WikiEdge:ArXiv-2409.02711v1/methods

出自WikiEdge
跳至導覽 跳至搜尋
編輯

這篇論文的工作方法主要圍繞開發和評估一個基於生成式人工智慧（Generative AI）的最小可行產品（MVP），名為SuperTracy，用於PostNL的包裹追蹤和通信改進。以下是這部分的主要內容：

  1. 問題陳述（Problem Statement）：
    • 描述了PostNL在包裹追蹤過程中面臨的挑戰，包括如何理解和溝通複雜的物流事件序列。
  2. 研究目標（Research Goal）：
  3. 文獻研究（Literature Study）：
  4. 解決方案設計（Solution Design）：
    • 設計了一個多代理、基於LLM的系統，利用開源LLM模型，如GEMMA 2和LLAMA 3，確保公司數據的安全。
  5. 數據和知識發現（Data and Knowledge Discovery）：
    • 通過與物流事件專家和數據倉庫工程師的訪談，識別現有的數據集，並理解數據背後的操作過程。
  6. 數據準備（Data Preparation）：
    • 包括數據清洗、統計分析、數據轉換和數據分割，以支持後續的分析和模型開發。
  7. 模型設計（Model Design）：
    • 設計了預期的模型輸出，並構建了一個基於RAG架構的系統，以提高響應的準確性和實時數據的使用。
  8. 性能優化（Performance Optimization）：
    • 應用了量化技術和Low-Rank Adaptation（LoRA）技術，以減少模型的內存占用和計算需求。
  9. 系統架構設計（Architectural Design）：
    • 設計了一個多代理系統，包括接待代理、包裹代理和知識專家代理，以處理不同的用戶查詢。
  10. 最終產品和用戶界面（Final Product and User-Interface）：
    • 集成了所有組件和子模塊，開發了一個用戶友好的Web界面，允許用戶與系統互動。
  11. 評估和討論（Evaluation and Discussion）：
    • 對模型進行了技術評估和人類評估，以確定其在生成包裹故事方面的準確性和相關性。
取自「http://zh.wikiedge.org/index.php?title=WikiEdge:ArXiv-2409.02711v1/methods&oldid=1113」