วิธีใช้ LLaMA สำหรับแชทบอทในกระบวนการทำงานของคุณ

ทีมส่วนใหญ่ที่กำลังสำรวจโมเดล AI แบบโอเพนซอร์สพบว่า LLaMA ของ Meta มอบการผสมผสานที่หายากระหว่างพลังและความยืดหยุ่น แต่การตั้งค่าทางเทคนิคอาจรู้สึกเหมือนการประกอบเฟอร์นิเจอร์โดยไม่มีคำแนะนำ

คู่มือนี้จะนำคุณผ่านขั้นตอนการสร้างแชทบอท LLaMA ที่ใช้งานได้จริงตั้งแต่เริ่มต้น ครอบคลุมทุกสิ่งตั้งแต่ข้อกำหนดด้านฮาร์ดแวร์และการเข้าถึงโมเดล ไปจนถึงการออกแบบคำสั่งและการปรับใช้กลยุทธ์

มาเริ่มกันเลย!

LLaMA คืออะไรและทำไมจึงใช้สำหรับแชทบอท?

การสร้างแชทบอทด้วย API ที่เป็นกรรมสิทธิ์มักให้ความรู้สึกเหมือนคุณถูกจำกัดอยู่ในระบบของผู้อื่น ต้องเผชิญกับค่าใช้จ่ายที่ไม่แน่นอนและคำถามเกี่ยวกับความเป็นส่วนตัวของข้อมูลการถูกผูกขาดกับผู้ให้บริการรายนี้หมายความว่าคุณไม่สามารถปรับแต่งโมเดลให้ตรงกับความต้องการเฉพาะของทีมได้อย่างแท้จริง ส่งผลให้คำตอบที่ได้เป็นแบบทั่วไปและอาจนำไปสู่ปัญหาด้านการปฏิบัติตามข้อกำหนด

LLaMA (Large Language Model Meta AI) คือกลุ่มของโมเดลภาษาแบบน้ำหนักเปิดของ Meta และเป็นทางเลือกที่ทรงพลัง มันถูกออกแบบมาเพื่อทั้งการวิจัยและการใช้งานเชิงพาณิชย์ มอบการควบคุมที่โมเดลแบบปิดไม่ให้

โมเดล LLaMA มีหลายขนาด ซึ่งวัดจากจำนวนพารามิเตอร์ (เช่น 7B, 13B, 70B) พารามิเตอร์เปรียบเสมือนมาตรวัดความซับซ้อนและศักยภาพของโมเดล—โมเดลที่มีขนาดใหญ่กว่าจะมีความสามารถมากกว่า แต่ต้องใช้ทรัพยากรการคำนวณมากขึ้น

นี่คือเหตุผลที่คุณอาจใช้แชทบอท LLaMA:

ข้อแลกเปลี่ยนหลักคือความสะดวกในการควบคุม LLaMA ต้องการการตั้งค่าทางเทคนิคมากกว่า API แบบเสียบแล้วใช้ได้เลย สำหรับแชทบอทที่ใช้ในเชิงการผลิต ทีมมักจะใช้ LLaMA 2 หรือ LLaMA 3 รุ่นใหม่กว่า ซึ่งมีการให้เหตุผลที่ดีขึ้นและสามารถจัดการข้อความได้มากขึ้นในคราวเดียว

สิ่งที่คุณต้องเตรียมก่อนสร้างแชทบอท LLaMA

การกระโดดเข้าไปในโครงการพัฒนาโดยไม่มีเครื่องมือที่เหมาะสมเป็นสูตรสำเร็จของความหงุดหงิด คุณจะทำงานไปได้ครึ่งทางแล้วจึงตระหนักว่าคุณขาดฮาร์ดแวร์หรือการเข้าถึงซอฟต์แวร์ที่สำคัญ ซึ่งจะทำให้ความคืบหน้าของคุณหยุดชะงักและเสียเวลาไปหลายชั่วโมง

เพื่อหลีกเลี่ยงปัญหานี้ กรุณาเตรียมทุกอย่างที่จำเป็นไว้ล่วงหน้า นี่คือรายการตรวจสอบเพื่อให้เริ่มต้นได้อย่างราบรื่น 🛠️

