論文の概要: No Size Fits All: The Perils and Pitfalls of Leveraging LLMs Vary with Company Size

• arxiv url: http://arxiv.org/abs/2408.01444v1
• Date: Sun, 21 Jul 2024 16:11:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-19 04:59:02.244121
• Title: No Size Fits All: The Perils and Pitfalls of Leveraging LLMs Vary with Company Size
• Title（参考訳）: サイズが大きすぎる。LLMを企業規模で活用する際の難しさと落とし穴
• Authors: Ashok Urlana, Charaka Vinayak Kumar, Bala Mallikarjunarao Garlapati, Ajeet Kumar Singh, Rahul Mishra,
• Abstract要約: 大規模言語モデル(LLM)は、さまざまな組織における戦略的ユースケースの展開において、重要な役割を担っている。 LLMの活用が成功する際の課題や課題は、組織の大きさによって大きく異なる可能性がある。
• 参考スコア（独自算出の注目度）: 7.660415388174536
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Large language models (LLMs) are playing a pivotal role in deploying strategic use cases across a range of organizations, from large pan-continental companies to emerging startups. The issues and challenges involved in the successful utilization of LLMs can vary significantly depending on the size of the organization. It is important to study and discuss these pertinent issues of LLM adaptation with a focus on the scale of the industrial concerns and brainstorm possible solutions and prospective directions. Such a study has not been prominently featured in the current research literature. In this study, we adopt a threefold strategy: first, we conduct a case study with industry practitioners to formulate the key research questions; second, we examine existing industrial publications to address these questions; and finally, we provide a practical guide for industries to utilize LLMs more efficiently.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、大規模な汎大陸企業から新興スタートアップに至るまで、さまざまな組織にわたる戦略的ユースケースの展開において重要な役割を担っている。 LLMの活用が成功する際の課題や課題は、組織の大きさによって大きく異なる可能性がある。 産業的関心事の規模とブレインストーム可能な解決策と今後の方向性に焦点をあてて,これらのLLM適応の関連する課題を研究,議論することが重要である。 このような研究は、現在の研究文献では顕著に取り上げられていない。 本研究では、まず、業界関係者とケーススタディを行い、重要な研究課題を定式化し、次に、これらの課題に対処するための既存の産業出版物について検討し、最後に、LCMをより効率的に活用するための実践的なガイドを提供する。

関連論文リスト

• EVOLvE: Evaluating and Optimizing LLMs For Exploration [76.66831821738927]
  大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。 多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。 最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T17:54:03Z)
• Demystifying Issues, Causes and Solutions in LLM Open-Source Projects [15.881912703104376]
  LLMオープンソースソフトウェアの開発と利用において,実践者が直面する問題を理解するための実証的研究を行った。 LLMの15のオープンソースプロジェクトから、クローズドな問題をすべて収集し、要件を満たす問題をラベル付けしました。 本研究の結果から,モデル課題は実践者が直面する最も一般的な問題であることが示唆された。
  論文  参考訳（メタデータ） (2024-09-25T02:16:45Z)
• A Reality check of the benefits of LLM in business [1.9181612035055007]
  大規模言語モデル(LLM)は、言語理解および生成タスクにおいて顕著なパフォーマンスを達成した。 ビジネスプロセスにおけるLCMの有用性と準備性について概説する。
  論文  参考訳（メタデータ） (2024-06-09T02:36:00Z)
• Can LLMs Solve longer Math Word Problems Better? [47.227621867242]
  大規模言語モデル(LLM)の能力評価にはMWP(Math Word Problems)が不可欠である この研究は、文脈長一般化可能性(CoLeG)の探索の先駆者である。 これらの問題を解決する上で, LLMの有効性とレジリエンスを評価するために, 2つの新しい指標が提案されている。
  論文  参考訳（メタデータ） (2024-05-23T17:13:50Z)
• LLMs with Industrial Lens: Deciphering the Challenges and Prospects -- A Survey [8.149749907267054]
  大規模言語モデル(LLM)は、多くの産業用途を駆動する秘密の要素となっている。 本稿では,産業環境におけるLCMの活用にともなう障害と機会を解明し,評価する。
  論文  参考訳（メタデータ） (2024-02-22T13:52:02Z)
• The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
  LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。 本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
  論文  参考訳（メタデータ） (2023-12-01T16:00:25Z)
• A Comprehensive Overview of Large Language Models [68.22178313875618]
  大規模言語モデル(LLM)は、最近自然言語処理タスクにおいて顕著な機能を示した。 本稿では, LLM関連概念の幅広い範囲について, 既存の文献について概説する。
  論文  参考訳（メタデータ） (2023-07-12T20:01:52Z)
• How Can Recommender Systems Benefit from Large Language Models: A Survey [82.06729592294322]
  大きな言語モデル(LLM)は、印象的な汎用知性と人間のような能力を示している。 我々は,実世界のレコメンデータシステムにおけるパイプライン全体の観点から,この研究の方向性を包括的に調査する。
  論文  参考訳（メタデータ） (2023-06-09T11:31:50Z)
• Domain Specialization as the Key to Make Large Language Models Disruptive: A Comprehensive Survey [100.24095818099522]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野を著しく進歩させた。 広範囲のアプリケーションに対して、非常に有用でタスクに依存しない基盤を提供する。 しかし、特定の領域における洗練された問題を解決するために直接LLMを適用することは、多くのハードルを満たす。
  論文  参考訳（メタデータ） (2023-05-30T03:00:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。