Manfaatkan model kecil dengan baik dan buat perbedaan besar.
Sumber asli: Energi Mesin
Sumber gambar: Dihasilkan oleh Unbounded AI
Penggunaan AI menjadi semakin luas dan tidak terbatas pada penggunaannya oleh individu. Ini juga menjadi semakin populer di perusahaan untuk menggunakan AI untuk meningkatkan alur kerja dan memajukan pekerjaan. Tetapi harus disebutkan bahwa yang lebih kuat seringkali model yang lebih besar, yang akan menyebabkan kesulitan dalam penyebaran perusahaan. Silvio Saese menulis tentang pemikirannya tentang masalah ini, ** model tidak lebih besar lebih baik, model kecil dapat menangani konten pekerjaan dengan lebih baik. **
Berikut ini adalah terjemahan dan pengaturan teks asli oleh hati mesin tanpa mengubah arti aslinya.
Alamat asli:
Dalam beberapa bulan terakhir, saya telah menulis banyak tentang apa yang saya sebut LAM (Large Action Model), varian LLM yang lebih aktif dan otonom. Tidak hanya menghasilkan konten seperti teks atau gambar, tetapi dapat menyelesaikan seluruh tugas dan bahkan berpartisipasi dalam alur kerja, baik dengan orang atau sendiri. Tahun ini, di Dreamforce 2023, dengan peluncuran Einstein Copilot, visi itu mengambil langkah besar menuju kenyataan. Einstein Copilot, asisten percakapan AI Salesforce, akan diluncurkan di seluruh platform Salesforce dan siap diintegrasikan ke dalam hampir semua yang dilakukan pelanggan.
**Einstein Copilot: Sekilas tentang masa depan AI generatif **
Sulit untuk tidak terkesan dengan Einstein Copilot di luar kotak. Ini dirancang dari bawah ke atas agar produktif dengan cara yang aman dengan membantu pengguna di hampir semua jenis alur kerja. Ini dapat menangani pertanyaan yang diterbitkan dalam bahasa alami dan memberikan jawaban tepercaya yang relevan yang diambil dari data kepemilikan yang aman oleh perusahaan. Ini adalah gambaran yang jelas tentang di mana saya percaya AI sedang menuju di perusahaan: antarmuka tunggal tepercaya yang dirancang di sekitar interaksi manusia-komputer sehari-hari dan mampu membantu berbagai tugas. Ini menunjukkan kekuatan AI untuk memastikan bahwa teknologi memenuhi kebutuhan bisnis, dan saya tidak ragu bahwa itu juga akan mengubah cara pelanggan bekerja. Dan LAM, karena berkembang dalam fleksibilitas dan fungsionalitas, akan membawa kekuatan yang sudah sangat kuat ini ke tingkat berikutnya.
Buat model AI generatif "kecil dan besar"
Baru-baru ini, banyak topik dalam AI generatif telah berkisar pada skala model dan arsitektur model yang mendukung LLM dan LAM. Karena perusahaan seperti OpenAI terus mendorong batas skala, dengan jumlah parameter melebihi 100 miliar, tidak sulit untuk menyimpulkan bahwa lebih besar lebih baik. Bahkan, model besar sering membanggakan bahwa kinerjanya sulit atau tidak mungkin dicapai sebaliknya. Dan ketika ukuran model meningkat, perilaku yang sangat kompleks muncul, menunjukkan bahwa strategi skala yang lebih besar dapat membawa manfaat yang signifikan.
Bagaimana model perampingan strategis dapat membawa manfaat besar
Sementara model yang lebih besar terus mendominasi berita utama, mengejar model yang lebih besar bukanlah strategi terbaik. Yang paling jelas, model terbesar sekarang mahal secara komputasi, dan banyak perusahaan di luar jangkauan. Dan, bahkan perusahaan-perusahaan yang mampu menyebarkannya harus mengakui bahwa output berkualitas tinggi yang mereka janjikan bisa sangat lambat. Selain itu, kami masih menghadapi masalah dengan klaim kepercayaan, keamanan, bahaya, dan kepemilikan seperti hak cipta, semuanya berasal dari kumpulan data besar yang bersumber secara global yang diandalkan oleh model hyperscale.
