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

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2409.02711v1/methods|action=edit}} 编辑]</div>
这篇论文的工作方法主要围绕开发和评估一个基于[[生成式人工智能]]（Generative AI）的最小可行产品（MVP），名为[[SuperTracy]]，用于[[PostNL]]的包裹追踪和通信改进。以下是这部分的主要内容：
# '''问题陈述（Problem Statement）'''：
#* 描述了[[PostNL]]在包裹追踪过程中面临的挑战，包括如何理解和沟通复杂的[[物流事件]]序列。
# '''研究目标（Research Goal）'''：
#* 旨在探索[[生成式人工智能]]在[[PostNL]]物流生态系统中提高包裹追踪沟通效率和准确性的潜力。
# '''文献研究（Literature Study）'''：
#* 深入研究了[[生成式AI]]、[[变换器架构]]（Transformer Architectures）、[[大型语言模型]]（Large Language Models, LLMs）等技术，以及它们如何适用于特定任务。
# '''解决方案设计（Solution Design）'''：
#* 设计了一个多代理、基于[[LLM]]的系统，利用开源[[LLM]]模型，如[[GEMMA 2]]和[[LLAMA 3]]，确保公司数据的安全。
# '''数据和知识发现（Data and Knowledge Discovery）'''：
#* 通过与[[物流事件]]专家和[[数据仓库]]工程师的访谈，识别现有的数据集，并理解数据背后的操作过程。
# '''数据准备（Data Preparation）'''：
#* 包括数据清洗、统计分析、数据转换和数据分割，以支持后续的分析和模型开发。
# '''模型设计（Model Design）'''：
#* 设计了预期的模型输出，并构建了一个基于[[RAG架构]]的系统，以提高响应的准确性和实时数据的使用。
# '''性能优化（Performance Optimization）'''：
#* 应用了量化技术和[[Low-Rank Adaptation]]（LoRA）技术，以减少模型的内存占用和计算需求。
# '''系统架构设计（Architectural Design）'''：
#* 设计了一个多代理系统，包括接待代理、包裹代理和知识专家代理，以处理不同的用户查询。
# '''最终产品和用户界面（Final Product and User-Interface）'''：
#* 集成了所有组件和子模块，开发了一个用户友好的[[Web界面]]，允许用户与系统互动。
# '''评估和讨论（Evaluation and Discussion）'''：
#* 对模型进行了技术评估和人类评估，以确定其在生成包裹故事方面的准确性和相关性。