Skip to content
On this page

GPT 的行业应用探索

前不久读到一篇文章, 大意是我们要做自己的模型,这个模型不像ChatGPT只会聊天作诗, 我们要做实事。如果不是被报道断章取义的话,对竞品的理解还只停留在聊天作诗,作为大厂多少有点不严谨了。

GPT兴起以后,大量套壳应用的出现,让智能聊天应用开始普及。 随着年初AI热潮的降温,部分人对生成式人工智能的认知停留在了一个更智能的聊天对象上,因为懂的挺多,时不时可以充当一下搜索引擎、文案写手或者口语对练。

这篇文章想通过一个行业应用来说明GPT超越聊天的几个关键能力。

理解字面背后的含义, 让机器更懂你

前不久参加了一个人工智能技术的研讨会, 会上有家创业团队展示了一款智能办公产品,其中一项功能是通过职位名称生成JD,现场演示效果不错,不管是什么职位都能给你生成出一份JD,甚至是现实中没有的职位也行(毕竟这是LLM的长项)。

但这里可能没有把痛点抓准,因为写JD不算是一个很痛的痛点。根据现场的演示,生成的JD还是需要做一些调整,这和我们平时拿一个JD模版改一改的效率差距不大,而且自己的模板还不用担心出现一些不合适的内容,效率甚至更高。

人员招聘最痛也是最明显的效率瓶颈是岗位和人员的匹配,如果你经历过在Boss直聘上发布了一个职位后每天收到上百份简历的推送,你就能深刻理解这句话的含义。准确高效地筛选出与JD要求最匹配的人才一直是各大招聘平台努力的方向,然而受限于技术,这个痛点仍然没有被很好的解决。

这里面的难点在于,人是复杂的,而JD只是对一类人才的技能非常精简的描述,很多字面背后的含义只有人能理解,机器不行。比如说:“积极参与社区活动,”这一条,如果是人阅读到,脑子会很快尝试理解:这是一个加分项; 我应聘的是研发-职位,这里应该是指的开发者社区,比如开源社区;我可以通过我在GitHub上的贡献墙体现积极性; 这家公司996的概率比较小;公司的技术氛围应该很不错等等。

目前国内已经有提供HR SaaS 产品的公司在这个赛道发力了。 GPT可以通过多轮对话从应聘者和招聘者获得更多的信息,通过fine-tune,让模型更理解JD字面背后的意义,比如文化匹配度、雇员性格、价值观等难以通过寥寥几笔描述清楚的事。

减少交互难度,让产品覆盖更多人群

toB的产品如果不做深很难为企业带来价值,但产品做深了就复杂。 还是以HR产品为例,对一家企业来讲,HR产品的Power用户(高度依赖产品的用户,使用频繁,对产品理解深入)通常是HR经理、招聘者等。 但其实HR产品里面的有些数据其他部门也需要, 有些功能雇员也可以用到并提高效率。但由于产品上手有难度, 其他部门需要数据时不会从产品里找而是直接找HR部门的人要, 可以提高雇员效率的功能没人愿意用。

微软CTO Kevin Scott 在Microsoft Build大会上说到“自然语言是最简洁也是最符合人类直觉的交互方式”, 而GPT也已证明了自己对自然语言的理解已可以胜任作为新一代的人机交互语言。硅谷的创业新贵——各大模型,Agent公司也都把自然语言作为了主要的交互方式。 自然语言交互采用对话替代传统的表单,大幅降低了用户的认知负担,让更多的非Power用户也能使用复杂系统很多功能。

有了新的交互方式,说回前面的HR产品,其他部门的用户可以通过对话的方式获取自己需要的数据甚至是报表。更低的交互门槛就使产品可以向更多的人提供自己的能力。 以前做深就不能做广的问题在一定程度上得到了解决。

降低了模型训练难度和应用门槛,AI 终入千门万户

GPT全称是Generative Pre-trained Transformers, 生成式预训练Transformers. 与传统的监督训练不同,GPT利用的是大规模无标记数据,从可用数据规模上,已是数量级的差异。所有可以可数字化的数据理论上都可以作为训练数据,人类世界的缩影可以由一个模型承载。

大模型的训练对很多企业虽然还是遥不可及(一个A100算15万,1000个A100算基础配置),但巨头释放出来的“基础模型”让所有企业都可以使用大模型的能力。这里推荐阅读另一篇文章《AI 工程师的崛起》, 现在这么多的Agents 创业公司背后倚靠的都是巨头的大模型(或者说基础模型)。

你可以把大模型假设为一个智商超高知识量超多的大学生,为了适应某个行业,只需在现有基础上稍作训练(fine-tune), 它就能成为行业专家。举个例子,如果把中国宪法灌输给它,它就是一名优秀的中国法律顾问。这样的微调成本对很多企业都是可承受的。 有了GPT这样的基础模型,无论是技术还是成本都不再遥不可及,事实上现在不少行业模型都是普通公司和非机器学习工程师训练出来的。

就前面提到的雇主和雇员匹配问题,如果一家提供HR产品的公司想通过传统方式训练出模型来解决匹配度问题,技术和成本会是两座难以逾越的大山。 有了“基础模型”,无论是通过API还是开源,这家公司就有了大模型提供的能力, 站在巨人的肩膀上再做fine-tune 事情会变得容易许多(这里的容易是相对的,事情本身并不简单 )。