Kekurangan ini membuat model kecil semakin menarik di banyak bidang. Mereka relatif hemat biaya dan dapat disetel ke kecepatan luar biasa. Saat ini, LLM yang dirancang khusus bahkan dapat berjalan sepenuhnya di tepi dalam beberapa kasus, termasuk perangkat seluler pengguna akhir. Dan karena mereka memerlukan lebih sedikit pelatihan, pelanggan dapat mengambil peran manajemen yang lebih aktif dalam menyiapkan set data mereka. Pada titik ini, perbaikan besar dapat dilakukan dalam hal kualitas, keamanan, dan bahkan status hukum dari konten yang terkandung dalam dataset.
Dengan berfokus pada area yang lebih sempit, kualitas output model kecil juga bisa setara dengan "kakak" mereka. Model seperti ChatGPT pada dasarnya dirancang untuk semua orang, membantu pekerjaan rumah, resep makan malam, menjawab pertanyaan tentang sains, teknologi, sejarah, dan budaya pop. Sebaliknya, AI generatif untuk perusahaan dapat dan harus fokus pada area masalah yang lebih kecil dan lebih relevan. Ini jelas merupakan win-win: itu berarti menurunkan hambatan masuk tanpa mengorbankan kualitas output. **
Bagaimana orkestrasi model kecil menawarkan potensi besar
Bahkan model kecil dapat memberikan solusi besar, kita hanya perlu berpikir secara berbeda tentang skala. Alih-alih membuat model itu sendiri lebih besar, jalin beberapa model untuk melayani tujuan tingkat yang lebih tinggi. **Setiap model dirancang dengan tujuan tertentu dalam pikiran dan dilatih pada dataset yang dikuratori dengan cermat, diperiksa secara ketat, dan eksklusif. Bagaimana jika agen AI seperti Einstein Copilot dapat digabungkan atau dikoordinasikan, sama seperti banyak manusia dapat melakukan lebih banyak pekerjaan sebagai tim daripada yang mereka bisa sebagai individu? Misalnya, restoran, yang merupakan organisasi yang hanya dapat dicapai dengan kerja tim, setiap anggota memiliki keterampilan dan bidang fokus mereka sendiri: pelayan bertanggung jawab untuk memesan, koki bertanggung jawab untuk menyiapkan makanan, resepsionis bertanggung jawab untuk menangani reservasi dan pesanan, dan pengemudi bertanggung jawab untuk mengantarkan makanan. Jadi, seperti apa LAM ketika diatur dengan cara yang sama?
Saya telah berpikir tentang orkestrasi akhir-akhir ini, dan saya pikir ini adalah salah satu teknologi yang paling menarik, tetapi juga yang paling praktis, untuk membawa agen otonom yang berguna dengan cara yang aman dan efisien. Yang terpenting, orkestrasi berarti bahwa bahkan solusi yang paling ambisius pun transparan dan diketahui oleh pencipta dan orang-orang yang bekerja bersama mereka. Perlu diingat bahwa dalam hal ini, skala tidak berasal dari jaringan saraf yang lebih besar dan lebih besar, tetapi dari komponen independen dan terdefinisi dengan baik yang diatur dengan cara yang masuk akal bagi manusia. Misalnya, alih-alih melatih model raksasa untuk merekam catatan rapat pelanggan, menarik kesimpulan dari hasil, memperbarui catatan CRM yang sesuai, lalu mengirim informasi tindak lanjut, tetapkan setiap tugas ini ke model yang dilatih secara terpisah.
Bahkan, saya telah menghabiskan sebagian besar karir penelitian saya di bidang robotika, dan saya tidak bisa tidak melihat lebih jauh, membayangkan bahwa koreografi semacam itu dapat dilakukan di ruang dunia nyata. Di pabrik, kantor, rumah sakit, dan bahkan restoran, mock-up bekerja berdampingan dengan manusia untuk menyelesaikan berbagai tugas. Kedengarannya tinggi dan jauh, tetapi saat ini, potensi orkestrasi sangat besar.
Mari kita bicara tentang manfaatnya. Pertama-tama, orkestrasi menyelamatkan kita dari kesulitan merakit kumpulan data yang cukup besar dan membuat model tunggal begitu fleksibel untuk menyelesaikan kesulitan agen lintas domain, dan juga menghilangkan risiko memasukkan sejumlah besar data yang sangat berbeda ke dalam satu set pelatihan. **Selain itu, setiap model dapat disempurnakan lebih lanjut oleh RLHF. Oleh karena itu, dalam sistem ini, setiap komponen sangat khusus dan digunakan untuk menyelesaikan langkah-langkah penting tetapi dapat dikelola dalam tugas yang lebih besar.
