 |
clockwise9V2EX 第 440199 号会员，加入于 2019-09-08 04:56:00 +08:00 |
| 问了几个脑筋急转弯，看到 ChatGPT 的回答我就放心了 分享发现 • clockwise9 • 2022-12-05 16:57:34 PM • 最后回复来自 chengz | 24 |
| 如何优雅地给国内长辈分享 APK 文件 问与答 • clockwise9 • 2022-09-14 00:54:35 AM • 最后回复来自 gtheone1 | 36 |
| 美亚疑似变相杀熟行为 买买买 • clockwise9 • 2022-02-12 00:44:11 AM • 最后回复来自 clockwise9 | 3 |
| 微信 网络连接不可用 全球工单系统 • clockwise9 • 2022-01-17 13:25:52 PM • 最后回复来自 clockwise9 | 1 |
| 有没有便宜好用的个人 CRM 系统 问与答 • clockwise9 • 2021-11-29 16:35:13 PM • 最后回复来自 ilook | 6 |
| 如何获得网页渲染后每个 DOM node 的位置 问与答 • clockwise9 • 2021-10-19 15:35:31 PM • 最后回复来自 mekingname | 10 |
| 解析短文本的需求和现有工具 奇思妙想 • clockwise9 • 2020-09-23 04:15:53 AM • 最后回复来自 clockwise9 | 12 |
clockwise9 最近回复了
363 天前 回复了 Xealml 创建的主题 › 自然语言处理 › 我是国内的 NLP 从业者，大模型这一波风吹过来了，在公司做大模型感觉前途未卜的样子 |
@Xealml 算法除了增效还可以降本。毕竟目前大模型的单次推理开销还是很大的，如果不是很重要的任务，直接用大模型很可能是划不来的。
363 天前 回复了 hanh1985 创建的主题 › 自然语言处理 › GPT 用于知识图谱构建的 NER 和 RE |
Schema 还是很重要的。大模型对于关系（ relationship/predicate ）有自己的理解，而知识图谱中的关系可能是根据行业知识甚至应用场景来定义的，两者可能不总是精确匹配。一个无用但容易理解的例子，“配偶”关系可能有很多不同的情况需要判断：前夫前妻，同性伴侣（不管是否合法登记），已经订婚但还没办婚礼没登记的，等等。
2023-09-30 22:45:06 +08:00 回复了 mariljacksoa 创建的主题 › Telegram › Google voice 被回收， tg 都玩不了了 |
之前我的 gv 过期了，又申请了一次，给了同一个号码，又可以继续用了
2023-06-04 10:06:52 +08:00 回复了 rioshikelong121 创建的主题 › 程序员 › Kent Beck 提到 AI 会导致他 90% 的技能都变得毫无价值，剩下的技能都杠杆增加了 1000 倍 |
@akira 对于自己不会而 AI 可以完成的工作，可以像对待下属或者实习生一样对待，确定合理的验收方式，比如在测试环境里运行测例。
2023-04-16 14:39:53 +08:00 回复了 baobao1270 创建的主题 › 问与答 › 如何镜像一个 MediaWiki 网站？ |
根据 https://m.mediawiki.org/wiki/Web_scraping_access ，url 加参数 action=raw 就可以获得 wikitext 内容
2023-01-15 06:32:30 +08:00 回复了 numberator 创建的主题 › 问与答 › 有什么东西你接触的时候，会改变世界观？ |
@8zip 花旗银行是什么梗？
2022-12-05 14:14:43 +08:00 回复了 clockwise9 创建的主题 › 分享发现 › 问了几个脑筋急转弯，看到 ChatGPT 的回答我就放心了 |
@Dganzh 是的
2022-12-05 07:55:23 +08:00 回复了 qdwang 创建的主题 › OpenAI › ChatGPT 还不是最可怕的 |
@secsilm NLP 从业者+1 ，对 GPT 系怀疑+1 。可能我身在工业界，思路只局限在工程应用，对其他方面（比如公众对 AI 的认知）不作评价。
在工业应用里，建模往往受需求的驱动，有比较明确的任务、数据分布、预期指标和成本约束（时间、算力、标注成本），LLM 在这种条件下并不是很好用，或者我们还没找到好的用法。在头部（预算很高）的应用里，专门建模会比直接用大模型的确定性和性能更好，在腰部应用里，大模型太贵了不划算，在尾部应用里，或许有意想不到的机会。
在工业应用里，建模往往受需求的驱动，有比较明确的任务、数据分布、预期指标和成本约束（时间、算力、标注成本），LLM 在这种条件下并不是很好用，或者我们还没找到好的用法。在头部（预算很高）的应用里，专门建模会比直接用大模型的确定性和性能更好，在腰部应用里，大模型太贵了不划算，在尾部应用里，或许有意想不到的机会。
Select Language