中级农民
- 积分
- 105
- 大米
- 颗
- 鳄梨
- 个
- 水井
- 尺
- 蓝莓
- 颗
- 萝卜
- 根
- 小米
- 粒
- 学分
- 个
- 注册时间
- 2013-1-24
- 最后登录
- 1970-1-1
|
你说的没错,text2sql确实在垂直领域已经有不少落地的,全知全能的模型对于任何AI方向目前都不存在。说到NER,我不知道你指的是哪个问题,我个人觉得问题可能是歧义性,但是NER其实只是传统NLP的一个intermediate research area,服务于downstream tasks。随着LLM的发展,如果我们最终的目的不是NER,其实可以不需要这一步(不排斥有些场景最后需要呈现NER结果)。但对于text2sql,NER并不是必须的。再举一个例子,十几年前的machine translation,还是statistical MT,需要多个子领域,比如word alignment子领域,但是随着encoder decoder结构的出现,这个子领域几乎不存在了,因为直接end2end训练效果就很好了。
..
补充内容 (2023-02-02 14:00 +08:00):
再补充一点,关于歧义性,LLM对于歧义性的消解其实已经很不错了,我这是说给出一定的context的情况下,利用language model的知识,即使每个人对同一个物体的表述不同,还是有不错的理解能力的。而且现在也有多轮的技术,比如我举一个不恰当的例子,要问“加州一年卖多少苹果”,理论上model对于苹果的uncertainty或者calibration error应该很大,直观可以理解model判断apple还是iphone的概率差距不大,model就可以问用户是哪一个,然后再做inference。 |
|