Ketika masalah muncul, baik selama commissioning atau produksi, masalah dapat lebih mudah diidentifikasi melalui model tunggal yang berdedikasi untuk lebih memahami dan menyelesaikannya. Bahkan kesalahan serius dapat ditangani dengan cara modular yang lebih kuat. Dan beberapa model bekerja bersama, kegagalan lebih mudah dikendalikan dan diisolasi, dan ada lebih banyak peluang untuk kontinuitas ketika satu komponen gagal.
Art Nouveau untuk AI Generatif: Desain di Beberapa Model
Lebih penting lagi, ini meningkatkan penciptaan model AI perusahaan dari tugas teknis murni menjadi tugas pemodelan proses bisnis dalam hal yang dapat dipahami oleh pemangku kepentingan manusia. Sama seperti manajer yang baik akan memecah masalah ke tim untuk dipecahkan, orkestrator AI akan memiliki kemampuan untuk memecah masalah menjadi serangkaian model yang dibuat khusus.
Apa yang sangat menarik tentang visi ini adalah bahwa hal itu menunjuk pada keterampilan baru, orang bahkan mungkin menyebutnya seni yang muncul, dan saya berharap dapat melihatnya berkembang di perusahaan. Pakar orkestrasi LAM akan berpikir pada tingkat tinggi, memperlakukan kebutuhan perusahaan sebagai bisnis, bukan hanya platform teknologi, dan menggunakan wawasan ini untuk memecah tugas besar dan bermakna menjadi serangkaian tugas yang lebih kecil untuk diselesaikan oleh "tim" LAM.
Pekerjaan mereka menjalin infrastruktur, ilmu data, dan desain antarmuka manusia-mesin. Yang pertama memastikan bahwa tim model ini dapat menyebarkan dengan aman dan efisien, sementara yang kedua berusaha untuk mengumpulkan kumpulan data unik untuk memecahkan masalah yang lebih kecil dan tidak ambigu. Dengan kata lain, pakar orkestrasi dapat menjadi wajah baru AI perusahaan, kurang berfokus pada spesifikasi jaringan saraf dan lebih pada bagaimana membangun sistem yang kuat dan kuat.
Sebenarnya, apa yang akhirnya saya harapkan adalah bahwa keterampilan ini tidak langka atau eksklusif, melainkan tersebar luas, mengubah orkestrasi LAM menjadi solusi yang kuat dan dipersonalisasi yang akan memainkan peran yang semakin penting dalam kehidupan profesional kita. Ketika pasar muncul, penghalang untuk masuk dapat diturunkan lebih jauh, membawa dunia solusi orkestrasi LAM seperti kopilot yang hanya mendukung AI generatif pada skala yang luar biasa.
Beberapa akan menggunakan solusi pasar ini secara langsung, membuat orkestrasi LAM menjadi kenyataan. Orang lain akan memperlakukannya sebagai modul dan menggabungkannya dengan modul lain untuk membentuk solusi dengan berbagai ukuran sesuai dengan kebutuhan mereka. Tetapi dalam kedua kasus, yang paling menggairahkan saya adalah bahwa AI generatif dibentuk tidak begitu banyak oleh sekelompok kecil teknolog elit tetapi oleh kreativitas dan visi para profesional di berbagai bidang.
Faktanya, visi saya untuk masa depan pekerjaan adalah dunia di mana AI mendukung keterampilan manusia dan memungkinkan kita untuk berpikir pada tingkat yang lebih tinggi, menyederhanakan semua yang kita lakukan sambil mempertahankan kreativitas, gaya, dan perspektif yang membedakan kita.
