首先，我们从三个角度来看待一个业务问题：
1.输入是什么：文本、图像、语音信号..
2.输出是什么：标签、数值、大段文字（包括代码、指令等）..
3.怎么量化衡量输出的对错/好坏？
业务问题分类
绝大多数业务问题，都可以归入如下至少一类。
1、分类问题
笼统的说，输出是标签。输出的标签是个有限集。输出的标签是预先定义好的有限集。
例如：分析一段评论是正向还是负向，是典型的分类问题。输出是两个标签之一：”正向”或”负向”。
更复杂的分类，多分类问题。比如，输入一篇新闻，输出是“政治”、”经济”、“体育”、“娱乐”、“科技”之一（或多个标签）。
2、聚类问题
没法提前规定有多少种标签，只能把同一类事物聚合在一起，到底能聚出多少类，是数据本身决定的。
例如：自动收集客户经常问到的问题。（我们无法预知客户有多少问题，只能把同一个意思的问题聚合在一起）
3、回归问题
输出是一个数值，更重要的是，评价输出好坏的标准是误差大小，而不是二元的对错。
举例：跟据专车司机每天工作的时段、时长、跑的公里数，预估他一天的净利润
4、决策问题
输出是连续的一系列动作，每一步动作都有代价或收益，每一步的动作本身没有对错，而是要最大化最终的收益
举例：打游戏、下棋、无人驾驶、对话、量化投资
5、概率密度估计
超纲了，本门课不讲。
解决
信息抽取，实体识别，内容生成本质上都是分类问题，在 ChatGPT 时代，上述很多问题都可以从文本生成的角度解决
在GPT时代怎么解决业务问题：
1.把ChatGPT看做是一个函数，给输入，生成输出
2.任何业务问题，都可以用语言描述，成为ChatGPT的输入
3.就能生成业务问题的结果
GPT对于不同的业务问题表现怎样
1、分类问题：完全可以
2、聚类问题：完全可以
3、回归问题：GPT计算数学的能力偏弱，如果你的业务需要预测一个数值，建议让ChatGPT写代码
4、决策问题：不擅长博弈，但是擅长任务的规划，拆解任务，并且实现运行。
如果遇到ChatGPT解决不了的问题
自己训练模型（也就是本节大课的授课内容《AI全栈工程师》）
暂无评论内容