ข้อกำหนดด้านฮาร์ดแวร์

หากเครื่องคอมพิวเตอร์ของคุณไม่มีหน่วยประมวลผลกราฟิก (GPU) ที่ทรงพลังเพียงพอ คุณสามารถใช้บริการคลาวด์เช่น AWS หรือ GCP ได้ แพลตฟอร์มการอนุมานเช่น Baseten และ Replicate ก็มีการให้บริการ GPU แบบชำระเงินตามการใช้งานเช่นกัน

ข้อกำหนดทางซอฟต์แวร์

ข้อกำหนดการเข้าถึง

สำหรับคู่มือนี้ เราจะใช้วงจรการทำงานของ LangChain ซึ่งช่วยให้ง่ายขึ้นในส่วนที่ซับซ้อนหลายอย่างของการสร้างแชทบอท เช่น การจัดการคำสั่งและการบันทึกประวัติการสนทนา

วิธีสร้างแชทบอทด้วย LLaMA ทีละขั้นตอน

การเชื่อมต่อชิ้นส่วนทางเทคนิคทั้งหมดของแชทบอท—ไม่ว่าจะเป็นโมเดล คำสั่งเริ่มต้น หรือหน่วยความจำ—อาจดูเป็นเรื่องที่ซับซ้อนและน่ากังวล เป็นเรื่องง่ายที่จะหลงทางในโค้ด ซึ่งนำไปสู่ข้อผิดพลาดและแชทบอทที่ไม่ทำงานตามที่คาดหวัง คู่มือแบบทีละขั้นตอนนี้จะช่วยให้คุณสามารถแบ่งกระบวนการออกเป็นส่วนย่อย ๆ ที่เข้าใจง่ายและจัดการได้

วิธีการนี้ใช้ได้ผลไม่ว่าคุณจะรันโมเดลบนเครื่องของคุณเองหรือใช้บริการโฮสต์ก็ตาม

ขั้นตอนที่ 1: ติดตั้งแพ็กเกจที่จำเป็น

ก่อนอื่น คุณต้องติดตั้งไลบรารี Python หลักก่อน. เปิดเทอร์มินัลของคุณ และรันคำสั่งนี้:

pip install langchain transformers accelerate torch

หากคุณกำลังใช้บริการโฮสต์เช่น Baseten สำหรับการอนุมาน คุณจะต้องติดตั้งชุดพัฒนาซอฟต์แวร์ (SDK) เฉพาะของมันด้วย:

pip install baseten

นี่คือสิ่งที่แต่ละแพ็กเกจเหล่านี้ทำ:

หากคุณกำลังรันโมเดลบนเครื่องที่มี NVIDIA GPU ให้ตรวจสอบให้แน่ใจว่าคุณได้ติดตั้งและกำหนดค่า CUDA อย่างถูกต้องแล้ว การทำเช่นนี้จะช่วยให้โมเดลสามารถใช้ GPU เพื่อเพิ่มประสิทธิภาพการทำงานได้เร็วขึ้นมาก

ขั้นตอนที่ 2: เข้าถึงโมเดล LLaMA

ก่อนที่คุณจะสามารถดาวน์โหลดโมเดลได้ คุณจำเป็นต้องได้รับการเข้าถึงอย่างเป็นทางการจาก Meta ผ่านทาง Hugging Face

การอนุมัติมักจะรวดเร็ว ตรวจสอบให้แน่ใจว่าคุณเลือกแบบจำลองที่มีคำว่า 'แชท' ในชื่อ เนื่องจากแบบจำลองเหล่านี้ได้รับการฝึกอบรมมาโดยเฉพาะสำหรับงานการสนทนา

ขั้นตอนที่ 3: โหลดโมเดล LLaMA

ตอนนี้คุณสามารถโหลดโมเดลเข้าไปในโค้ดของคุณได้แล้ว คุณมีตัวเลือกหลักสองอย่างขึ้นอยู่กับฮาร์ดแวร์ของคุณ

หากคุณมี GPU ที่ทรงพลังเพียงพอ คุณสามารถโหลดโมเดลไว้ในเครื่องได้:

หากฮาร์ดแวร์ของคุณมีข้อจำกัด คุณสามารถใช้บริการอินเฟอร์เรนซ์แบบโฮสต์ได้:

คำสั่ง device_map="auto" บอกให้ไลบรารี transformers จัดสรรโมเดลไปยัง GPU ที่มีอยู่โดยอัตโนมัติ

