"🗯 Советы от «деда» и ChatGPT: почему большие языковые модели не всегда годятся для решения задачи 🤔 Несмотря на то, что термин LLM захватил фокус многих обывателей, классическое машинное обучение продолжает генеририровать на несколько порядков больший финансовый эффект для бизнеса. В виду смещения фокуса, часто приходится рассказывать бизнесу, где LLM нужно применять, а где необходимо использовать старые ""дедовские методы"". Решил автоматизировать эту часть своей работы и оформил ответ на этот вопрос в виде статьи на Forbes. Если кратко, то вам нужно ответить на следующий вопросы: 🚩 Планируете ли вы встраивать решение в бизнес-процесс или вам нужно получить ответ на частный вопрос? 1️⃣ Есть ли у вас (или компании, где вы работаете) экспертиза по разработке моделей машинного обучения? 2️⃣Решаете ли вы классические ML-задачи (регрессия, классификация, кластеризация) или вам нужно сгенерировать текст? 3️⃣ Какие данные необходимы для решения вашей задачи: структурированные (табличные данные) или несктруктурированные (тексты, картинки, аудио, видео, графы, логи, ...) 4️⃣ Сколько вы заработаете на применении LLM и во сколько вам обойдется ее использование? 5️⃣ Есть ли размеченная обучающая выборка и какого она объема? 6️⃣ Можно ли качественную разметку при помощи LLM? 7️⃣ Какая скорость ответа необходима для решения задачи? 💬 А как вы сейчас определяете границы практической применимости LLM? #статьи"