Ringkasan
Mewujudkan visi baru adalah bertahap, dan LAM tidak terkecuali. Namun, beberapa tahun terakhir telah menunjukkan bahwa setiap langkah akan transformatif. Sejak awal, LLM telah menunjukkan potensi langka untuk gangguan dan inovasi. Agen bantu seperti Einstein Copilot membawa standar ini ke tingkat berikutnya dengan antarmuka intuitif, fitur kepercayaan dan keamanan yang kuat, dan integrasi tanpa batas dengan sistem kopilot tradisional.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Orkestrasi model kecil, sehingga 1+1_2, perusahaan bekerja lebih fleksibel dan efisien
Sumber asli: Energi Mesin
Penggunaan AI menjadi semakin luas dan tidak terbatas pada penggunaannya oleh individu. Ini juga menjadi semakin populer di perusahaan untuk menggunakan AI untuk meningkatkan alur kerja dan memajukan pekerjaan. Tetapi harus disebutkan bahwa yang lebih kuat seringkali model yang lebih besar, yang akan menyebabkan kesulitan dalam penyebaran perusahaan. Silvio Saese menulis tentang pemikirannya tentang masalah ini, ** model tidak lebih besar lebih baik, model kecil dapat menangani konten pekerjaan dengan lebih baik. **
Berikut ini adalah terjemahan dan pengaturan teks asli oleh hati mesin tanpa mengubah arti aslinya.
Dalam beberapa bulan terakhir, saya telah menulis banyak tentang apa yang saya sebut LAM (Large Action Model), varian LLM yang lebih aktif dan otonom. Tidak hanya menghasilkan konten seperti teks atau gambar, tetapi dapat menyelesaikan seluruh tugas dan bahkan berpartisipasi dalam alur kerja, baik dengan orang atau sendiri. Tahun ini, di Dreamforce 2023, dengan peluncuran Einstein Copilot, visi itu mengambil langkah besar menuju kenyataan. Einstein Copilot, asisten percakapan AI Salesforce, akan diluncurkan di seluruh platform Salesforce dan siap diintegrasikan ke dalam hampir semua yang dilakukan pelanggan.
**Einstein Copilot: Sekilas tentang masa depan AI generatif **
Sulit untuk tidak terkesan dengan Einstein Copilot di luar kotak. Ini dirancang dari bawah ke atas agar produktif dengan cara yang aman dengan membantu pengguna di hampir semua jenis alur kerja. Ini dapat menangani pertanyaan yang diterbitkan dalam bahasa alami dan memberikan jawaban tepercaya yang relevan yang diambil dari data kepemilikan yang aman oleh perusahaan. Ini adalah gambaran yang jelas tentang di mana saya percaya AI sedang menuju di perusahaan: antarmuka tunggal tepercaya yang dirancang di sekitar interaksi manusia-komputer sehari-hari dan mampu membantu berbagai tugas. Ini menunjukkan kekuatan AI untuk memastikan bahwa teknologi memenuhi kebutuhan bisnis, dan saya tidak ragu bahwa itu juga akan mengubah cara pelanggan bekerja. Dan LAM, karena berkembang dalam fleksibilitas dan fungsionalitas, akan membawa kekuatan yang sudah sangat kuat ini ke tingkat berikutnya.
Buat model AI generatif "kecil dan besar"
Baru-baru ini, banyak topik dalam AI generatif telah berkisar pada skala model dan arsitektur model yang mendukung LLM dan LAM. Karena perusahaan seperti OpenAI terus mendorong batas skala, dengan jumlah parameter melebihi 100 miliar, tidak sulit untuk menyimpulkan bahwa lebih besar lebih baik. Bahkan, model besar sering membanggakan bahwa kinerjanya sulit atau tidak mungkin dicapai sebaliknya. Dan ketika ukuran model meningkat, perilaku yang sangat kompleks muncul, menunjukkan bahwa strategi skala yang lebih besar dapat membawa manfaat yang signifikan.
Bagaimana model perampingan strategis dapat membawa manfaat besar
Sementara model yang lebih besar terus mendominasi berita utama, mengejar model yang lebih besar bukanlah strategi terbaik. Yang paling jelas, model terbesar sekarang mahal secara komputasi, dan banyak perusahaan di luar jangkauan. Dan, bahkan perusahaan-perusahaan yang mampu menyebarkannya harus mengakui bahwa output berkualitas tinggi yang mereka janjikan bisa sangat lambat. Selain itu, kami masih menghadapi masalah dengan klaim kepercayaan, keamanan, bahaya, dan kepemilikan seperti hak cipta, semuanya berasal dari kumpulan data besar yang bersumber secara global yang diandalkan oleh model hyperscale.
