查看“WikiEdge:ArXiv-2409.02711v1/summary”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2409.02711v1/summary|action=edit}} 编辑]</div>
这篇论文介绍了一个基于[[生成性人工智能]]（Generative AI）的最小可行产品（MVP），名为[[SuperTracy]]，旨在提升[[PostNL]]公司包裹追踪的沟通效率。研究的主要目标是开发一个内部基于[[大型语言模型]]（LLM）的系统，减少对外部平台的依赖，并验证在公司内部建立专门的生成性AI团队的可行性。SuperTracy是一个多代理LLM系统，能够构建包裹旅程故事，并以更高的效率和准确性识别物流中断。研究涉及部署一个复杂的AI驱动的通信系统，使用[[检索增强生成]]（RAG）技术提高响应精度，并优化针对特定领域任务的大型语言模型。MVP成功实施了一个多代理开源LLM系统，能够自主管理广泛的用户查询并改善内部知识处理。结果和评估表明了技术创新和可行性，特别是在包裹追踪的沟通方面，超出了最初的预期。这些进步突出了AI驱动解决方案在物流领域的潜力，为PostNL的运营框架内的进一步改进和更广泛实施提供了许多机会。
# '''引言'''：介绍了生成性AI为公司带来的机遇，特别是通过集成AI技术提高物流和邮政部门的客服效率。PostNL作为荷兰领先的邮政和物流公司之一，利用这些进步来增强包裹追踪的内外部沟通。本文探讨了为PostNL设计的基于生成性AI的多代理大型语言模型系统的发展和实施，旨在促进与包裹相关的查询。
# '''文献研究'''：探讨了生成性AI和[[ChatGPT]]、[[变换器架构]]和大型语言模型、开源与闭源LLMs、通过微调使LLMs适合特定任务、通过检索增强生成使LLMs适合特定任务、通过提示工程增强LLMs的输入、通过量化提高LLMs的性能、通过[[T5]]进行物流事件预测、LLMs和多代理系统等主题。
# '''解决方案'''：详细描述了数据和知识发现、数据准备、模型设计、预期模型输出、整体模型设计、语言检测和翻译、物流事件预测、微调[[LLAMA]]模型、模型性能优化、多代理设置、提示工程、RAG架构、ETL管道、系统架构总览、最终产品和用户界面等步骤。
# '''评估与讨论'''：虽然SuperTracy还未部署，无法正式测量其技术性能，但实现了轻量级部署、完整的本地集成、与RAG架构的集成等关键实施目标。通过人类评估生成的输出，选择了8名物流领域的专家对SuperTracy生成的包裹故事进行了基于事实正确性的评价。结果显示，大多数领域专家对SuperTracy的性能给予了积极评价，75%的生成包裹故事得到了3分或更高的评分。
# '''结论与未来工作'''：项目的目标是创建一个能够展示生成性AI为PostNL带来的价值的MVP。通过领域专家对SuperTracy的演示和评估，收到了很多积极的反应。SuperTracy的用例激发了供应链团队考虑使用这样一个系统来改进他们的工作流程，业务利益相关者也进一步探索了部署的可能性。未来的工作取决于范围，可以是改进MVP，也可以是通过部署扩大规模。改进MVP可能包括提高系统识别和传达最相关信息的能力，确保叙述的清晰度和准确性。更广泛的范围可能是部署SuperTracy并进一步明确其用例。在部署的情况下，重要的是注意数据隐私和安全性，防止与AI系统共享敏感信息，这是在企业中利用LLMs时常见的挑战。