Q79｜排查：AI效果不佳，如何自查？

1. 当 AI 项目中模型效果达不到预期时，可以从数据集的优化和参数调节入手，确保数据集的源头可靠，通过数据增广的方式进行优化，并调整训练参数。 2. 对于大模型的优化，可以通过形成提示词模版，针对具体问题和场景，产出一套具有 header 和 footer 的模版，然后填入具体的要求和逻辑来优化大模型回答的效果。 3. AI 大模型的用户可以通过加入到 AI 大模型的优化中，通常来说 AI 大模型会有用户协议，是否允许收集我们日常的对话来优化模型的回答，这其实是模型的一种 re-train 和 feedback。 4. 在生产环境中，使用的模型往往是开源的优秀的模型，模型的效果取决于数据集的优劣，因此优化数据集和调整训练参数是排查和优化的方式之一。 5. 对于前端工程师或非科班出身的同学来说，调整模型结构的难度较大，日常生产环境中基本上涉及不到这些。 6. AI 模型是通过大量的数据不断地学习和优化，来达到设定的模型效果，理论层面是通过求导的方式，拟合一个符合准确率要求的大函数。 7. AI 大模型需要一个好的上下文，有利于大模型理解问题，并尽量消除似而非的答案，其中一个常用的优化方式是形成提示词模版，针对具体问题和场景，产出一套具有 header 和 footer 的模版，然后填入具体的要求和逻辑来优化大模型回答的效果。 8. AI 大模型的效果受到提示词的优劣影响，提示词的优劣决定了 AI 大模型的效果，因此形成提示词模版是优化大模型回答效果的一种方式。 9. AI 大模型的量级是普通人无法进行训练的，普通人可以通过加入到 AI 大模型的优化中，通常来说 AI 大模型会有用户协议，是否允许收集我们日常的对话来优化模型的回答，这其实是模型的一种 re-train 和 feedback。 10. AI 大模型是需要一个好的上下文，这样有利于大模型理解我们的问题，并尽量消除 AI 大模型是似而非的答案，其中一个常用的优化方式是形成提示词模版，针对具体问题和场景，产出一套具有 header 和 footer 的模版，然后填入具体的要求和逻辑来优化大模型回答的效果。