Kekurangan ini membuat model kecil semakin menarik di banyak bidang. Mereka relatif hemat biaya dan dapat disetel ke kecepatan luar biasa. Saat ini, LLM yang dirancang khusus bahkan dapat berjalan sepenuhnya di tepi dalam beberapa kasus, termasuk perangkat seluler pengguna akhir. Dan karena mereka memerlukan lebih sedikit pelatihan, pelanggan dapat mengambil peran manajemen yang lebih aktif dalam menyiapkan set data mereka. Pada titik ini, perbaikan besar dapat dilakukan dalam hal kualitas, keamanan, dan bahkan status hukum dari konten yang terkandung dalam dataset.
Dengan berfokus pada area yang lebih sempit, kualitas output model kecil juga bisa setara dengan "kakak" mereka. Model seperti ChatGPT pada dasarnya dirancang untuk semua orang, membantu pekerjaan rumah, resep makan malam, menjawab pertanyaan tentang sains, teknologi, sejarah, dan budaya pop. Sebaliknya, AI generatif untuk perusahaan dapat dan harus fokus pada area masalah yang lebih kecil dan lebih relevan. Ini jelas merupakan win-win: itu berarti menurunkan hambatan masuk tanpa mengorbankan kualitas output. **
Bagaimana orkestrasi model kecil menawarkan potensi besar
Bahkan model kecil dapat memberikan solusi besar, kita hanya perlu berpikir secara berbeda tentang skala. Alih-alih membuat model itu sendiri lebih besar, jalin beberapa model untuk melayani tujuan tingkat yang lebih tinggi. **Setiap model dirancang dengan tujuan tertentu dalam pikiran dan dilatih pada dataset yang dikuratori dengan cermat, diperiksa secara ketat, dan eksklusif. Bagaimana jika agen AI seperti Einstein Copilot dapat digabungkan atau dikoordinasikan, sama seperti banyak manusia dapat melakukan lebih banyak pekerjaan sebagai tim daripada yang mereka bisa sebagai individu? Misalnya, restoran, yang merupakan organisasi yang hanya dapat dicapai dengan kerja tim, setiap anggota memiliki keterampilan dan bidang fokus mereka sendiri: pelayan bertanggung jawab untuk memesan, koki bertanggung jawab untuk menyiapkan makanan, resepsionis bertanggung jawab untuk menangani reservasi dan pesanan, dan pengemudi bertanggung jawab untuk mengantarkan makanan. Jadi, seperti apa LAM ketika diatur dengan cara yang sama?
Saya telah berpikir tentang orkestrasi akhir-akhir ini, dan saya pikir ini adalah salah satu teknologi yang paling menarik, tetapi juga yang paling praktis, untuk membawa agen otonom yang berguna dengan cara yang aman dan efisien. Yang terpenting, orkestrasi berarti bahwa bahkan solusi yang paling ambisius pun transparan dan diketahui oleh pencipta dan orang-orang yang bekerja bersama mereka. Perlu diingat bahwa dalam hal ini, skala tidak berasal dari jaringan saraf yang lebih besar dan lebih besar, tetapi dari komponen independen dan terdefinisi dengan baik yang diatur dengan cara yang masuk akal bagi manusia. Misalnya, alih-alih melatih model raksasa untuk merekam catatan rapat pelanggan, menarik kesimpulan dari hasil, memperbarui catatan CRM yang sesuai, lalu mengirim informasi tindak lanjut, tetapkan setiap tugas ini ke model yang dilatih secara terpisah.
Bahkan, saya telah menghabiskan sebagian besar karir penelitian saya di bidang robotika, dan saya tidak bisa tidak melihat lebih jauh, membayangkan bahwa koreografi semacam itu dapat dilakukan di ruang dunia nyata. Di pabrik, kantor, rumah sakit, dan bahkan restoran, mock-up bekerja berdampingan dengan manusia untuk menyelesaikan berbagai tugas. Kedengarannya tinggi dan jauh, tetapi saat ini, potensi orkestrasi sangat besar.
Mari kita bicara tentang manfaatnya. Pertama-tama, orkestrasi menyelamatkan kita dari kesulitan merakit kumpulan data yang cukup besar dan membuat model tunggal begitu fleksibel untuk menyelesaikan kesulitan agen lintas domain, dan juga menghilangkan risiko memasukkan sejumlah besar data yang sangat berbeda ke dalam satu set pelatihan. **Selain itu, setiap model dapat disempurnakan lebih lanjut oleh RLHF. Oleh karena itu, dalam sistem ini, setiap komponen sangat khusus dan digunakan untuk menyelesaikan langkah-langkah penting tetapi dapat dikelola dalam tugas yang lebih besar.