หากคุณยังคงประสบปัญหาหน่วยความจำไม่เพียงพอ คุณสามารถใช้เทคนิคที่เรียกว่าการควอนไทเซชัน (quantization) เพื่อลดขนาดของโมเดลได้ แม้ว่าวิธีนี้อาจทำให้ประสิทธิภาพลดลงเล็กน้อยก็ตาม

ขั้นตอนที่ 4: สร้างแม่แบบข้อความแจ้งเตือน

โมเดลแชท LLaMA ได้รับการฝึกฝนให้คาดหวังรูปแบบเฉพาะสำหรับคำสั่ง คำสั่งแบบเทมเพลตช่วยให้มั่นใจว่าข้อมูลที่คุณป้อนมีโครงสร้างที่ถูกต้อง

มาแยกแยะรูปแบบนี้กัน:

โปรดทราบว่า LLaMA เวอร์ชันต่างๆ อาจใช้แม่แบบที่แตกต่างกันเล็กน้อย ควรตรวจสอบเอกสารประกอบของโมเดลบน Hugging Face เสมอเพื่อใช้รูปแบบที่ถูกต้อง

ขั้นตอนที่ 5: ตั้งค่าโซ่แชทบอท

ต่อไป คุณจะเชื่อมต่อโมเดลและเทมเพลตคำสั่งของคุณเข้าด้วยกันเป็นสายโซ่การสนทนาโดยใช้ LangChain สายโซ่นี้จะรวมถึงหน่วยความจำเพื่อใช้ติดตามการสนทนาด้วย

LangChain มีหน่วยความจำหลายประเภท:

สำหรับการทดสอบ ConversationBufferMemory เป็นจุดเริ่มต้นที่ดี

ขั้นตอนที่ 6: ดำเนินการวนลูปของแชทบอท

สุดท้ายนี้ คุณสามารถสร้างลูปง่าย ๆ เพื่อโต้ตอบกับแชทบอทของคุณจากเทอร์มินัลได้

ในการใช้งานจริง คุณจะแทนที่ลูปนี้ด้วยจุดสิ้นสุดของ API โดยใช้เฟรมเวิร์กเช่น FastAPI หรือ Flask คุณยังสามารถสตรีมการตอบสนองของโมเดลกลับไปยังผู้ใช้ได้ ซึ่งจะทำให้แชทบอทรู้สึกเร็วขึ้นมาก

คุณยังสามารถปรับพารามิเตอร์เช่นอุณหภูมิเพื่อควบคุมความสุ่มของคำตอบได้ อุณหภูมิต่ำ (เช่น 0.2) จะทำให้ผลลัพธ์มีความแน่นอนและเป็นข้อเท็จจริงมากขึ้น ในขณะที่อุณหภูมิสูง (เช่น 0.8) จะส่งเสริมความคิดสร้างสรรค์มากขึ้น

วิธีทดสอบแชทบอท LLaMA ของคุณ

คุณได้สร้างแชทบอทที่ให้คำตอบแล้ว แต่พร้อมสำหรับผู้ใช้จริงหรือยัง? การนำบอทที่ยังไม่ผ่านการทดสอบไปใช้ อาจนำไปสู่ความล้มเหลวที่น่าอาย เช่น การให้ข้อมูลที่ไม่ถูกต้องหรือการสร้างเนื้อหาที่ไม่เหมาะสม ซึ่งอาจส่งผลเสียต่อชื่อเสียงของบริษัทของคุณ

แผนการทดสอบอย่างเป็นระบบคือทางออกสำหรับความไม่แน่นอนนี้ มันช่วยให้มั่นใจว่าแชทบอทของคุณมีความแข็งแกร่ง เชื่อถือได้ และปลอดภัย

การทดสอบการทำงาน:

การประเมินคุณภาพ:

การทดสอบประสิทธิภาพ:

นอกจากนี้ ให้ระวังปัญหาทั่วไปของ LLM เช่น การเห็นภาพหลอน (การกล่าวข้อมูลเท็จอย่างมั่นใจ), การหลุดจากบริบท (การสูญเสียการติดตามหัวข้อในการสนทนาที่ยาว), และการซ้ำซ้อน การบันทึกการสนทนาทดสอบทั้งหมดเป็นวิธีที่ดีในการสังเกตเห็นรูปแบบและแก้ไขปัญหา ก่อนที่มันจะถึงผู้ใช้ของคุณ

