Dalam peranan saya menyelaras operasi dan perancangan, saya memastikan pembinaan dan latihan model AI untuk SME melalui AINNA NeuralOps berjalan selaras dengan jadual, sumber, dan keperluan operasi sebenar. Matlamat kami bukan untuk menghasilkan chatbot umum, tetapi membangunkan lapisan kecerdasan khusus yang faham aliran kerja SME dan boleh berintegrasi terus dengan sistem perniagaan.
Kami tidak melatih LLM dari sifar. Sebagai pengurus perancangan, saya melihat latihan ini seperti proses penyediaan spesifikasi: bermula dengan model asas sumber terbuka, kemudian diselaraskan menggunakan LoRA/QLoRA dalam notebook GPU, dengan set data yang diperoleh daripada kes penggunaan SME sebenar seperti laporan pengurusan, kewangan, HR, jualan, inventori, khidmat pelanggan, dan operasi laman web.
Kami turut menggunakan LLM termaju sebagai model guru untuk pemurnian pengetahuan. Model berkeupayaan lebih tinggi ini membantu pasukan saya menjana, memperbaiki, mengkritik, dan menilai contoh latihan, corak penaakulan, kes pinggir, serta respons khusus SME sebelum pengetahuan berguna dipindahkan ke model khusus yang lebih kecil.
Aliran kerja semasa kami ialah: LLM Guru Termaju → Set 数据 SME → Pemurnian → LoRA/QLoRA → Model Khusus SME → 代理 安全带 NeuralOps. Matlamatnya adalah menggunakan model berkuasa untuk mengajar, sambil menggunakan model yang lebih kecil untuk bebanan kerja operasi harian.
Model khusus ini kemudiannya digabungkan ke dalam NeuralOps, bersama 智能路由, ejen khusus, pangkalan data, API, dan 分离式系统. NeuralOps menentukan model, alat, sumber data, atau aliran kerja mana yang patut mengendalikan setiap tugas, berbanding menghantar segalanya ke satu LLM besar.
Bagi tugas mudah dan boleh jangka, kami menggunakan sistem deterministik seperti PHP, Python, SQL, atau peraturan perniagaan. Untuk kecerdasan rutin, NeuralOps boleh menggunakan model khusus SME. Hanya tugas penaakulan lebih kompleks dinaik taraf ke model lebih besar, supaya kos inferens yang tidak perlu dapat dikurangkan dan pergantungan kepada pembekal AI luar dapat dikawal.
数据 perniagaan terkini juga kekal di dalam sistem operasi seperti MySQL, HR, Kewangan, Inventori, CRM, dan platform laporan. Model ini tidak perlu menghafal keseluruhan syarikat. Ia belajar cara memahami operasi SME, manakala sistem sebenar menyediakan maklumat terkini dan boleh sahkan.
Seni bina yang kami bangunkan secara amnya ialah: 系统 Perniagaan → NeuralOps → 智能路由 → Model Khusus SME / Alatan / LLM Termaju → Pengesahan → Tindakan. Matlamat saya adalah menjadikan AI lebih praktikal untuk SME: lebih kecil, lebih khusus, cekap kos, boleh dikawal, dan bersepadu dengan aliran kerja perniagaan sebenar, berbanding hanya wujud sebagai pembantu perbualan.
#AINNA #NeuralOps #AI #AgenticAI #SME #LLM #KnowledgeDistillation #LoRA #QLoRA #OpenSourceAI #自动化 #BusinessIntelligence
