当前位置:首页 > 报告详情

CASH APP 如何训练大型语言模型以提供客户支持.pdf

上传人: 张** 编号:167532 2024-06-15 29页 1.23MB

word格式文档无特别注明外均可编辑修改,预览文件经过压缩,下载原文更清晰!
三个皮匠报告文库所有资源均是客户上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作商用。
Cash App利用大型语言模型(LLM)提供客户支持,这些模型经过特定领域的预训练,如生物医学、芯片设计和代码领域。与通用领域的OpenAI的GPT系列和Meta的Llama模型不同,这些专用模型知识局限于各自的领域,例如Cash App和一般消费者金融。这种封闭领域的特殊化允许模型专注于客户支持任务,而不进行编码或创作诗歌,同时增加了对模型大小和延迟的控制,减少了模型被破解的风险。Cash App还在内部运行这些模型,以提高隐私安全性。 在客户支持中,预训练的LLM被用于分类和生成响应。为了进行分类,Cash App使用了BERT等模型,而对于生成响应,则通过模板和规则引擎来发送硬编码响应。LLM可能提供了更大的灵活性,并且可以针对具体的客户意图和上下文生成响应。 为了优化模型,Cash App研究了模型大小、处理令牌数量对准确性和延迟的影响。结果显示,在最初的30亿个令牌中,准确率提高了3%,而在额外的270亿个令牌之后,准确率提高了1.5%。此外,使用NVIDIA TensorRT和不同的模型参数,可以优化模型的延迟和每秒请求量。 总之,Cash App采用专用的LLM来提高客户支持效率和质量,同时关注模型的大小、延迟和维护成本,以及如何评估模型的响应质量。
"如何利用大型语言模型提高客户支持效率?" "大型语言模型在客户支持领域的应用前景如何?" "如何通过预训练和微调大型语言模型来优化客户支持?"
客服
商务合作
小程序
服务号
折叠