छोटे भाषा मॉडल का उपयोग बड़े भाषा मॉडल के स्थान पर कब करें

बड़े भाषा मॉडल (LLMs) दक्षता और विश्वास के बीच रस्सी पर चलते रहते हैं। उपयोगकर्ता इसे प्रभावी मानते हैं, लेकिन इसकी सटीकता पर संदेह करते हैं।

कुछ उपयोग मामलों के लिए यह अत्यधिक भी हो सकता है। उदाहरण के लिए, उनकी उच्च कम्प्यूटेशनल लागत को देखते हुए, सभी आंतरिक HR कार्यों के लिए LLMs का उपयोग सबसे अच्छा विकल्प नहीं हो सकता है।

इन सभी संघर्षों में, एक नए प्रकार का मॉडल उभर रहा है: छोटे भाषा मॉडल (SLMs)। ये सरल मॉडल हैं जो एक विशिष्ट कार्य करने के लिए छोटे डेटासेट पर प्रशिक्षित किए जाते हैं। यह उच्च दक्षता, अधिक विश्वास और कम लागत के सभी बॉक्स को टिक करता है।

कुछ हालिया अध्ययन भी कहते हैं कि छोटे भाषा मॉडल एजेंटिक AI का भविष्य हैं। इस लेख में, मैंने उन उपयोग मामलों को सूचीबद्ध किया है जहां एक SLM एक LLM से अधिक कुशल होगा।

विभिन्न व्यापार कार्यों में शीर्ष SLM उपयोग मामले

यदि आप सोच रहे हैं कि अपनी SLM यात्रा कहां से शुरू करें, तो मैंने नीचे सामान्य व्यापार कार्यों में सर्वश्रेष्ठ SLM उपयोग मामलों को संकलित किया है। 

ग्राहक सेवा

LLM मॉडल ग्राहक सेवा के लिए सहायक हो सकते हैं, लेकिन प्रमुख चेतावनियों के साथ। ये मॉडल एक विशाल डेटासेट पर पूर्व-प्रशिक्षित होते हैं, जो अक्सर इंटरनेट से स्क्रैप किए जाते हैं। इस ज्ञान का कुछ हिस्सा आपकी ग्राहक सेवा के लिए लागू हो सकता है या नहीं भी, विशेष रूप से जब कंपनी की नीतियां विशिष्ट होती हैं। आप ऐसे ग्राहक-सामने वाले चैटबॉट्स के जोखिम में आ जाते हैं जो भ्रम पैदा करते हैं। उदाहरण के लिए, एयर कनाडा की वेबसाइट पर एक ग्राहक सेवा चैटबॉट ने एक ग्राहक को एक ऐसी नीति के खिलाफ शोक रिफंड का वादा किया जो कभी मौजूद ही नहीं थी।

SLMs ग्राहक चैटबॉट और शिकायत पोर्टल के लिए अधिक समझदारी भरे होते हैं। ये पोर्टल अक्सर अत्यधिक दोहराव वाले मुद्दों/प्रश्नों से निपटते हैं और संदर्भित करने के लिए कंपनी नीतियों का सीमित भंडार रखते हैं। मॉडल को पिछले ग्राहक टिकट डेटा और कंपनी नीतियों पर आसानी से प्रशिक्षित किया जा सकता है। ग्राहकों को जवाब देने के लिए मॉडल के लिए यह पर्याप्त है।

बेशक, SLM सब कुछ नहीं संभाल सकता है, और जहां बॉट प्रश्न का उत्तर नहीं दे सकता है, वहां आप हमेशा एक मानव को शामिल कर सकते हैं। अगर यह एक चैटबॉट है, तो आप ग्राहक को कॉल करने के लिए एक सपोर्ट नंबर प्रदान कर सकते हैं। अगर यह एक टिकट प्रबंधन प्लेटफॉर्म है, तो टिकट को स्वचालित रूप से हल किया जा सकता है अगर यह SLM के लिए एक ज्ञात समस्या है, या फिर इसे एक ग्राहक सहायता अधिकारी को सौंपा जा सकता है। कम से कम, आप आश्वस्त हो सकते हैं कि स्वचालन ग्राहक को कुछ ऐसा वादा नहीं कर रहा है जो संभव नहीं है।

