​大模型时代的数据底座怎么建

2024-05-12 07:30 来源:网络 点击:

大模型时代的数据底座怎么建

    图片来源 @pixabay

大模型的生产需要数据底座的支撑,因为只有高质量、高密度的数据去训练模型,才有可能得到更精准的生成效果。就当前而言,训练一个 500T 参数的模型,使用的训练数据已经达到 16.6PB,如果一本书按 500KB 算,相当于 332 亿本的数据量。这是什么概念?好比说现存每个人类拥有 4 本书的量级。

但问题是,使用大量互联网上公开数据集,仅在数据清洗环节就提出极大挑战,被精炼的高质量数据正如石油一样,非常珍贵。钛媒体 APP 注意到,目前不少模型提供方,已经在特定领域使用合成数据用于模型训练,其原理是希望能够基于大模型自动生成高质量数据集。而这只是一方面。

目前数据量的暴涨,还要求使用各种技术手段实现数据的预训练和微调,数据智能应用场景下,对大数据平台的管理水平和安全能力要求提升,这对于基于云服务应用的企业而言,挑战的复杂性会更为明显。

在媒体沟通会上,亚马逊云科技探讨了数据在生成式 AI 时代的重要性及挑战,从三个层面分析企业想要构建数据底座,可参考的解决方案和路径。钛媒体摘录了一些关键要点,如下:

企业构建数据底座过程中,往往会通过三类方式进行基础模型的数据定制,以适应不同应用场景,分别是:检索增强生成(Retrieval-Augmented Generation,RAG)、微调和持续预训练。

RAG、微调和持续预训练需要的数据规模、数据来源和技术要求各不相同。例如,RAG 需要 GB 级企业数据,微调需要 GB 级人工标的高质量数据,持续预训练则需要 TB 级未标的原始数据。RAG 的数据来源是企业内部文档库、数据库、数据仓库、知识图谱;微调数据来源为私域知识;持续预训练数据来源为公开的数据集或企业各部门的数据。

企业构建数据底座面临三类挑战:一是在模型微调和预训练阶段,将海量原始数据转化为高质量的大数据集,对存储、清洗、治理的挑战;二是快速获取专有数据的挑战;三是基础模型频繁调用将会导致成本的增加和响应的延迟的挑战

企业构建数据底座也应从上述三类挑战入手:一是找到合适的存储来承载海量数据;清洗加工原始数据为高质量数据集;对整个组织内数据的发现编目治理;二是利用 RAG 将专有数据提供给基础模型;三是通过将之前问答生成的新数据存入缓存,从而在面对类似问题时,可以不调用模型,而直接通过缓存给出回答,这不但能够减少模型调用,还可以节约成本。

   图片来源 @亚马逊云科技

亚马逊云科技大中华区数据分析与生成式 AI 产品总监崔玮在交流中告诉钛媒体 APP,从前端模型的使用来看,Amazon Bedrock 提供了一个平台开放给客户,让客户自己选择适合自身业务场景的模型。同样在后端,无论是数据分析工具,还是数据库,都是希望通过提供一套最合适的产品和服务,让用户在任何一个应用,任何一个数据存储的环境,都可以通过向量化能力,对接到企业客户的不同业务场景中。

在数据存储方面,扩展性和响应速度是关键。Amazon S3 对象存储,支持广泛的数据协议,应对各种数据类型,还支持智能分层以降低训练成本。Amazon FSx for Lustre 文件存储服务,提供亚毫秒延迟和数百万 IOPS 的吞吐性能,能够进一步加快模型优化的速度。

在数据清洗方面,企业面临着繁重的数据清洗加工任务。Amazon EMR serverless采用无服务器架构,帮助企业运行任何规模的分析工作负载,自动扩展功能可在几秒钟内调整资源大小,以满足不断变化的数据量和处理要求。Amazon Glue是一个简单可扩展的无服务器数据集成服务,可快速完成微调或预训练模型的数据准备工作。

在数据治理方面,企业难以在多个账户和区域中查找数据,也缺乏有效的数据治理工具。Amazon DataZone让企业能够跨组织边界大规模地发现、共享和管理数据,不但能够为多源多模态数据进行有效编目和治理,还提供简单易用的统一数据管理平台和工具。

利用 RAG 技术将专有数据提供给基础模型。将向量搜索的支持功能加入到主流的数据服务中,通过将数据和向量存储在一起来提升数据查询性能。Amazon Neptune 图数据库推出分析数据库引擎,以结合图数据库与大模型的优势,从而能够快速从图形数据中获取洞察,并进行更快的向量搜索。

在提升模型调用效率方面。Amazon Memory DB 内存数据库通过缓存之前问答生成的新数据,实现对类似问题的快速响应和准确回答,同时有效降低基础模型的调用频率。此外,亚马逊云科技还将无服务器数据库服务和 Amazon OpenSearch Serverless用于向量搜索。

正如亚马逊云科技大中华区产品部总经理陈晓建所言," 企业需要的是懂业务、懂用户的生成式 AI 应用,而打造这样的应用需要从数据做起。"

例如,北京灵奥科技是一家大模型中间件领域创企。在此之前,北京灵奥科技就已经将整个平台搭建在亚马逊科技之上,使用了 Amazon EKS、Amazon DocumentDB、Amazon S3 等基础云服务和数据存储产品,以及基于 Amazon Bedrock 提供的 Claude 模型,用于构建 Vanus 平台的 AI Agent 助手。

   图片来源 @灵奥科技

在服务一家南美州服饰类电商企业的过程中,Vanus 为 Shopify 电商客户构建了客服类 Agent VanChat。数据显示,通过 VanChat 提供的用户意图识别、产品推荐等功能加速用户产品购买,提升网站的销售额。VanChat 为该客户带来快速的营收增长,仅上线首月 ROI 高达 611%。 

从最近的动作来看,擅长从客户需求视角倒推产品,亚马逊云科技已将上述提及的能力抽象为部分产品方案开放出来。(本文首发于钛媒体 APP, 作者|杨丽,编辑 | 盖虹达)