Aravind Putrevu
Devrel
PELAJARI, SAMBUNGKAN, BANGUN
Microsoft Reactor
Bergabung dengan Microsoft Reactor dan terlibat dengan pengembang secara langsung
Siap untuk mulai menggunakan AI dan teknologi terbaru? Microsoft Reactor menyediakan acara, pelatihan, dan sumber daya komunitas untuk membantu pengembang, pengusaha, dan startup dibangun berdasarkan teknologi AI dan banyak lagi. Gabung dengan kami!
PELAJARI, SAMBUNGKAN, BANGUN
Microsoft Reactor
Bergabung dengan Microsoft Reactor dan terlibat dengan pengembang secara langsung
Siap untuk mulai menggunakan AI dan teknologi terbaru? Microsoft Reactor menyediakan acara, pelatihan, dan sumber daya komunitas untuk membantu pengembang, pengusaha, dan startup dibangun berdasarkan teknologi AI dan banyak lagi. Gabung dengan kami!
Kembali
Improving Large Language Model by Systematically Improving its Data
26 Februari, 2024 | 12.00 PM - 1.00 PM (UTC) Waktu Universal Terkoordinasi
- Format:
Streaming Langsung
Topik: Ilmu Data &Pembelajaran Mesin
Bahasa: Inggris
Labeled data powers AI/ML in the enterprise, but real-world datasets have been found to contain between 7-50% annotation errors. Imperfectly labelled text data hampers ML models' training (and evaluation) across tasks like intent recognition, entity recognition, and sequence generation. Although pretrained LLMs are equipped with a lot of world knowledge, their performance is adversely affected by noisy training data (as noted by OpenAI).
In this talk, we illustrate data-centric techniques to mitigate the effect of label noise without changing any code related to model architecture, hyperparameters, or training. These data quality improvement techniques should thus remain applicable even for future advanced LLMs like GPT-10.
Pembicara