​बिक्री/मार्केटिंग 

LLMs निश्चित रूप से बिक्री और मार्केटिंग में कुछ उपयोग मामलों में उत्कृष्ट हैं, विशेष रूप से सामग्री निर्माण में। बड़ा प्रशिक्षण डेटा विभिन्न विषयों को संभालने में मदद करता है। लेकिन लीड क्वालिफिकेशन/नर्चरिंग और व्यक्तिगत आउटरीच जैसे अधिक विशिष्ट कार्यों के लिए LLMs का उपयोग सबसे अच्छा विकल्प नहीं हो सकता है। इसके सामान्यीकृत जवाब आपके संभावित ग्राहकों पर अच्छा प्रभाव नहीं डालेंगे।

SLM आपको अधिक व्यक्तिगत आउटरीच संदेश बनाने में मदद करता है। इसे लीड क्वालिफाई करने के लिए आपके स्वामित्व वाले डेटासेट पर प्रशिक्षित किया जा सकता है। आप कुछ आउटरीच संदेश तैयार कर सकते हैं जो आपके लिए पहले काम कर चुके हैं और उनके आधार पर आगे के आउटरीच संदेश उत्पन्न करने के लिए SLM मॉडल का उपयोग कर सकते हैं। SLMs आपको सामान्य AI आउटरीच संदेशों से दूर जाने में मदद करते हैं।

वित्त 

LLMs का उपयोग सामान्य बाजार विश्लेषण के लिए किया जा सकता है। लेकिन यह धोखाधड़ी का पता लगाने और अनुपालन निगरानी जैसे उच्च जोखिम वाले कार्यों के लिए पीछे रह जाता है। उपभोक्ता और व्यावसायिक खातों दोनों में धोखाधड़ी की दरें बढ़ रही हैं। कंपनियों द्वारा धोखाधड़ी-पहचान प्रणालियों के निर्माण के बावजूद, धोखेबाज उन्हें बायपास करने के नए तरीके खोजते रहते हैं। मॉडल को निरंतर पुनः प्रशिक्षण की आवश्यकता होती है। यहीं पर SLM चमकता है और LLM पीछे हट जाता है।

SLM की तुलना में LLM को पुनः प्रशिक्षित करने में अधिक समय और संसाधन लगते हैं। SLM को नवीनतम धोखाधड़ी डेटा के साथ निरंतर अपडेट किया जा सकता है ताकि सिस्टम को अधिक मजबूत बनाया जा सके।

अनुपालन डेटा के लिए भी ऐसा ही है। LLMs में पुराने अनुपालन जानकारी भी हो सकती है, जिससे चूक हो सकती है। छोटे डेटासेट पर प्रशिक्षित SLM की समीक्षा करना और परिष्कृत करना आसान है ताकि यह सुनिश्चित किया जा सके कि ज्ञान आधार में केवल नवीनतम नियम उपलब्ध हों।

मानव संसाधन 

LLMs सामान्य नौकरी विवरण, कर्मचारी संचार, या प्रशिक्षण सामग्री का मसौदा तैयार करने के लिए बहुत अच्छे हैं। उच्च अनुपालन जोखिमों वाले कार्य (उदाहरण: नीति दस्तावेज, रोजगार समझौते और आव्रजन दस्तावेज बनाना) वह हैं जहां चीजें जटिल हो जाती हैं।

देश या यहां तक कि राज्य अपने श्रम कानूनों को अपडेट करते रहते हैं। उदाहरण के लिए, ऑस्ट्रेलियाई सरकार ने मातृत्व अवकाश बढ़ाकर 2025 में 24 सप्ताह कर दिया है, और 2026 से शुरू होकर इसे दो और सप्ताह बढ़ाया जाएगा। न्यूयॉर्क ने हाल ही में गिग वर्कर्स के लिए न्यूनतम घंटेवार वेतन बढ़ाया है। जापान ने काम-जीवन संतुलन और नए माता-पिता के लिए लचीली कार्य व्यवस्था को बढ़ावा देना शुरू किया है।

LLMs का उपयोग करने का मतलब है कि लगातार यह जांचना कि बैकएंड में ज्ञान आधार सटीक और अप टू डेट है। डेटाबेस में गलती से किसी भी पुरानी नीति फ़ाइल को छोड़ने से भ्रम पैदा हो सकता है।  

छोटे भाषा मॉडल का मतलब है ज्ञान आधार पर अधिक नियंत्रण और अनुपालन के लिए अधिक आश्वासन। उदाहरण के लिए, Deel AI एक छोटा भाषा मॉडल है जिसे इसके अनुपालन विशेषज्ञों द्वारा क्यूरेट किया गया है। ये विशेषज्ञ लगातार ज्ञान आधार को अपडेट करते हैं ताकि आपको सबसे अप-टू-डेट और सटीक उत्तर मिलें।

