การวิจัย AI ประยุกต์ · รายงานทางเทคนิค ฉบับที่ 001

วิจัยเพื่อ นำไปใช้จริง
ไม่ใช่วิจัยเพื่อทิ้งไว้บน arXiv

01 ปัญหา

งานวิจัย AI ส่วนใหญ่ไม่เคยออกจากห้องแล็บ

บทความถูกตีพิมพ์ โค้ดถูกลืม ช่องว่างระหว่างบทความวิชาการกับระบบที่ใช้งานจริงวัดกันเป็นปี ไม่ใช่สัปดาห์

02 แนวทาง

วิจัยประยุกต์ที่มุ่งสู่การใช้งานจริง

เราฝึกโมเดลภาษา สร้างเอเจนต์ และปรับใช้ระบบ RAG ทุกคำถามวิจัยมาจากโครงการจริงของลูกค้า

03 ผลลัพธ์

โค้ดที่ใช้งานได้ ไม่ใช่จำนวนการอ้างอิง

ต้นแบบงานวิจัย เครื่องมือโอเพนซอร์ส และบทวิเคราะห์เชิงลึก ทั้งหมดภายใต้ Apache 2.0 ทำซ้ำได้ ใช้งานได้จริง

04 ความร่วมมือ

ร่วมงานกับเรา

เราทำงานกับสตาร์ทอัพ องค์กร และนักวิจัย สาธิตทุกสัปดาห์ โค้ดสะอาด ทรัพย์สินทางปัญญาเป็นของคุณทั้งหมด

สำรวจขอบเขตการวิจัย เริ่มต้นพูดคุย

DMS AI Lab ศูนย์วิจัย AI ภายใต้ DMS Lab · ก่อตั้งปี 2020 · 6 ขอบเขตการวิจัยที่กำลังดำเนินอยู่

สาขาการวิจัย

หกคำถามที่เรากำลังหาคำตอบ

ทุกคำถามมาจากโครงการจริง แต่อย่าเข้าใจผิด: สิ่งที่นำทางเราไม่ใช่ความต้องการของลูกค้า แต่คือความอยากรู้อยากเห็น ต้นแบบที่ดีที่สุดเริ่มจากคำถาม "ถ้าลองแบบนี้ล่ะ" ในบ่ายวันศุกร์

การฝึกโมเดลภาษา

จะฝึกและปรับแต่งโมเดลภาษาขนาดใหญ่สำหรับการใช้งานจริงได้อย่างไร?

การเรียกใช้ API สำเร็จรูปนั้นรวดเร็ว แต่คุณควบคุมคุณภาพไม่ได้ เราฝึกและปรับแต่งโมเดลเปิดอย่าง Llama, Mistral และ Qwen ด้วย LoRA และ QLoRA บนโครงสร้างพื้นฐาน GPU ของเราเอง ตั้งแต่การเตรียมข้อมูล การเลือกกลยุทธ์การปรับแต่ง ไปจนถึงการบีบอัดและเพิ่มประสิทธิภาพการอนุมาน: ทุกขั้นตอนถูกวัดผลและบันทึกไว้ ผลลัพธ์คือโมเดลที่เร็วขึ้น ต้นทุนต่ำลง และควบคุมพฤติกรรมผลลัพธ์ได้อย่างสมบูรณ์

เอเจนต์ LLM

เอเจนต์ AI สามารถให้เหตุผล วางแผน และลงมือทำได้อย่างน่าเชื่อถือในการใช้งานจริงหรือไม่?

สถาปัตยกรรมเอเจนต์หลายขั้นตอนล้มเหลวแบบเงียบๆ บ่อยกว่าที่สำเร็จ เราสร้างเอเจนต์ที่มีเครื่องมือ หน่วยความจำ และความสามารถในการตัดสินใจ จากนั้นทดสอบภายใต้ความกดดันบนเวิร์กโฟลว์องค์กรจริงที่ความล้มเหลวหมายถึงการสูญเสียเงิน ไม่ใช่แค่คะแนน benchmark

ระบบ RAG

จะสร้างการสร้างเนื้อหาด้วยการค้นคืนที่ทำงานได้จริงในระดับใหญ่ได้อย่างไร?

ช่องว่างระหว่างเดโม RAG กับระบบ RAG สำหรับการใช้งานจริงนั้นเทียบเท่ากับงานวิศวกรรมประมาณหกเดือน เรากำลังลดช่องว่างนั้น: การปรับแต่งการค้นหาแบบเวกเตอร์ กลยุทธ์การค้นคืนแบบผสม การแบ่งส่วนข้อมูลระดับใหญ่ และไปป์ไลน์ embedding ที่ไม่พังที่เอกสารมากกว่า 10 ล้านชิ้น

ระบบอัตโนมัติของเวิร์กโฟลว์

ต้องใช้อะไรบ้างในการจัดการไปป์ไลน์ AI หลายโมเดล หลายขั้นตอน?

