Sejak menubuhkan AINNA, misi saya dan pasukan kami tetap jelas: membina satu lapisan kepintaran khas untuk PKS 马来西亚 melalui AINNA NeuralOps. Bukan untuk mencipta chatbot serba-guna yang sekadar bertanya dan menjawab, tetapi satu kecerdasan yang benar-benar memahami operasi perniagaan anda-laporan pengurusan, kewangan, sumber manusia, jualan, inventori, khidmat pelanggan, dan operasi laman web-serta bekerja secara langsung dengan sistem yang sedia ada.
Kami tidak membina 大 语言 模型 dari sifar. Pasukan teknikal AINNA bermula dengan model open-source dan menyesuaikannya menggunakan LoRA/QLoRA dalam persekitaran GPU notebook, berdasarkan dataset yang dikumpul dari kes penggunaan PKS yang tulen. Setiap contoh latihan direka untuk mencerminkan realiti operasi perniagaan tempatan kita.
Kami turut menggunakan advanced LLMs sebagai teacher models dalam proses knowledge distillation. 模型-model berkeupayaan tinggi ini membantu pasukan kami menjana, memperkemas, mengkritik, dan menilai contoh latihan, corak penaakulan, kes-kes tepi, serta respons khusus untuk PKS-sebelum ilmu berharga itu dipindahkan ke dalam model yang lebih kecil, pantas, dan berfokus.
Aliran kerja kami kini adalah: Advanced LLM Teacher → 中小企业 Dataset → 蒸馏 → LoRA/QLoRA → Specialised 中小企业 模型 → NeuralOps 智能体 安全带. Ideanya mudah: gunakan model berkuasa untuk mengajar, tetapi biarkan model yang lebih ringan dan efisien menjalankan bebanan operasi harian perniagaan anda.
模型 khas ini kemudiannya digabungkan ke dalam NeuralOps, bersama-sama 智能路由, ejen-ejen pakar, pangkalan data, API, dan 分离式系统. NeuralOps akan menentukan model, alat, sumber data, atau aliran kerja mana yang paling sesuai untuk setiap tugas-tanpa menghantar segala-galanya ke satu LLM besar yang mahal dan sukar terkawal.
Untuk tugas mudah dan boleh jangka, kami menggunakan sistem deterministik seperti PHP, Python, SQL, atau peraturan perniagaan. Untuk kecerdasan operasi biasa, NeuralOps akan memilih specialised 中小企业 model. Hanya tugas-tugas penaakulan yang lebih kompleks sahaja yang dirujuk ke model yang lebih besar. Cara ini membantu mengurangkan kos inference yang tidak perlu dan mengurangkan pergantungan kepada pembekal AI luar.
数据 perniagaan secara langsung kekal dalam sistem operasi seperti MySQL, HR, Kewangan, Inventori, CRM, dan platform laporan. 模型 kami tidak perlu menghafal keseluruhan syarikat anda. Yang lebih penting, ia belajar cara memahami operasi PKS, manakala sistem-sistem anda yang menyediakan maklumat semasa dan boleh disahkan.
Arsitektur yang kami bina di AINNA boleh dirumuskan seperti ini: 商业 系统 → NeuralOps → 智能路由 → Specialised 中小企业 模型 / 工具 / Advanced LLM → 验证 → 操作. Matlamat saya mudah: menjadikan AI lebih praktikal untuk PKS 马来西亚-lebih kecil, lebih khusus, lebih cekap kos, lebih terkawal, dan bersepadu sepenuhnya dengan aliran kerja perniagaan sebenar. Bukan sekadar pembantu perbualan, tetapi rakan strategik dalam operasi harian anda.
#AINNA #NeuralOps #AI #AgenticAI #中小企业 #LLM #知识蒸馏 #LoRA #QLoRA #OpenSourceAI #自动化 #商业智能
Ruang pembaca
Apa pendapat anda?
Komen disemak sebelum diterbitkan. 电子邮件 diperlukan untuk moderasi dan tidak dipaparkan kepada pembaca.
先存起来，主要是为了这部分。
还在消化这段说明这一段。
这篇内容让我更容易理解为什么berdasarkan dataset yang dikumpul dari值得关注。
我特别喜欢tetapi satu kecerdasan yang benar-benar这一部分，内容没有把实施过程说得太简单。
关于model-model berkeupayaan tinggi ini membantu的说明很完整，基础部分尤其清楚。
这篇文章对setiap contoh latihan direka untuk的解释很清楚，实际操作的重点也很容易理解。
这篇文章把advanced LLM teacher讲得比一般的AI介绍更具体。
Kami turut menggunakan advanced LLMs这个说法我要拿回去跟同事讨论。