TDS-通讯-如何让-LLM-在长时间内保持有效和可靠
TDS 通讯：如何让 LLM 在长时间内保持有效和可靠
原文：
towardsdatascience.com/tds-newsletter-how-to-keep-llms-effective-and-reliable-over-time/不要错过《变量》的新一期，我们的每周通讯精选了编辑们的精选内容、深度分析、社区新闻等。
与LLM 驱动的应用程序合作过的人都知道这一点：到目前为止，构建和部署这些工具（相对）简单，但保持它们的可靠性和对组织的长期价值则不是。
针对这一挑战，并没有什么神奇的解决方案，但已经出现了几种方法，使数据科学家和机器学习专业人士的生活变得更加容易。我们的每周亮点深入探讨了评估、安全线和持续优化的细节，所以如果你想要扩展你的大型语言模型（LLM）知识并提高你在该领域的效率——请继续阅读。
AI 工程和评估作为软件工作的新层次
Clara Chong的引人入胜的观点是：“真正的任务是利用我们已有的工具解决业务问题。”她剖析了 AI 对技术工作者日常节奏的影响：编写代码可能变得容易得多（或者至少更快），但确保它遵循以评估驱动的开发的最佳实践，会在你的项目中引入几个复杂层次。
LLM 评估笔记
如果你准备好深入挖掘评估的复杂性，Felipe Adachi 最近分享了一个全面、分步的指南，介绍了构成强大管道的组件。它聚焦于数据准备、你可能会面临的选择，以及一旦结果出来，你需要实施的调整。
RAG 解释：为更好的答案进行重新排序
检索增强生成是一种提高 LLM 性能的技术，但它也需要微调和优化。Maria Mouschoutzi 向我们介绍了重新排序及其提高 LLM 输出相关性的潜力。
介绍 AI-3P 评估框架：在投入资源前评估 AI 项目
有时候，部署后调整工具可能为时已晚，效果微乎其微。Marina Tosic 提出了一种新颖的框架，帮助你通过关注更有可能成功的项目来避免这种情况。
本周最受欢迎的文章
从数据可视化基础到 AI 代理，以下是近期与我们观众产生共鸣的最新文章。
《如何使用 LangGraph 构建有效的代理系统》，作者：Eivind Kjosbakken
《数据可视化解释（第二部分）：视觉变量的介绍》，作者：Murtaza Ali
《MCP 实践》，作者：Sruly Rosenblat, Ilan Strauss, Isobel Moure, 和 Tim O’Reilly
其他推荐阅读
最前沿的研究、营销数据深度挖掘、AI 在求职过程中的作用，以及更多：不要错过这些突出的文章。
- 《基础模型准备好处理您的生产表格数据了吗？》，作者：Carmen Adriana Martínez Barbosa
- 《构建事实核查系统：在它们传播之前捕捉重复的虚假陈述》，作者：Iva Pezo
- 《预测模型与搜索模型：数据科学家们忽略了什么》，作者：Derek Tran
- 《为什么营销人员转向准地理提升实验？（以及如何规划它们）》，作者：Tomas Jancovic
- 《我如何使用 ChatGPT 获得下一份数据科学职位》，作者：Yu Dong
认识我们的新作者
我们希望您花时间探索最新一批 TDS 贡献者的杰出作品：
- Nidhin Karunakaran Ponon提供了关于为您的 AI 应用设置护栏的实用见解（以及如何创建它们）。
- Kenneth McCarthy借助基本统计学绘制了 20 种语言的视觉“指纹”。
- Ankit Singh Chauhan 发表了一篇清晰的研究报告，该报告承诺“一种更智能的扩展推理任务的方法，而不会浪费大量的计算。”
我们热爱发布新作者的文章，所以如果你最近写了一个有趣的项目教程、教程或对我们核心主题的理论反思，为什么不与我们分享呢？
订阅我们的通讯
浙公网安备 33010602011771号