用本地大模型(llama3)进行数据分类标记｜LLM 用例

001｜背景

这是我最新发布的导航站点 [aiwith.me]
这个站点由于第一版数据来源于第三方，只有站点基础数据，没有对数据进行分类，最近站点上线了，主体框架都搭建完成了，这才有空去对数据做分类. 目前的快捷筛选，完全依靠关键字匹配检索。

前期为了快速上线，直接拿到词频相对较高和常用的词语进行筛选。 这样过于粗暴，而且有时候不太准确。

002｜分类方案

数据量多了之后，这样的筛选会越来越不准确，有时候站点信息没有这些关键字，但分类上是一致的。 为更好的把站点按照类型区分，我想了这些办法：

1、人工标记 - 历史数据太多了，太费时
2、通过大模型去分类 - Kimi 或者 ChatGPT-3.5
3、通过本地大模型去分类-正好测试一下本地大模型的性能和准确性如何。

最后选择了第三种方案，因为不需要 API 成本，并且可以试试本地模型性能！

003｜使用 Ollma 运行本地模型

使用 Ollma 来快捷的运行本地大模型： [ollama 介绍]

Ollma 支持运行的常见模型： [github.com/ollama/olla…]

下载 安装 Ollma 后，运行可以按照官网的命令 ollama run [模型名字]

004｜使用 API 调用模型

命令行可以支持对话，但是我有 800 条数据要跑，我不可能在这个窗口完成。所以这就需要用 ollma 的 API 执行。

默认情况下，ollma 的 API 端点在11434端口，如果你没有启动的话，执行以下命令。

参考 API 文档： [github.com/ollama/olla…]

因为不需要对话和记忆，只要文本生成就是了，所以我们选择 /api/generate 端点。

需要处理的数据结构如下：

005｜编写提示词&调试提示词

这个过程实际上挺麻烦的，我前前后后写了四版提示词，进行测试。 主要诉求是：通过我给出的已知网站信息，给出最符合我限定范围内的分类。

随便来段 Python 代码，批量执行数据。进行提示词的调试。

1、使用 llama3 模型并禁用流输出，默认是流输出，为了序列化方便，我们一次调用一次性获得结果即可。
2、将已知的网站信息，主要是描述信息给到大模型，参照以下上面的数据结果，大约 800 +个类似的数据
3、限定输出的格式为 JSON 数组，便于编程使用（也可以直接更新数据写到新的 JSON 文件）

遇到的问题： 在最终版本确认之前改几次，几乎很多站点都分类到了 Code&IT 这个分类，这是为啥呢？ 后来我分析了一下，因为我的站点都是 AI 站点，几乎都会出现关键字 AI Power 或者 AI xxx 等词语，这会让它将大部分数据分类为 IT 类。 所以我加了一个限定如下：

...
All websites are AI-related websites, so don't simply add Code&IT or AI classifications, but types that are combined with artificial intelligence, unless it's obvious that it's code assistant, low-code, or website building, don't easily classify them as Code&IT or AI
...
// 翻译如下（实际是最初由中文翻译过去的...）：
所有网站都是与AI相关的网站，所以不要简单地添加Code&IT或AI分类，而是与人工智能相结合的分类，除非很明显是代码助手、低代码或网站建设，否则不要轻易将它们归类为Code&IT或AI

006 | 最终运行效果如下:

007 | 如何判定分类效果？

1、通过搜索与分类标签的交叉验证 2、人工随机抽查数据中的分类

根据我的判定我觉得准确率应该在 80%左右，速度也挺快。 本地跑 CPU 20% 左右，一秒一个的样子。

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