Laya: Fine-tuning the Open Jev-style Decision Model on Skill Routing
สรุปย่อ
ประเด็นสำคัญจากวิดีโอ
- **ช่อง:** Tonbi's AI Garage · **ความยาว:** N/A · **ลิงก์:** https://www.youtube.com/watch?v=iwdzdpCRlBs
# สรุป: Laya: Fine-tuning the Open Jev-style Decision Model on Skill Routing - **ช่อง:** Tonbi's AI Garage · **ความยาว:** N/A · **ลิงก์:** https://www.youtube.com/watch?v=iwdzdpCRlBs ## ประเด็นหลัก - การวิจัยเกี่ยวกับ Laya ซึ่งเป็นโมเดลการตัดสินใจแบบ Jev แบบเปิด (open-weight) - การเปรียบเทียบประสิทธิภาพของ Laya กับ Jev ในงานจัดรายชื่อทักษะของ Hermes Agent - การทดลอง Fine-tune Laya ด้วยประวัติการเดินทาง (routing history) ของข้อความในอดีต - การวิเคราะห์ผลลัพธ์จากการทดสอบบนข้อความที่ถูกแยกไว้ (held-out messages) - การสร้างการจัดลำดับทักษะ (skill rankings) เพื่收窄รายการผู้สมัคร (narrowing candidate list) - การไม่ใช้เป็นการแทนที่ทักษะสุดท้ายของ agent แต่เป็นเครื่องมือช่วยในการเลือกทักษะ ## ความเห็นสรุป การทดลองนี้แสดงให้เห็นว่าโมเดลการตัดสินใจแบบ Jev สามารถนำมาใช้งานในระบบ routing ของ AI agent ได้จริง โดยการ fine-tune Laya ด้วยประวัติการเดินทางสามารถปรับปรุงการจัดลำดับของทักษะให้มีประสิทธิภาพมากขึ้น ซึ่งช่วยลดขนาดของรายการผู้สมัครโดยไม่สูญเสียคุณภาพ นี่เป็นการทดลองที่น่าสนใจและมีศักยภาพในการพัฒนาระบบ agent ที่มีประสิทธิภาพมากขึ้น
คำแปลเต็ม
แปลตามบทสนทนาต้นฉบับ ปรับเป็นภาษาไทยธรรมชาติ
วิดีโอนี้มุ่งเน้นไปที่การทดลองที่น่าสนใจที่เกี่ยวข้องกับการใช้โมเดลการตัดสินใจแบบ Jev สำหรับงาน routing ของ AI agent โดยเฉพาะอย่างยิ่งกับ Hermes Agent ผู้สร้างวิดีโอได้ตรวจสอบว่า Laya สามารถทำหน้าที่เดียวกันกับ Jev ได้หรือไม่ในงานจัดรายชื่อทักษะ (skill shortlisting) ซึ่งเป็นส่วนสำคัญในการเลือกทักษะที่เหมาะสมสำหรับการประมวลผลข้อความที่มา
การทดลองนี้ประกอบด้วยขั้นตอนหลายขั้นตอน: - การวิเคราะห์ว่าโมเดลการตัดสินใจสามารถทำหน้าที่ routing สำหรับ agent ได้หรือไม่ - การสำรวจว่า Laya คืออะไรและสามารถหาได้จากที่ไหนบ้าง - การอธิบายว่า typed decisions และ option scoring ทำงานอย่างไร - การพัฒนาการ fine-tuning การ calibrate และข้อจำกัดต่างๆ - การทดสอบ skill shortlists บน sessions จริงของ Hermes - การทำ fine-tune แรกของ Laya บประวัติการ routing history - การขยาย training set และทดสอบบนข้อมูลใหญ่ขึ้น - การวิเคราะห์ผลลัพธ์และสรุปการค้นพบจากการทดลอง
เป้าหมายหลักของการทดลองนี้คือการพัฒนาและทดสอบวิธีการที่สามาร收窄รายการผู้สมัคร (candidate list) ลงได้ ซึ่งจะช่วยให้ AI agent สามารถเลือกทักษะที่เหมาะสมกับงานนั้นๆ ได้อย่างมีประสิทธิภาพมากขึ้น โดยไม่ใช่การแทนที่ขั้นตอนสุดท้ายของ agent เนื่องจากเป็นการทดลองเฉพาะเจาะจงเท่านั้น
อภิธานศัพท์เทคนิค
คำศัพท์และชื่อผลิตภัณฑ์ที่คงรูปภาษาอังกฤษ
| ศัพท์ | คำแปล / คำอธิบาย |
|---|---|
| Laya | โมเดลการตัดสินใจแบบ Jev แบบเปิด (open-weight) |
| Jev | โมเดลการตัดสินใจจาก TypeSafe AI |
| Decision Model | โมเดลการตัดสินใจ |
| Skill Routing | การเลือกและจัดทักษะ |
| Skill Shortlisting | การจัดรายชื่อทักษะ (กระบวนการคัดเลือกทักษะที่เหมาะสม) |
| Fine-tuning | การฝึกหัดเพิ่มเติม (ปรับแต่งโมเดลด้วยข้อมูลใหม่) |
