Die neuesten großen Sprachmodelle (Large Language Models, LLMs) sind zwar noch im Kindesalter, aber in vielerlei Hinsicht viel schlauer als der durchschnittliche Mensch – vielleicht sogar jemals sein wird. Sie wissen nicht nur mehr, sondern verfügen auch über eine viel größere Kapazität, um riesige Mengen von Anweisungen zu verstehen und zu verarbeiten.

Wir haben vor einiger Zeit das Potenzial von LLMs zur Interpretation oder Generierung von Text unter Berücksichtigung zahlreicher Parameter mit außerordentlicher Sorgfalt erprobt. Wir haben nachgewiesen, dass sie in der Lage sind, unstrukturierte Textblöcke zu bewerten und auf verschiedenen Skalen einzustufen – und zwar mit großem Erfolg. Darüber hinaus waren wir in der Lage, spezifische, maßgeschneiderte Inhalte zu generieren, indem wir eine komplexe Reihe von Anweisungen verwendet haben, die mit hoher Präzision auf dieselbe Reihe von Skalen abgestimmt werden können.

Wir erleben eine neue Ära leistungsbasierter, datengesteuerter Inhalte, in der wir LLMs in Zentren für die Produktion schriftlicher Inhalte umwandeln können, die über ein Kontrollsystem mit Knöpfen und Reglern zur numerischen Feinabstimmung optimaler Marketinginhalte in verschiedenen Formaten verfügen.

In diesem Artikel stellen wir die Ergebnisse unserer ersten Experimente vor und erläutern eine allgemeine Methodik zur Nutzung von LLMs, um quantitative Maße aus ansonsten unstrukturierten Texten zu extrahieren und so die Tür für statistische Analysen und die Optimierung der Inhaltserstellung zu öffnen.

Quelle: Analytics Vidhya 

Große Sprachmodelle eignen sich hervorragend zur Aufarbeitung von Ideen

Große Sprachmodelle werden mit Hilfe mathematischer Vektoren erstellt. Auf dieser Grundlage können sie Textblöcke geschickt in numerische Werte übersetzen, die die unterschiedlichen Qualitäten der einzelnen Blöcke erfassen. Wir können das Modell beispielsweise damit beauftragen, auf einer Skala von 1-10 zu bewerten, wie “technisch” dieser Beitrag ist, wobei die Grenzen durch ein Beispiel oder durch Benutzeranweisungen definiert werden. In ähnlicher Weise können LLMs diese Vorgehensweise umkehren, um Textblöcke zu generieren, die numerischen Bewertungen eines bestimmten Aspektes entsprechen, der von einem Benutzer angegeben wurde. Sie können das LLM zum Beispiel bitten, einen Blogbeitrag zu schreiben, bei dem der Grad der technischen Komplexität mit 9 von 10 Punkten bewertet wird.

Wir können zusätzliche Merkmale hinzufügen, um einen gedanklichen Raum zu schaffen. Diesen bezeichnen wir als konzeptionellen kartesischen Raum, auf den sich das LLM bei der Inhaltserstellung beziehen kann. Wir können einen Punkt in diesen Raum einzeichnen, um eine Idee auf der Grundlage ihrer Position im Verhältnis zu jeder der Achsen zu definieren, die unseren Raum definieren. Diese Achsen können eine breite Palette von Faktoren umfassen, von Tonalität bis hin zu Komplexität.

Quelle: https://serokell.io/blog/language-models-behind-chatgpt 

Unsere Versuche und Erkenntnisse

Wir haben eine Reihe von Experimenten durchgeführt, um die Wirksamkeit und Flexibilität der konzeptionellen kartesischen Abbildung mit LLMs zu validieren. Bei der Validierung unserer Methodik sind wir von der Basis ausgegangen und haben mit einfachen Experimenten begonnen und die Komplexität schrittweise erhöht.

