生问题以促进学习。第二,我们构建了“ Eyeasserant”,这是一种临床支持工具,并使用临床指南调整以响应各种医师查询。最后,我们设计了“ GAT的GPT”,它通过分析同行评审的文档为临床医生提供了新兴管理策略的全面摘要。评论强调了自定义说明和信息检索在对眼科特定任务调整GPT中的重要性。我们还讨论了对LLM响应的评估,并解决了关键方面,例如其临床应用中的隐私和问责制。最后,我们讨论了它们在眼科教育和临床实践中的潜力。
通用技术 (GPT) 拓展了生产可能性边界,对管理者和决策者具有战略意义。虽然解释 GPT 的特征、优势和创造和获取价值的方法的理论模型已经取得了显著进展,但识别 GPT 的经验方法却滞后。少数可用的尝试通常都是针对具体情况的,并且依赖于事后见解。对于决定技术战略的管理者来说,这意味着分类(即使可用)也为时已晚。我们提出了一种更通用的方法,即使用在线招聘信息中的数据来评估新兴技术的 GPT 可能性。我们将我们的方法与利用专利数据的现行经验 GPT 方法进行对比,并提供一组新兴技术的应用。我们的应用练习表明,由机器学习和相关数据科学技术组成的一组技术相对可能是 GPT。
新兴技术圆桌会议 (ETR) 第九次会议 (2024 年第一季度) 于 2024 年 3 月 12 日举行。会议期间,圆桌会议成员与佐治亚州交通部多式联运部 (GDOT) 主任 Clement Solomon 博士一起探讨了先进空中机动性的进步,并介绍了 GDOT 的《先进空中机动性社区指南》。GDOT 的先进空中机动性蓝图(可在此处下载)于 2024 年 4 月发布,包括以下文件:执行摘要、蓝图和行动计划、社区指南、运营概念、直升机场分析、精选机场分析和技术报告。此外,我们选择使用三个自定义的 ChatGPT 4 GPT 来广泛分析先进空中机动性对亚特兰大地区的影响。这些 GPT 由 David Giguere/ARC ETR 设计,用于探索新兴技术,可通过 OpenAI GPT Store 提供给所有 GPT Plus 订阅者。编写本报告所用的GPT包括:
Sovereign GPTs: The emerging movement to protecting national interest while collaborating globally - David Shrier, Professor of Practice, AI & Innovation, ICL and Founder and co-Director, Trusted AI Alliance Detecting the use of copyright protected content by LLMs – Dr Yves-Alexandre de Montjoye, Associate Professor of Applied Mathematics and Computer Science, ICL
在本研究中使用了一种定制的Chatgpt,称为GPTS [15] [15],结果模型被称为“ Physio Exam gpt”。自定义过程涉及两个主要组成部分:首先,一个包括340个MCQ的知识库以及相应的正确答案,解释和链接的主题,这些主题是从第57届日本和第58届日本国家物理治疗师的国家许可检查中得出的。作者开发了这些解释和相关主题,如附录部分(补充1)所示。第二,量身定制的提示配置旨在使用户能够输入相关主题,从而使GPT可以根据知识库中嵌入的信息生成MCQ。提示设计的细节在补充2中列出;如上所述,自定义过程有意限于嵌入“知识”(MCQ)并配置“提示”,而没有其他微调或模型调整。生成的问题仅依赖于自定义GPT框架的标准功能。
2020 年代至今 人工智能发展的一个关键里程碑可以说是生成式预训练 Transformer (GPT) 的发展。ChatGPT 背后的创新者 OpenAI 已经推出了几款 GPT,其中 GPT-1 于 2018 年首次亮相。GPT-2 并未向公众发布,而 2020 年 6 月发布的 GPT-3 以令人印象深刻的 1750 亿个参数提升了基准,成为其时代最强大的语言模型之一。GPT-3 的功能扩展到根据输入提示生成连贯、上下文相关且类似于人类的文本。它可以执行各种自然语言处理任务、回答问题、撰写文章、创作诗歌和参与对话等应用。该模型通过 OpenAI 的 API(应用程序编程接口)提供,允许开发人员将其语言生成功能集成到他们的应用程序和服务中。2022 年,OpenAI 推出了 ChatGPT,其特色是基于 GPT-3.5 LLM 构建的聊天界面。
(1) 根据法国政府人工智能委员会的报告(2024 年 3 月),《IA:我们的法国雄心》(仅有法语版)。 (2) OECD(2023 年),《建设人工智能国家计算能力的蓝图》,OECD 数字经济论文。 T. Eloundou、S. Manning、P. Mishkin、D. Rock(2023 年),《GPT 就是 GPT:大型语言模型对劳动力市场影响潜力的早期观察》,OpenAI。 (3) IM Cockburn、R. Henderson、S. Stern(2018 年),《人工智能对创新的影响》,NBER。 (4) M. Mock、S. Edavettal、C. Langmead、A. Russel(2023 年),《人工智能可以帮助加速药物发现——但前提是我们必须为它提供正确的数据》,《自然》。 (5) R. Van Noorden、JM Perkel (2023),“人工智能与科学:1,600 名研究人员的想法”,《自然》。(6) T. Besiroglu、N. Emery-Xu、N. Thompson (2023),“人工智能增强研发的经济影响”,arXiv。
自测试通常是指采取一组给定的观察到的相关性,这些相关性被认为是通过量子理论准确描述的过程产生的,并试图推断量子态和测量值。换句话说,它关心的是我们是否可以通过仅查看量子黑盒设备的输入输出行为来判断它们在做什么,并且已知在几种情况下是可能的。在这里,我们提出一个更普遍的问题:是否有可能对一个理论,特别是量子理论进行自测试?更准确地说,我们问在特定的因果结构中是否存在只能在任何情况下具有与量子力学相同相关性的理论中执行的任务。我们提出了这种相关性自测试的候选任务,并在一系列广义概率理论 (GPT) 中对其进行了分析,结果表明这些理论都没有比量子理论表现更好。我们的研究结果概括起来就是,对于这项任务来说,所有非量子 GPT 都严格劣于量子力学,这将为公理化量子理论提供一种新方法,并能够通过实验测试同时排除此类 GPT。