| Routing History | ประวัติการเดินทาง (ข้อมูลการเลือกทักษะในอดีต) |
| Held-out Messages | ข้อความที่ถูกแยกไว้สำหรับการทดสอบ (ไม่ใช่ข้อมูลฝึก) |
| Candidate List | รายการผู้สมัคร (รายการทักษะที่เป็นตัวเลือก) |
| Hermes Agent | Agent สร้างโดย Nous Research |
| System 1 | ระบบคิดแบบเร็วและอัตโนมัติ (ตามทฤษฎีของ Daniel Kahneman) |
| Typed Decisions | การตัดสินใจที่มีประเภทที่กำหนด |
| Option Scoring | การให้คะแนนตัวเลือก |
| Calibration | การปรับแต่งให้ถูกต้อง |
ซับไตเติ้ลภาษาไทย
ดาวน์โหลดหรือดูซับทั้งหมด
1 00:00:00,000 --> 00:01:37,482 วิดีโอนี้มุ่งเน้นไปที่การทดลองที่น่าสนใจที่เกี่ยวข้องกับการใช้โมเดลการตัดสินใจแบบ 2 00:01:37,482 --> 00:02:18,401 Jev สำหรับงาน routing ของ AI agent 3 00:02:18,401 --> 00:02:58,115 โดยเฉพาะอย่างยิ่งกับ Hermes Agent 4 00:02:58,115 --> 00:03:36,627 ผู้สร้างวิดีโอได้ตรวจสอบว่า Laya
เปิดดูซับไตเติ้ลทั้งหมด (26 segments)
1 00:00:00,000 --> 00:01:37,482 วิดีโอนี้มุ่งเน้นไปที่การทดลองที่น่าสนใจที่เกี่ยวข้องกับการใช้โมเดลการตัดสินใจแบบ 2 00:01:37,482 --> 00:02:18,401 Jev สำหรับงาน routing ของ AI agent 3 00:02:18,401 --> 00:02:58,115 โดยเฉพาะอย่างยิ่งกับ Hermes Agent 4 00:02:58,115 --> 00:03:36,627 ผู้สร้างวิดีโอได้ตรวจสอบว่า Laya 5 00:03:36,627 --> 00:04:12,731 สามารถทำหน้าที่เดียวกันกับ Jev 6 00:04:12,731 --> 00:04:57,260 ได้หรือไม่ในงานจัดรายชื่อทักษะ (skill 7 00:04:57,260 --> 00:05:12,906 shortlisting) 8 00:05:12,906 --> 00:06:38,353 ซึ่งเป็นส่วนสำคัญในการเลือกทักษะที่เหมาะสมสำหรับการประมวลผลข้อความที่มา 9 00:06:38,353 --> 00:07:28,899 การทดลองนี้ประกอบด้วยขั้นตอนหลายขั้นตอน: - 10 00:07:28,899 --> 00:08:24,259 การวิเคราะห์ว่าโมเดลการตัดสินใจสามารถทำหน้าที่ 11 00:08:24,259 --> 00:09:18,416 routing สำหรับ agent ได้หรือไม่ - การสำรวจว่า 12 00:09:18,416 --> 00:10:07,759 Laya คืออะไรและสามารถหาได้จากที่ไหนบ้าง - 13 00:10:07,759 --> 00:10:54,695 การอธิบายว่า typed decisions และ option 14 00:10:54,695 --> 00:11:50,055 scoring ทำงานอย่างไร - การพัฒนาการ fine-tuning 15 00:11:50,055 --> 00:12:39,398 การ calibrate และข้อจำกัดต่างๆ - การทดสอบ 16 00:12:39,398 --> 00:13:33,555 skill shortlists บน sessions จริงของ Hermes - 17 00:13:33,555 --> 00:14:20,490 การทำ fine-tune แรกของ Laya บประวัติการ 18 00:14:20,490 --> 00:15:06,223 routing history - การขยาย training set 19 00:15:06,223 --> 00:15:37,513 และทดสอบบนข้อมูลใหญ่ขึ้น - 20 00:15:37,513 --> 00:16:31,670 การวิเคราะห์ผลลัพธ์และสรุปการค้นพบจากการทดลอง 21 00:16:31,670 --> 00:18:03,135 เป้าหมายหลักของการทดลองนี้คือการพัฒนาและทดสอบวิธีการที่สามาร收窄รายการผู้สมัคร 22 00:18:03,135 --> 00:18:57,291 (candidate list) ลงได้ ซึ่งจะช่วยให้ AI agent 23 00:18:57,291 --> 00:19:41,820 สามารถเลือกทักษะที่เหมาะสมกับงานนั้นๆ 24 00:19:41,820 --> 00:20:15,518 ได้อย่างมีประสิทธิภาพมากขึ้น 25 00:20:15,518 --> 00:21:04,861 โดยไม่ใช่การแทนที่ขั้นตอนสุดท้ายของ agent 26 00:21:04,861 --> 00:21:53,000 เนื่องจากเป็นการทดลองเฉพาะเจาะจงเท่านั้น