व्यापार संचालन

G2 से एक नए AI अपनाने के सर्वेक्षण से पता चलता है कि लगभग 75% व्यवसाय दैनिक व्यापार संचालन में कई AI सुविधाओं का उपयोग करते हैं। AI परिचालन दक्षता को बढ़ावा दे रहा है और उत्पादकता में सुधार कर रहा है। इसमें SLM और LLM दोनों की भूमिका है।

LLMs जोखिम प्रबंधन, मांग पूर्वानुमान, आपूर्तिकर्ता समीक्षा और अधिक जैसे रणनीतिक कार्यों में चमकते हैं। इसका विशाल ज्ञान आधार सुझाव देने से पहले सभी कोणों पर विचार करने में मदद करता है। दूसरी ओर, SLM दोहराव वाले मेहनती कार्यों के लिए सबसे अच्छा काम करता है। चालान प्रबंधन, शिपमेंट ट्रैकिंग, मार्ग अनुकूलन, पृष्ठभूमि जांच, या अनुमानित रखरखाव के बारे में सोचें। कार्य सीमित नियमों और कंपनी के पिछले डेटा पर चल सकते हैं।

कंपनियां नियमित, दोहराव वाले कार्यों में SLM का उपयोग करके लाभ उठा रही हैं। उदाहरण के लिए, Checkr, एक कर्मचारी पृष्ठभूमि स्क्रीनिंग प्लेटफॉर्म, ने पृष्ठभूमि जांच को स्वचालित करने के लिए LLM से SLM में बदलाव किया और बेहतर सटीकता, तेज़ प्रतिक्रिया समय और लागत में 5X कमी देखी।

SLM बनाम LLM: कौन जीतता है युद्ध?

SLM और LLM की तुलना में, उत्तर SLM और LLM के बीच चुनाव करना नहीं है। बेहतर दृष्टिकोण उन्हें एक हाइब्रिड मॉडल के रूप में एक साथ उपयोग करना है। SLM और LLM दोनों की अपनी ताकत और कमजोरियां हैं। SLM अच्छी तरह से परिभाषित दायरे और सीमित डेटासेट वाले कार्यों में अच्छा काम करता है। लेकिन तर्क की मांग वाले कार्यों के लिए, LLM एक बहुत बेहतर विकल्प है।

आइए उदाहरण के लिए आपूर्ति श्रृंखला प्रबंधन लें। आपूर्ति श्रृंखला प्रबंधन के लिए एक हाइब्रिड दृष्टिकोण बेहतर है जहां:

• LLM जोखिम विश्लेषण, मांग पूर्वानुमान और अधिक जैसे रणनीतिक कार्यों को संभालता है
• SLM उच्च मात्रा और दोहराव वाले परिचालन कार्यों को स्वचालित करता है, जैसे मार्ग प्रबंधन, चालान प्रसंस्करण, आदि।

SLM और LLM दोनों को एक साथ उपयोग करने से आपूर्ति श्रृंखला के सभी नट्स और बोल्ट्स को संभालने के लिए एक पूर्ण मॉडल बनता है। ​

कस्टम प्रशिक्षण के लिए तैयार शीर्ष SLM मॉडल

अपने SLM कार्यान्वयन के साथ शुरू करने के बारे में एक अच्छी बात यह है कि फाइन-ट्यूनिंग के लिए मॉडल उपलब्ध हैं। आप अपने उपयोग मामले के आधार पर इनमें से एक चुन सकते हैं:

1. मेटा लामा 3.1 (8B पैरामीटर्स): एक उच्च दक्षता वाला मॉडल जो बहुभाषी समर्थन की आवश्यकता वाले उपयोग मामलों के लिए उत्कृष्ट है
2. माइक्रोसॉफ्ट फाई-3 (3.8B पैरामीटर्स): एक छोटा मॉडल जो तब परफेक्ट है जब आपके पास मजबूत तर्क की आवश्यकता वाला एक सुपर-विशिष्ट कार्य हो।
3. गूगल जेम्मा 2 (2B पैरामीटर्स): एक हल्का मॉडल मल्टीमोडल क्षमताओं के साथ, जो आपको टेक्स्ट और इमेज दोनों को संभालने में मदद करता है।

SLMs का उपयोग कभी इतना आसान नहीं था

अधिक SLM मॉडल लॉन्च होने के साथ, आपको शुरू से कोई भी मॉडल बनाने की आवश्यकता नहीं है। बस अपने उपयोग मामले के अनुरूप एक मौजूदा मॉडल चुनें, इसके लिए जानकारी का एक ज्ञान आधार बनाएं, और आप जाने के लिए तैयार हैं।  

\n