กรณีการใช้งานแชทบอท LLaMA สำหรับทีม

เมื่อคุณผ่านพ้นขั้นตอนกลไกของการปรับแต่งและการใช้งาน LLaMA จะมีคุณค่ามากที่สุดเมื่อถูกนำไปใช้กับปัญหาทั่วไปของทีม ไม่ใช่การสาธิต AI ที่นามธรรม ทีมโดยทั่วไปไม่ต้องการ "แชทบอท" แต่พวกเขาต้องการการเข้าถึงความรู้ที่รวดเร็วขึ้น ลดการส่งต่องานด้วยตนเอง และลดงานที่ทำซ้ำๆ

ผู้ช่วยความรู้ภายใน

โดยการปรับแต่ง LLaMA บนเอกสารภายใน, วิกิ, และคำถามที่พบบ่อย—หรือจับคู่กับฐานความรู้ที่ใช้ RAG—ทีมสามารถถามคำถามในภาษาธรรมชาติและได้รับคำตอบที่แม่นยำและเข้าใจบริบทได้ นี่ช่วยลดความยุ่งยากในการค้นหาข้ามเครื่องมือที่กระจัดกระจายในขณะที่เก็บข้อมูลที่ละเอียดอ่อนไว้ภายในองค์กรอย่างสมบูรณ์ แทนที่จะส่งไปยัง API ของบุคคลที่สาม

🌟การค้นหาองค์กรใน ClickUp และตัวแทนAmbient Answersที่สร้างไว้ล่วงหน้า ให้คำตอบเชิงบริบทโดยละเอียดสำหรับคำถามของคุณโดยใช้ความรู้ภายในพื้นที่ทำงาน ClickUp ของคุณ

ผู้ช่วยตรวจสอบโค้ด

เมื่อได้รับการฝึกฝนบนฐานโค้ดและคู่มือสไตล์ของคุณเอง LLaMA สามารถทำหน้าที่เป็นผู้ช่วยตรวจสอบโค้ดตามบริบทได้ แทนที่จะเป็นแนวทางปฏิบัติที่ดีที่สุดทั่วไป นักพัฒนาจะได้รับคำแนะนำที่สอดคล้องกับข้อตกลงของทีม การตัดสินใจทางสถาปัตยกรรม และรูปแบบในอดีต

การคัดกรองการสนับสนุนลูกค้า

LLaMA สามารถฝึกฝนเพื่อจำแนกเจตนาในการเข้าใจคำถามของลูกค้าที่เข้ามาและส่งต่อไปยังทีมหรือกระบวนการที่เหมาะสมได้ คำถามทั่วไปสามารถจัดการได้โดยอัตโนมัติ ในขณะที่กรณีพิเศษจะถูกส่งต่อไปยังเจ้าหน้าที่มนุษย์พร้อมบริบทที่เกี่ยวข้อง ซึ่งช่วยลดเวลาในการตอบสนองโดยไม่ลดทอนคุณภาพ

คุณยังสามารถสร้าง Triage Super Agent โดยใช้ภาษาธรรมชาติภายในพื้นที่ทำงาน ClickUp ของคุณได้อีกด้วย เรียนรู้เพิ่มเติม

การสรุปการประชุมและการติดตามผล

โดยใช้บันทึกการประชุมเป็นข้อมูลนำเข้า LLaMA สามารถสกัดการตัดสินใจ, รายการที่ต้องดำเนินการ, และประเด็นการหารือที่สำคัญได้ คุณค่าที่แท้จริงจะปรากฏขึ้นเมื่อผลลัพธ์เหล่านี้ถูกส่งต่อไปยังเครื่องมือจัดการงานโดยตรง ทำให้การสนทนากลายเป็นงานที่สามารถติดตามได้

การจัดทำร่างเอกสารและการปรับปรุงแก้ไข

ทีมสามารถใช้ LLaMA เพื่อสร้างร่างแรกของรายงาน ข้อเสนอ หรือเอกสารต่างๆ โดยอิงจากเทมเพลตที่มีอยู่และตัวอย่างที่ผ่านมา ซึ่งจะช่วยลดความพยายามในการสร้างจากศูนย์และเปลี่ยนไปเน้นที่การตรวจสอบและปรับปรุงแทน ทำให้การส่งมอบงานเร็วขึ้นโดยไม่ลดมาตรฐาน

แชทบอทที่ขับเคลื่อนด้วย LLaMA จะมีประสิทธิภาพสูงสุดเมื่อถูกฝังอยู่ในกระบวนการทำงานที่มีอยู่แล้ว เช่น เอกสารประกอบ การจัดการโครงการ และการสื่อสารภายในทีม มากกว่าการใช้งานเป็นเครื่องมือเดี่ยว