Ketika masalah muncul, baik selama commissioning atau produksi, masalah dapat lebih mudah diidentifikasi melalui model tunggal yang berdedikasi untuk lebih memahami dan menyelesaikannya. Bahkan kesalahan serius dapat ditangani dengan cara modular yang lebih kuat. Dan beberapa model bekerja bersama, kegagalan lebih mudah dikendalikan dan diisolasi, dan ada lebih banyak peluang untuk kontinuitas ketika satu komponen gagal.
Art Nouveau untuk AI Generatif: Desain di Beberapa Model
Lebih penting lagi, ini meningkatkan penciptaan model AI perusahaan dari tugas teknis murni menjadi tugas pemodelan proses bisnis dalam hal yang dapat dipahami oleh pemangku kepentingan manusia. Sama seperti manajer yang baik akan memecah masalah ke tim untuk dipecahkan, orkestrator AI akan memiliki kemampuan untuk memecah masalah menjadi serangkaian model yang dibuat khusus.
Apa yang sangat menarik tentang visi ini adalah bahwa hal itu menunjuk pada keterampilan baru, orang bahkan mungkin menyebutnya seni yang muncul, dan saya berharap dapat melihatnya berkembang di perusahaan. Pakar orkestrasi LAM akan berpikir pada tingkat tinggi, memperlakukan kebutuhan perusahaan sebagai bisnis, bukan hanya platform teknologi, dan menggunakan wawasan ini untuk memecah tugas besar dan bermakna menjadi serangkaian tugas yang lebih kecil untuk diselesaikan oleh "tim" LAM.
Pekerjaan mereka menjalin infrastruktur, ilmu data, dan desain antarmuka manusia-mesin. Yang pertama memastikan bahwa tim model ini dapat menyebarkan dengan aman dan efisien, sementara yang kedua berusaha untuk mengumpulkan kumpulan data unik untuk memecahkan masalah yang lebih kecil dan tidak ambigu. Dengan kata lain, pakar orkestrasi dapat menjadi wajah baru AI perusahaan, kurang berfokus pada spesifikasi jaringan saraf dan lebih pada bagaimana membangun sistem yang kuat dan kuat.
Sebenarnya, apa yang akhirnya saya harapkan adalah bahwa keterampilan ini tidak langka atau eksklusif, melainkan tersebar luas, mengubah orkestrasi LAM menjadi solusi yang kuat dan dipersonalisasi yang akan memainkan peran yang semakin penting dalam kehidupan profesional kita. Ketika pasar muncul, penghalang untuk masuk dapat diturunkan lebih jauh, membawa dunia solusi orkestrasi LAM seperti kopilot yang hanya mendukung AI generatif pada skala yang luar biasa.
Beberapa akan menggunakan solusi pasar ini secara langsung, membuat orkestrasi LAM menjadi kenyataan. Orang lain akan memperlakukannya sebagai modul dan menggabungkannya dengan modul lain untuk membentuk solusi dengan berbagai ukuran sesuai dengan kebutuhan mereka. Tetapi dalam kedua kasus, yang paling menggairahkan saya adalah bahwa AI generatif dibentuk tidak begitu banyak oleh sekelompok kecil teknolog elit tetapi oleh kreativitas dan visi para profesional di berbagai bidang.
Faktanya, visi saya untuk masa depan pekerjaan adalah dunia di mana AI mendukung keterampilan manusia dan memungkinkan kita untuk berpikir pada tingkat yang lebih tinggi, menyederhanakan semua yang kita lakukan sambil mempertahankan kreativitas, gaya, dan perspektif yang membedakan kita.
Ringkasan
Mewujudkan visi baru adalah bertahap, dan LAM tidak terkecuali. Namun, beberapa tahun terakhir telah menunjukkan bahwa setiap langkah akan transformatif. Sejak awal, LLM telah menunjukkan potensi langka untuk gangguan dan inovasi. Agen bantu seperti Einstein Copilot membawa standar ini ke tingkat berikutnya dengan antarmuka intuitif, fitur kepercayaan dan keamanan yang kuat, dan integrasi tanpa batas dengan sistem kopilot tradisional.