Qualtrics의 Ellen Loeshelle: 해결하려는 문제를 기반으로 AI를 선택하세요

Jul 11, 2023

우리와 함께이달의 기사No Jitter는 인공 지능(AI) 기반 솔루션과 상호작용하려는 소비자의 의지에 대해 다음과 같이 말했습니다.엘렌 로셰에게,퀄트릭스 ' AI 제품 개발 이사. 그녀는 여기에 질문과 답변 형식으로 제시된 다양한 AI 주제에 대한 통찰력을 공유했습니다.

NJ: "대화형" 범주에 사용되는 AI 유형(자연어 처리(NLP) 및 자연어 이해(NLU))에서 생성형 AI(Gen AI) 및 대규모 언어 모델( LLM)에 힘을 실어주나요?

엘렌 로셰에게 : NLP는 실제로 이러한 알고리즘의 유용성을 나타내는 광범위한 포괄적인 용어입니다. LLM은 자연어 처리 또는 자연어 이해에 사용되는 이 도구 상자 내의 도구 세트 중 하나일 뿐입니다. 나는 그들이 완전히 이분법적이라고 보지 않습니다.

NLP를 수행할 때 프로세스를 이해하고, 해석하고, 언어를 생성하기 위해 사용할 수 있는 다양한 종류의 도구가 있습니다. 일부는 규칙 작성이나 정규 표현식 또는 이와 유사한 것만큼 간단합니다. 또한 오랫동안 시장에 출시되어 온 기본적인 기계 학습 기능도 있습니다. 그리고 딥러닝 모델, 대규모 언어 모델 등이 있습니다.

우리가 대규모 언어 모델에서 발견한 것은 인간과 유사한 언어를 생성하는 데 있어서 매우 인상적인 성능을 가지고 있다는 것입니다. 완벽하지는 않습니다. 우선, 항상 정확하지는 않지만, 내가 본 것 중 가장 자연스러운 것 같습니다.

따라서 LLM은 정확성, 관련성 등에서 일종의 "도약"을 제공하고 있어 다른 NLP 전략은 실제로 동일한 영향을 미치지 않았거나 적어도 동일한 종류의 과대 광고를 생성했습니다. 구조적인 느낌이 나는 공간에 들어왔을 때부터의 움직임 중 하나이다.

하지만 우리는 여전히 과대광고 사이클의 한가운데에 있습니다. 나는 항상 내 자신의 반응과 다른 사람들의 반응을 무시하고 "알겠습니다, 기술은 제쳐두고, 화제는 무엇이며, 무슨 일이 일어나고 있는지에 대해 우리가 어떻게 균형을 유지할 수 있습니까? "라고 말하려고 노력하고 있습니다.

NJ: 알겠습니다. 그런데 왜 LLM이 전통적인 NLP 접근 방식보다 더 나은 성능을 발휘하는 걸까요?

로셸 : 많은 데이터 과학자들은 자신들이 왜 그렇게 더 나은지 실제로 알지 못합니다. 하지만 지금까지 우리가 가지고 있는 가장 큰 단서는 크다는 단어에 있습니다. LLM을 위한 훈련 세트의 크기는 우리가 역사적으로 사용했던 다른 어떤 것보다 훨씬 큽니다. 따라서 LLM은 더 작은 언어 세트를 기반으로 하거나 성능보다는 비용에 최적화된 과거에 사용했던 다른 접근 방식에 비해 실제 언어 패턴에 대해 더 많은 연습과 더 많은 경험을 가지고 있습니다. 우리는 여전히 기업이 LLM을 사용하거나 자체 구축하는 데 비용이 많이 드는 이상한 공간에 있습니다. 그것은 바뀌어야 할 것입니다.

NJ: 이러한 새로운 사용 사례에 적용할 수 있는 "오래된 유형"의 AI에서 학습한 내용이 있나요?

로셸 : 완전히. 나는 주말 동안 온톨로지의 역할에 관한 흥미로운 기사를 읽었습니다. 온톨로지는 기본적으로 용어나 개념의 분류와 같으며 종종 [이러한 분류는] 계층적이라고 생각할 수 있습니다. 이러한 종류의 것들은 생성 모델을 입력으로 알릴 수 있습니다.

그래서 저는 모든 기술에 딱 맞는 획일적인 방법은 없다는 사실에 대해 매우 열정적입니다. 해결하려는 문제와 비즈니스 제약 사항을 기반으로 알고리즘 유형을 선택해야 합니다. 비용은 분명히 엄청납니다. 여유가 없다면 정밀도를 2% 더 높일 가치가 없을 수도 있습니다. 어쩌면 나는 이전에 역사적으로 나에게 효과가 있었던 것을 사용해야 할 수도 있습니다.

하지만 제 생각에는 이 두 가지를 함께 사용하는 것이 일반적으로 더 비용 효율적인 속도로 더 나은 결과를 얻을 수 있다고 생각합니다. Qualtrics에서 제 철학은 Gen AI가 합리적일 때 활용할 수 있고 고유한 이점을 제공하는 도구라는 것입니다. 그러나 이것이 유일한 도구는 아닙니다. 우리가 단지 그렇게 하기 위해 하는 일은 아닙니다.