นี่คือจุดที่การผสาน AI เข้ากับพื้นที่ทำงานของคุณโดยตรงสร้างความแตกต่างอย่างแท้จริง แทนที่จะสร้างเครื่องมือแยกต่างหาก คุณสามารถนำ AI ที่มีการสนทนาได้มาสู่ที่ที่ทีมของคุณทำงานอยู่แล้ว

ตัวอย่างเช่น คุณอาจสร้างบอท LLaMA แบบกำหนดเองเพื่อทำหน้าที่เป็นผู้ช่วยด้านความรู้ แต่หากบอทนี้อยู่นอกเครื่องมือจัดการโครงการของคุณ ทีมงานจะต้องสลับบริบทเพื่อถามคำถาม ซึ่งทำให้เกิดความยุ่งยากและทำให้ทุกคนทำงานช้าลง

กำจัดปัญหาการสลับบริบทนี้โดยใช้ AI ที่เป็นส่วนหนึ่งของกระบวนการทำงานของคุณอยู่แล้ว

ถามคำถามเกี่ยวกับโปรเจกต์ งาน และเอกสารของคุณได้โดยไม่ต้องออกจาก ClickUp ด้วยClickUp Brain เพียงพิมพ์ @brain ในความคิดเห็นของงานใด ๆ หรือในClickUp Chatเพื่อรับคำตอบที่เข้าใจบริบทได้ทันที ราวกับมีสมาชิกทีมที่มีความรู้สมบูรณ์แบบเกี่ยวกับพื้นที่ทำงานของคุณทั้งหมด 🤩

สิ่งนี้เปลี่ยนแชทบอทจากสิ่งใหม่ ๆ ให้กลายเป็นส่วนสำคัญของเครื่องยนต์เพิ่มประสิทธิภาพการทำงานของทีมคุณ

ข้อจำกัดของการใช้ LLaMA ในการสร้างแชทบอท

การสร้างแชทบอท LLaMA อาจเป็นสิ่งที่สร้างพลังให้กับทีม แต่บ่อยครั้งที่ทีมต้องเผชิญกับความซับซ้อนที่ซ่อนอยู่โดยไม่ทันตั้งตัว โมเดลโอเพนซอร์สที่ "ฟรี" อาจกลายเป็นทางเลือกที่มีค่าใช้จ่ายสูงกว่าและยากต่อการจัดการมากกว่าที่คาดไว้ ส่งผลให้ประสบการณ์ของผู้ใช้ไม่ดี และต้องเผชิญกับวงจรการบำรุงรักษาที่สิ้นเปลืองทรัพยากรอย่างต่อเนื่อง

สิ่งสำคัญคือต้องเข้าใจข้อจำกัดก่อนที่จะตัดสินใจ

โมเดลที่โฮสต์เองมักมีค่าความหน่วงสูงกว่า API เชิงพาณิชย์ที่ได้รับการปรับแต่งอย่างสูง สิ่งเหล่านี้ล้วนเป็นภาระในการดำเนินงานที่โซลูชันแบบจัดการจะดูแลให้คุณ

ทางเลือกแทน LLaMA สำหรับการสร้างแชทบอท

LLaMA เป็นเพียงหนึ่งในตัวเลือกมากมายของโมเดล AI และอาจทำให้รู้สึกสับสนเมื่อต้องตัดสินใจว่าโมเดลใดเหมาะสมกับคุณ

นี่คือวิธีการที่ภูมิทัศน์ของทางเลือกต่างๆ ถูกแบ่งออก

โมเดลโอเพนซอร์สอื่น ๆ:

API เชิงพาณิชย์:

คุณสามารถสร้างมันขึ้นมาเองได้ด้วยโมเดลโอเพนซอร์ส, จ่ายเงินสำหรับ API เชิงพาณิชย์, หรือใช้เวิร์กสเปซ AI แบบรวมที่มอบโซลูชันที่ผสานรวมไว้ล่วงหน้าพร้อมตัวแทน AI หลากหลายประเภท