• Experiment mit Gradienten

Dieses Experiment untersucht die Fähigkeit des LLM, Inhalte entlang linearer Gradienten zu skalieren und den Nutzern die Kontrolle über die Erstellung oder Bewertung von Texten zu geben. Wir untersuchten verschiedene Skalenbereiche (1-10, 1-100) und zeigten, dass sich das Modell an bestimmte Bewertungsrahmen hält. Die Ergebnisse bestätigen die Fähigkeit des Modells, den gewählten Gradienten methodisch zu folgen.

• Experiment mit alternativen Bewertungsmethoden

In diesem Experiment haben wir den Einfluss von alternativen Bewertungsmethoden auf die Textausgabe getestet. Der LLM wird angewiesen, verschiedene Bewertungsrahmen anzuwenden, was die Anpassungsfähigkeit des Modells zeigt. Es erstellt erfolgreich Antworten auf der Grundlage spezifischer Regeln, was das Anpassungspotenzial von LLMs für verschiedene Anwendungen verdeutlicht. Wir haben sogar ein anerkanntes psychologisches Rahmenwerk verwendet, um Empathiewerte für einen Block von Inhalten zu bewerten (oder zu diagnostizieren).

• Experiment im mehrdimensionalen Raum

In diesem Experiment wird die Leistung des Modells in mehrdimensionalen Räumen untersucht. Die Studie führt Konzepte wie Praktikabilität und Technizität als zusätzliche Achsen ein, um die Fähigkeit des LLM zu veranschaulichen, komplexe Ideen und mehrere Dimensionen effektiv zu handhaben. Die Ergebnisse zeigen die Beweglichkeit des Modells beim Navigieren in komplizierten mehrdimensionalen Räumen.

• Nicht spezifiziertes relatives Raumexperiment

Dieses Experiment erforscht die Fähigkeit des LLM, Ideen im Verhältnis zu anderen Ideen quantitativ zu analysieren, nicht Gradienten entlang einer einzelnen Achse. Eine wichtige praktische Anwendung für Vermarkter ist die Positionierung von Inhalten im Vergleich zu Konkurrenten; wir haben das LLM dazu gebracht, eine Wohnungspolitik für einen fiktiven Bürgermeisterkandidaten zu entwickeln, die quantitativ im Vergleich zu mehreren bestehenden Kandidaten positioniert ist.

Unsere Studie hat gezeigt, dass das Modell in der Lage ist, Aufgaben zur Generierung offener Inhalte mit quantitativer Präzision zu bewältigen, und hat damit sein Potenzial in Umgebungen aufgezeigt, in denen es keine strengen vordefinierten Rahmenbedingungen für Ideen gibt.

Hinzufügen von Standardleistungskriterien

Wenn wir die konzeptionelle kartesische Position von Inhalten mit traditionellen Metriken verbinden, können wir die Leistung veröffentlichter Inhalte anhand neu verfügbarer numerischer Werte analysieren. So können wir beispielsweise die Beiträge in den sozialen Medien (d. h. Likes, Shares, Klickraten) anhand der konzeptionellen Bewertungen untersuchen, die das Modell für Attribute wie Humor, Empathie und Fachlichkeit zuweist. Durch eine statistische Analyse können wir die optimale Mischung der einzelnen konzeptionellen Attribute für einen bestimmten Kontext ermitteln und diese Koordinaten verwenden, um neue Inhalte für eine verbesserte Leistung zu erstellen.

Die innovative Kombination aus konzeptionellem kartesischem Mapping und LLMs ermöglicht uns einen neuen, methodischen und präzisen Ansatz für die Erstellung allgemeiner Inhalte.

Unternehmen können ihre Botschaften genau auf ihre Zielgruppe zuschneiden und gleichzeitig ihre Inhalte gegenüber der Konkurrenz positionieren. Politische Kampagnen können nuancierte Darstellungen im Vergleich zu anderen Kandidaten oder Umfrageergebnissen erstellen. Bildungseinrichtungen können maßgeschneiderte Lernmaterialien erstellen, die das Engagement und das Verständnis der Schüler auf individueller Ebene verbessern.

Wollen Sie für diese Zukunft gerüstet sein? Sprechen Sie noch heute mit einem Strategen der DAC!

MELDEN SIE SICH BEI UNS