การเรียกใช้ API สามตัวนั้นง่าย การสร้างไปป์ไลน์ที่มีการแยกสาขาตามเงื่อนไข กลไกสำรองที่มีมนุษย์ดูแล และการลดประสิทธิภาพอย่างนุ่มนวลข้ามห้าโมเดล: นั่นแหละคืองานวิศวกรรม เราออกแบบเวิร์กโฟลว์ที่จัดการกรณีผิดปกติได้ ไม่ใช่แค่เส้นทางในอุดมคติ

การประเมินโมเดล

จะวัดประสิทธิภาพและทดสอบความแข็งแกร่งของระบบ AI อย่างตรงไปตรงมาได้อย่างไร?

คะแนนบนตารางอันดับไม่ได้วัดสิ่งที่สำคัญในการใช้งานจริง เราสร้างกรอบการประเมินที่กำหนดเองเพื่อทดสอบการถดถอย ความทนทานต่อการโจมตี และประสิทธิภาพในงานจริง ถ้าวัดไม่ได้ก็ส่งมอบไม่ได้ และเราให้ความสำคัญกับการวัดผลเป็นอย่างมาก

ความปลอดภัยและการป้องกัน AI

จะรักษาความปลอดภัยระบบ AI และใช้ AI เพื่อป้องกันระบบได้อย่างไร?

สองด้านของปัญหาเดียวกัน ด้านแรก: ปกป้องโมเดล AI จากการแทรกคำสั่งที่เป็นอันตราย การโจมตีเชิงปฏิปักษ์ และการรั่วไหลของข้อมูล ผ่านการกรองข้อมูลเข้า การตรวจสอบผลลัพธ์ และการแยกสิทธิ์ ด้านที่สอง: ใช้ AI เองในการตรวจจับความผิดปกติ ตอบสนองต่อภัยคุกคามโดยอัตโนมัติ และสร้างเกราะป้องกันสำหรับโครงสร้างพื้นฐาน เราวิจัยทั้งสองทิศทาง ตั้งแต่สถาปัตยกรรมไปจนถึงการนำไปใช้

ผลงาน

จากแล็บสู่การใช้งานจริง

ความน่าเชื่อถือของงานวิจัยไม่ได้อยู่ที่จำนวนการอ้างอิง แต่อยู่ที่โค้ดที่ทำงานได้ ซึ่งวิศวกรคนอื่นสามารถดาวน์โหลด ทดสอบ และต่อยอดได้ นี่คือสิ่งที่เราผลิต

ต้นแบบการวิจัย

การนำสถาปัตยกรรม AI ใหม่ไปใช้อย่างสมบูรณ์: ระบบเอเจนต์ ไปป์ไลน์ RAG กรอบการประเมิน ไม่ใช่สไลด์ โค้ดที่รันได้ คุณสามารถโคลน ทดสอบกับข้อมูลของคุณ และรวมเข้ากับระบบปัจจุบัน

เครื่องมือโอเพนซอร์ส

เกณฑ์มาตรฐาน กรอบการประเมิน และไลบรารียูทิลิตี้ ทั้งหมดภายใต้ใบอนุญาต Apache 2.0 มีเอกสารครบถ้วนและดูแลรักษาอย่างต่อเนื่อง เราเปิดซอร์สสิ่งที่เราเรียนรู้เพราะเครื่องมือที่ใช้ร่วมกันยิ่งใช้ยิ่งมีค่า เครื่องมือที่ดีกว่ายกระดับระบบนิเวศทั้งหมด

การเชื่อมต่อกับ DMSLab.ai

งานวิจัยที่ผ่านการตรวจสอบในแล็บไหลเข้าสู่ API การใช้งานจริง แพลตฟอร์มเอเจนต์ และระบบอัตโนมัติของ DMSLab.ai โดยตรง สิ่งที่พิสูจน์ได้วันจันทร์ถึงมือลูกค้าวันศุกร์ วงจรป้อนกลับนั้นคือความได้เปรียบในการแข่งขันของเรา

บทวิเคราะห์เชิงเทคนิคเชิงลึก

บันทึกการทดลอง การตัดสินใจด้านสถาปัตยกรรม และเอกสารวิธีการ พร้อมโค้ดที่ทำซ้ำได้และข้อมูลดิบ เราบันทึกสิ่งที่ได้ผล สิ่งที่ล้มเหลว และสิ่งที่ทำให้ประหลาดใจ ไม่เลือกเฉพาะผลลัพธ์ที่ดี ไม่มีอคติของผู้รอดชีวิต