Year: 2024
Type: dissertation
Abstract: Tekoälyn (AI) kehitys on viime vuosina ollut erittäin nopeaa. Teoreettisen tutkimuksen edistysaskeleet, sekä merkittävä kasvu laskentatehossa ovat mahdollistaneet yhä kehittyneempien ja monimutkaisempien tekoälymallien tekemisen. Suuret kielimallit (LLM) edustavat tämän kehityksen kärkeä, ja chat-mallit, kuten ChatGPT, ovat saavuttaneet valtavan suosion suuren yleisön keskuudessa. Nämä generatiiviset kielimallit ovat koulutettu laajoilla tietoaineistoilla, mikä mahdollistaa niille tekstin tuottamisen ja kysymyksiin vastaamisen lähes kaikista aiheista. Mallien tieto on kuitenkin rajoittunut niille koulutetun datan perusteella, eivätkä ne voi käsitellä uutta tietoa ilman uudelleenkoulutusta tai hienosäätöä, mikä saattaa vaatia huomattavia laskentaresursseja. \nTämän rajoituksen ratkaisemiseksi on kehitetty tekniikoita, kuten hakupohjainen generointi (Retrieval-Augmented Generation, RAG), joka mahdollistaa LLM-malleille kyvyn dynaamiseen tietojen hakuun ja käsittelyyn. Lisäksi sovelluskehykset, kuten LangChain, mahdollistavat kehittyneiden LLM-sovellusten rakentamisen RAG-ominaisuuksilla tarjoamalla laajoja kirjastoja ja menetelmiä niiden integroimiseksi ohjelmointikieliin, kuten Python ja JavaScript. \nEnsisijaisena tavoitteena oli tarjota kattava yleiskatsaus näihin teknologioihin, varhaisimmista kielimalleista moderneihin LLM-malleihin, RAG-tekniikkaan ja LangChain-sovelluskehykseen. Metodologinen lähestymistapa kattoi sekä laadullisen tutkimuksen että määrällisen analyysin. Toissijaisena tavoitteena oli tutkia näitä teknologioita kyberturvallisuuden kontekstissa. Tämän vuoksi tutkimuksessa painotettiin malleja ja moduuleja, jotka voidaan ottaa käyttöön paikallisesti ilman tarvetta lähettää arkaluonteisia tietoja kolmansille osapuolille API-rajapintojen kautta. Se myös rajasi tutkimuksen halittavampaan kokonaisuuteen. \nKeskeiset havainnot osoittivat, että näitä malleja on mahdollista ajaa paikallisesti kuluttajatason laitteilla, mikä avaa laajoja mahdollisuuksia kehittyneiden LLM-sovellusten rakentamiseen.
Source: Theseus (Ammattikorkeakoulujen)
Author: Lehto, Timo
Institution: JAMK University of Applied Sciences
Language: Finnish
Topic: Topic Modeling
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7018446339