 战略回答了战术和运营背后的“怎么做”的“什么”和“为什么”的问题。
战略回答了战术和运营背后的“怎么做”的“什么”和“为什么”的问题。
我们有些主观的看法,比如:“在PMF之前不要使用GPU”和“专注于系统而不是模型”,以帮助团队找出在哪里分配有限资源。我们还建议迭代到优秀产品的路线图,这一系列最终经验教训回答了以下问题:
- 建造 vs 购买:何时应该训练自己的模型,何时应该利用现有的模型API?答案总是“这取决于某某”,所以我们分享它到底取决于什么?
- 迭代至伟大:如何打造不断使用最新模型的持久竞争优势?我们讨论围绕模型构建强大系统的重要性,并专注于提供令人难忘、有吸引力的体验。
- 人工与AI:如何有效地将LLMs集成到人类工作流程中,以最大限度地提高生产力和幸福感?我们强调构建支持和增强人类能力的AI工具的重要性,而不是试图完全取代它们。
- 入门指南:团队着手构建LLM产品的基本步骤是什么?我们概述了一个从快速工程、评估和数据收集开始的基本操作手册。
- 低成本认知的未来:成本迅速降低和功能增强的LLMs将如何塑造AI产品的未来?我们审视历史趋势并介绍一种简单方法来估计某些产品何时可能变得经济可行。
- 从演示到产品:从引人注目的演示到可靠、可扩展的产品需要什么?我们强调需要严格的工程、测试和改进来弥合原型和生产之间的差距。
要回答上面的困难问题,现在让我们一步一步地思考..
 运营一个LLM应用程序会引发一些熟悉的问题,这些问题通常与运营传统软件类似,但往往也有一些新颖的变化让事情变得有趣,所以LLM应用程序也会引发全新的问题。我们将这些问题及答案分为四个部分:数据、模型、产品和人员。
运营一个LLM应用程序会引发一些熟悉的问题,这些问题通常与运营传统软件类似,但往往也有一些新颖的变化让事情变得有趣,所以LLM应用程序也会引发全新的问题。我们将这些问题及答案分为四个部分:数据、模型、产品和人员。 在过去的一年里,LLMs 已经变得“足够好” 用于实际应用。LLMs 的改进速度,加上社交媒体上的一系列演示,将推动到 2025 年 AI 领域的预计 2000 亿美元的投资。
 
在过去的一年里,LLMs 已经变得“足够好” 用于实际应用。LLMs 的改进速度,加上社交媒体上的一系列演示,将推动到 2025 年 AI 领域的预计 2000 亿美元的投资。 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
