@mstockton: 围绕Jev模型的一些未经修饰的想法。自言自语：- 商业中有很多很多问题都是分类问题……

围绕Jev模型的一些原始想法。自言自语： - 商业中有很多很多问题都是分类或回归问题。很多公司不知道他们的问题类型可以通过经典机器学习方法解决。他们通常用人员和流程而不是技术来解决。 - 随着LLMs的出现和流行，更多公司开始想'也许我们可以用AI来解决这个！'，并使用LLMs来解决分类和回归问题。 - 这在某些方面是好的，因为公司可能自动化了一些手动工作，但在某些方面也是坏的，因为这常常是错误的工具，并且可能不如经典机器学习方法对他们试图做的事情有效。 - 如果有的话，'AI'的流行（对大多数人来说，现在与LLMs同义）导致他们尝试用这种'AI'来解决问题（即使经典方法在知道可用工具/技术的情况下更合适）。 - 有非常成熟的'经典ML'模式来解决他们的问题（例如，XGBoost通常就足够了）。对于这里80%的问题，AutoML现在工作得相当好，只要你的数据是干净的。 - 但经典技术需要你标记数据、训练模型并将模型托管在某个地方。与'调用LLM API'相比，它们不容易使用——并且需要你和你的组织意识到这些技术，并有能力投资它们。 - 由于LLMs，经典ML现在更容易实现。在过去两年中，我使用LLMs构建了许多模型，用于构建经典ML代码、数据清理等——如果没有LLMs的帮助，这将花费我*更长时间*——但仍然比直接将问题交给基于文本的模型更难。 - 围绕LLMs存在一些优秀的模式/技术，可以约束输出用于分类/回归，并使事情更便宜/更高效（Structured Outputs、DSPy、GEPA等）——但对广大受众来说仍然不是超级容易访问（我可以用一只手数出我知道的尝试过DSPy/GEPA的从业者——也许更多使用Structured Outputs）——我希望这类东西能更广泛采用，但也许技术障碍在短期内太高。 - 有了Jev，也许他们抓住了这一点的'UX'。是的，它看起来很像结构化输出，但它更具针对性和直接针对分类/回归——以一种可能更多人会理解的方式，相比于Structured Outputs / DSPy / GEPA。 - 我确实想知道它会有多有效。它感觉非常类似于零样本时间序列的东西，如TimesFM。就像，是的，你可以在没有训练的情况下进行预测，这很酷，但当你看像TimesFM这样的东西时，与监督训练时间序列模型相比（再次，需要专业知识），它似乎不是很好。也许你可以将你的标记数据放在上下文中，这会起作用。 - 但然后我的问题是——如果使用这种零样本分类器/回归器模型需要大量的知识，那么在什么时候，直接使用LLMs帮助你构建经典机器学习模型更好？ 感谢阅读我的吐槽。我知道它不有组织，可能也不完全连贯。无论如何，看到新技术在过去几年中拼凑起来的新方法，超级酷。期待追踪Jev的发展，我认为它可能对一些人有用。我肯定计划尝试一下。