สร้างผู้ช่วย AI ที่ตระหนักถึงบริบทด้วย ClickUp

การสร้างแชทบอทด้วย LLaMA มอบการควบคุมที่ยอดเยี่ยมให้กับคุณเกี่ยวกับข้อมูล ค่าใช้จ่าย และการปรับแต่งตามความต้องการของคุณ แต่การควบคุมนี้มาพร้อมกับความรับผิดชอบในการดูแลโครงสร้างพื้นฐาน การบำรุงรักษา และความปลอดภัย—ซึ่งทั้งหมดนี้เป็นสิ่งที่ API ที่มีการจัดการดูแลให้คุณ เป้าหมายไม่ใช่แค่การสร้างบอทเท่านั้น—แต่คือการทำให้ทีมของคุณมีประสิทธิภาพมากขึ้น และโครงการวิศวกรรมที่ซับซ้อนอาจทำให้เสียสมาธิจากเป้าหมายนั้นได้

การเลือกที่เหมาะสมขึ้นอยู่กับทรัพยากรและลำดับความสำคัญของทีมคุณ หากคุณมีความเชี่ยวชาญด้าน ML และมีความต้องการด้านความเป็นส่วนตัวอย่างเข้มงวด LLaMA เป็นตัวเลือกที่ยอดเยี่ยม หากคุณให้ความสำคัญกับความรวดเร็วและความเรียบง่าย เครื่องมือแบบบูรณาการอาจเป็นตัวเลือกที่เหมาะสมกว่า

ด้วย ClickUp คุณจะได้รับพื้นที่ทำงาน AI แบบรวมศูนย์ที่มีงาน เอกสาร และการสนทนาทั้งหมดของคุณในที่เดียว ขับเคลื่อนด้วย AI ที่ผสานรวม ช่วยลดความสับสนของบริบทและช่วยให้ทีมทำงานได้เร็วและมีประสิทธิภาพมากขึ้น ด้วยข้อมูลที่ถูกต้องเพียงปลายนิ้วผ่าน Super Agents ที่ปรับแต่งได้และ AI ที่เข้าใจบริบท

หยุดเสียเวลาไปกับโครงสร้างพื้นฐาน และได้รับประโยชน์จากผู้ช่วย AI ที่ตระหนักถึงบริบทได้ในวันนี้ โดยไม่ต้องสร้างอะไรจากศูนย์เริ่มต้นได้ฟรีกับ ClickUp

คำถามที่พบบ่อย (FAQ)

ค่าใช้จ่ายขึ้นอยู่กับวิธีการติดตั้งของคุณโดยสมบูรณ์ และการคาดการณ์โครงการสามารถช่วยคุณประมาณค่าใช้จ่ายได้ หากคุณใช้ฮาร์ดแวร์ของคุณเอง คุณจะมีค่าใช้จ่ายล่วงหน้าสำหรับ GPU แต่ไม่มีค่าธรรมเนียมต่อคำค้นหาอย่างต่อเนื่อง ผู้ให้บริการคลาวด์จะคิดค่าบริการเป็นรายชั่วโมงตามขนาดของ GPU และแบบจำลอง

ใช่, ใบอนุญาตสำหรับ LLaMA 2 และ LLaMA 3 อนุญาตให้ใช้ในเชิงพาณิชย์ได้ อย่างไรก็ตาม คุณต้องยอมรับเงื่อนไขการใช้งานของ Meta และให้เครดิตตามที่กำหนดไว้ในผลิตภัณฑ์ของคุณ

LLaMA 3 เป็นรุ่นที่ใหม่กว่าและมีความสามารถสูงกว่า มอบทักษะการให้เหตุผลที่ดีกว่าและหน้าต่างบริบทที่กว้างขึ้น (8K โทเค็น เทียบกับ 4K สำหรับ LLaMA 2) ซึ่งหมายความว่าสามารถจัดการกับการสนทนาและเอกสารที่ยาวขึ้นได้ แต่ในขณะเดียวกันก็ต้องการทรัพยากรการคำนวณมากขึ้นในการทำงาน

แม้ว่า Python จะเป็นภาษาที่นิยมมากที่สุดสำหรับการเรียนรู้ของเครื่อง (machine learning) เนื่องจากมีไลบรารีที่หลากหลาย แต่ไม่ได้จำเป็นต้องใช้เสมอไป บางแพลตฟอร์มเริ่มมีโซลูชันแบบไม่ต้องเขียนโค้ดหรือเขียนโค้ดน้อย (no-code หรือ low-code) ที่ช่วยให้คุณสามารถปรับใช้แชทบอท LLaMA พร้อมอินเทอร์เฟซแบบกราฟิกได้