«Используйте LLM только в том случае, если вы знаете, как выполнять задачу самостоятельно»
«Лучше использовать LLM только, если вы уверены в своей способности выполнять задачу самостоятельно»
В противном случае вы можете столкнуться с незаметными ошибками или суровыми последствиями
Для большинства из нас (или всех нас) LLM-ы являются загадочными коробками, которые удивительно быстро справляются с сложными задачами. Мы обычно не интересуемся “как” они работают, пока они дают нам то, что нам нужно.
ChatGPT и другие LLM-ы, безусловно, повышают производительность. Они легко справляются с различными задачами, которые в противном случае были бы утомительными и времязатратными.
Однако полностью полагаться на них нельзя. Например, когда речь идет о анализе данных, как мы можем быть уверены, что выводы ChatGPT о данных являются точными? Да, он знает Pandas, популярную библиотеку для анализа данных, но что, если он сделает ошибку? Или что произойдет, если он частично выполнит задачу и не справится с остальным?
Лучшим решением, дополняющим ChatGPT, являетесь вы. Вам нужно знать, как выполнять задачу самостоятельно, чтобы:
- Преобразование текстов в числовую форму с помощью TfidfVectorizer пошаговое руководство
- Этические границы генеративного искусственного интеллекта введение и важность
- «Как избежать пяти распространенных ошибок в Google BigQuery / SQL»
- Вы можете убедиться, что решение ChatGPT является правильным.
- Вы можете заменить ChatGPT, когда он не справляется или не знает, как выполнить задачу.
В этой статье я покажу вам три примера, которые подтверждают мои упомянутые два утверждения.
Пример 1: Очистка данных с использованием Pandas
У меня был набор данных о подержанных автомобилях, содержащий цены и некоторые другие атрибуты подержанных автомобилей. Это был достаточно запутанный набор данных, требующий большого количества очистки. Для этой задачи я использовал плагин ChatGPT Advanced Data Analysis (ADA).
В основном он справился с задачей. Однако была одна очень конкретная операция, которую ChatGPT ADA не смог выполнить. Поэтому, если бы я не знал, как это сделать, задача не могла бы быть закончена.
Давайте сначала объясню, какую часть ChatGPT ADA не удалось выполнить.
Вероятно, из-за ошибок ввода данных, некоторые строки столбца с маркой (т.е. маркой или производителем автомобиля) содержат значения годов. Исследуя эти строки, я понял, что значения марки были записаны в столбце модели. Чтобы исправить ситуацию, необходимо извлечь часть с маркой из столбца модели и использовать ее для замены значения года в столбце марки.
Вот как это исправить:
