نحوه استفاده شرکت ها از LLM های منبع باز: ۱۶ مثال

VentureBeat و دیگر کارشناسان استدلال کرده اند که مدل های زبان بزرگ منبع باز (LLM) ممکن است تأثیر قوی تری بر روی هوش مصنوعی مولد در شرکت.

یعنی قدرتمندتر از مدل‌های بسته، مانند مدل‌هایی که پشت ChatGPT محبوب OpenAI یا رقیب آنتروپیک قرار دارند.

اما وقتی نمونه‌هایی از استقرار واقعی را در نظر می‌گیرید، اثبات آن سخت است. در حالی که هزاران آزمایش یا اثبات مفهومی در رابطه با مدل‌های منبع باز وجود دارد، تعداد کمی از شرکت‌های معتبر به طور عمومی اعلام کرده‌اند که مدل‌های منبع باز را در برنامه‌های تجاری واقعی به کار گرفته‌اند.

بنابراین تصمیم گرفتیم با ارائه دهندگان اصلی LLM منبع باز تماس بگیریم تا نمونه هایی از استقرار واقعی توسط شرکت های سازمانی را بیابیم. ما با Meta و Mistral AI، دو ارائه‌دهنده اصلی ارائه‌دهندگان منبع باز، و IBM، Hugging Face، Dell، Databricks، AWS و Microsoft تماس گرفتیم که همگی برای توزیع مدل‌های منبع باز توافق‌نامه‌هایی دارند.

از مصاحبه‌ها با این شرکت‌ها، مشخص شد که چندین نمونه اولیه عمومی وجود دارد (ما ۱۶ مورد قابل توجه را پیدا کردیم، فهرست زیر را ببینید)، اما هنوز خیلی زود است. ناظران صنعت می گویند تعداد موارد در اواخر امسال به شدت افزایش خواهد یافت.

تاخیر در حلقه بازخورد LLM منبع باز

یکی از دلایل این است که منبع باز در بلوک شروع کند بود. متا اولین مدل منبع باز اصلی، Llama را در فوریه ۲۰۲۳ منتشر کرد، سه ماه پس از انتشار عمومی OpenAI مدل ChatGPT خود در نوامبر ۲۰۲۲٫ Mistral AI Mixtral منتشر شد، بهترین LLM منبع باز با عملکرد بر اساس بسیاری از معیارهادر دسامبر ۲۰۲۳، فقط یک ماه پیش.

بنابراین نتیجه می شود که نمونه هایی از استقرار فقط در حال ظهور هستند. طرفداران متن باز موافق هستند که نمونه های بیشتری از استقرار مدل بسته وجود دارد، اما اینکه منبع باز به مدل های منبع بسته برسد، فقط مسئله زمان است.

امروزه محدودیت‌هایی برای مدل‌های منبع باز در گردش وجود دارد. امجد مساد، مدیر عامل یک استارت آپ ابزار نرم افزاری Replit، یک راه اندازی محبوب را راه اندازی کرد تاپیک توییتر در مورد اینکه چگونه حلقه بازخورد به درستی کار نمی کند زیرا نمی توانید به راحتی در توسعه مدل مشارکت کنید.

اما این نیز درست است که مردم ممکن است میزان آزمایش با مدل‌های منبع باز را دست کم گرفته باشند. توسعه‌دهندگان متن‌باز هزاران مشتق از مدل‌هایی مانند Llama را ایجاد کرده‌اند، از جمله مدل‌ها را به طور فزاینده‌ای در هم می‌آمیزند – و به‌طور پیوسته در حال دستیابی به برابری یا حتی برتری نسبت به مدل‌های بسته در معیارهای خاص هستند (نمونه‌هایی مانند را ببینید. FinGPT، بیوبرت، Defog SQLCoderو پیند).

مدل های عمومی بزرگ به خودی خود “ارزش کمی” برای شرکت دارند

مت بیکر، معاون استراتژی هوش مصنوعی در دل، که برای کمک به آوردن هوش مصنوعی منبع باز Llama 2 به کاربران سازمانی با متا همکاری کرده استبیکر گفت: “مدل های عمومی بزرگ به تنهایی ارزش کمی برای ارائه به شرکت های خصوصی دارند.” او گفت که آنها با تلاش برای ارائه یک مدل کاملاً توانمند متورم شده‌اند، اما به کاربران سازمانی اجازه نمی‌دهند به راحتی به داده‌های خود دسترسی داشته باشند. بیکر تخمین می زند که حدود ۹۵ درصد از کارهای هوش مصنوعی انجام شده توسط سازمان ها، بر روی جریان کاری لازم برای القای مدل ها با آن داده ها از طریق تکنیک هایی مانند بازیابی تولید افزوده (RAG) است. و حتی در این صورت، RAG همیشه قابل اعتماد نیست. بسیاری از مشتریان از خود می پرسند: یک لحظه صبر کنید، چرا برای یک مدل فوق العاده بزرگ که اطلاعات کمی در مورد کسب و کار من دارد، هزینه می کنم؟ آیا نمی‌توانم فقط از یکی از این مدل‌های منبع باز استفاده کنم، و به هر حال، شاید از یک مدل منبع باز بسیار کوچکتر برای آن گردش کار (بازیابی اطلاعات) استفاده کنم؟»

به گفته بیکر، بسیاری از شرکت‌های سازمانی در حال ساختن و آزمایش‌کردن برنامه‌های پشتیبانی مشتری و تولید کد مبتنی بر منبع باز هستند تا با کد سفارشی خود تعامل داشته باشند، که گاهی اوقات برای LLM‌های معمولی مدل بسته ساخته شده توسط OpenAI یا Anthropic قابل درک نیست. این شرکت‌ها پایتون و دیگر زبان‌های ابری محبوب را به قیمت پشتیبانی از کد سازمانی قدیمی در اولویت قرار داده‌اند.

دلایل دیگر اینکه چرا استقرار LLM های منبع باز در خط شروع کند است

Hugging Face مسلماً بزرگترین ارائه‌دهنده زیرساخت LLM منبع باز است و صدها هزار توسعه‌دهنده LLM و سایر ابزارهای منبع باز از جمله کتابخانه‌ها و چارچوب‌هایی مانند LangChain و LlamaIndex را دانلود کرده‌اند تا برنامه‌های خود را تهیه کنند. اندرو ژاردین، مدیر اجرایی Hugging Face که مسئول مشاوره به شرکت‌هایی هستند که به دنبال استفاده از LLM‌های منبع باز هستند، گفت که شرکت‌های سازمانی مدتی طول می‌کشد تا با برنامه‌های LLM پیشروی کنند، زیرا می‌دانند که ابتدا باید پیامدهای مربوط به حریم خصوصی داده‌ها، تجربه مشتری و اخلاق شرکت‌ها معمولاً با موارد استفاده شروع می‌کنند که می‌توانند به صورت داخلی با کارمندان خود از آن‌ها استفاده کنند و آن‌ها را تنها پس از انجام یک اثبات مفهومی به کار می‌گیرند. و تنها پس از آن است که اکثر شرکت ها شروع به بررسی موارد استفاده خارجی می کنند، جایی که دوباره از مرحله اثبات مفهوم عبور می کنند. او می گوید که تنها در پایان سال ۲۰۲۳ استقرارهای مدل بسته OpenAI به تعداد بیشتری ظاهر شد و بنابراین او انتظار دارد که استقرارهای منبع باز در سال جاری ظاهر شود.

با این حال، دیگران می گویند که شرکت های سازمانی باید از منبع باز دوری کنند زیرا ممکن است کار بسیار زیادی باشد. آنها می گویند که فراخوانی یک API از OpenAI، که خدمات ابری درخواستی و غرامت را نیز ارائه می دهد، بسیار ساده تر از کار کردن با دردسرهای مربوط به صدور مجوز پشتیبانی و سایر چالش های حاکمیتی ناشی از استفاده از منبع باز است. همچنین، مدل‌های GPT در بین زبان‌ها به خوبی عمل می‌کنند، در حالی که LLM‌های متن‌باز بسیار خوب هستند.

جاردین از Hugging Face گفت: دوگانگی بین مدل های باز و بسته به طور فزاینده ای نادرست است. او به یک شرکت داروسازی بزرگ اشاره کرد که اخیراً با آن صحبت کرده بود که از یک LLM بسته برای چت بات داخلی خود استفاده می کرد، اما از Llama برای همان مورد استفاده می کرد اما کارهایی مانند پرچم گذاری پیام هایی را انجام می داد که دارای اطلاعات شناسایی شخصی بودند. این کار را به این دلیل انجام داد که منبع باز به شرکت کنترل بیشتری بر داده ها می داد. Jardine گفت، این شرکت نگران بود که اگر LLM های مدل بسته با داده های حساس تعامل داشته باشند، این داده ها می توانند به ارائه دهنده مدل بسته بازگردانده شوند.

دلایل منبع باز خواهد شد

سایر تغییرات مدل، از جمله هزینه و تخصص، آنقدر سریع اتفاق می‌افتد که اکثر شرکت‌ها می‌خواهند بتوانند بین مدل‌های باز و بسته مختلف به دلخواه خود جابه‌جا شوند و متوجه شوند که تنها اتکا به یک مدل آن‌ها را در معرض خطر قرار می‌دهد. به عنوان مثال، به گفته Jardine، مشتریان یک شرکت ممکن است تحت تاثیر منفی قرار گیرند، اگر یک ارائه دهنده مدل به طور ناگهانی یک مدل را به‌طور غیرمنتظره به‌روزرسانی کند، یا بدتر از آن، در به‌روزرسانی یک مدل برای ماندن در زمان‌ها شکست بخورد. به گفته او، شرکت‌ها اغلب مسیر منبع باز را انتخاب می‌کنند، زمانی که نگران کنترل دسترسی به داده‌های خود هستند، اما همچنین زمانی که می‌خواهند کنترل بیشتری بر تنظیم دقیق یک مدل برای اهداف تخصصی داشته باشند. Jardine گفت: “شما می توانید با استفاده از داده های خود مدل را تنظیم دقیق کنید تا آن را برای شما مناسب تر کنید.”

ما چندین شرکت مانند Intuit و Perplexity را یافتیم که مانند شرکت داروسازی ذکر شده در بالا، می‌خواهند از چندین مدل در یک برنامه واحد استفاده کنند تا بتوانند LLM‌هایی را انتخاب کنند که برای کارهای فرعی خاص مفید هستند. این شرکت ها هوش مصنوعی مولد ساخته اند “لایه های ارکستراسیون” برای انجام این کار به طور مستقل، با فراخوانی بهترین مدل برای کاری که در حال انجام است.چه باز باشد چه بسته

همچنین، در حالی که در ابتدا استفاده از یک مدل منبع باز می تواند دشوارتر باشد، اگر یک مدل را در مقیاس اجرا می کنید، می توانید با مدل های منبع باز در هزینه خود صرفه جویی کنید، به خصوص اگر به زیرساخت خود دسترسی دارید. Jardine گفت: “در دراز مدت، من فکر می کنم که منبع باز مقرون به صرفه تر خواهد بود، فقط به این دلیل که شما برای این هزینه اضافی IP و توسعه پرداخت نمی کنید.”

او گفت که از چندین شرکت جهانی داروسازی و سایر شرکت‌های فناوری که مدل‌های منبع باز را در برنامه‌ها به کار می‌برند، آگاه است، اما آنها بی‌سروصدا این کار را انجام می‌دهند. شرکت‌های مدل بسته Anthropic و OpenAI تیم‌های بازاریابی دارند که مطالعات موردی را می‌نویسند و به‌طور عمومی در بوق می‌نویسند، در حالی که منبع باز هیچ فروشنده‌ای چنین استقرارهایی را ردیابی نمی‌کند.

ما از چندین شرکت سازمانی مطلع شدیم که به طور گسترده با LLM های منبع باز آزمایش می کنند، و فقط زمان زیادی است که آنها LLM ها را مستقر کنند. به عنوان مثال، شرکت خودروسازی Edmunds و شرکت هواپیمایی اروپایی EasyJet از پلت فرم Lakehouse Databricks (که اکنون شامل دالی، راهی برای پشتیبانی از LLM های منبع باز، برای آزمایش و ساخت برنامه های کاربردی مبتنی بر LLM منبع باز (نگاه کنید به اینجا و اینجا).

چالش های دیگر با تعریف نمونه های استقرار منبع باز

حتی تعریف نمونه های منبع سازمانی bonafide در اینجا مشکل است. انبوهی از توسعه‌دهندگان و استارت‌آپ‌ها در حال ساخت تعداد زیادی برنامه بر اساس LLM‌های منبع باز هستند، اما ما می‌خواستیم نمونه‌هایی از شرکت‌های تاسیس‌شده را پیدا کنیم که از آنها برای پروژه‌های کاملاً مفید استفاده می‌کنند. برای اهداف خود، ما یک شرکت سازمانی را با حداقل ۱۰۰ کارمند تعریف کردیم.

همچنین، نمونه‌هایی که ما به دنبال آن بودیم، شرکت‌های سازمانی هستند که عمدتاً «کاربران نهایی» فناوری LLM هستند، نه تأمین‌کنندگان آن. حتی این ممکن است ابری شود. چالش دیگر نحوه تعریف متن باز است. Meta’s Llama، یکی از محبوب‌ترین LLM‌های منبع باز، مجوز منبع باز محدودی داشت: به عنوان مثال، فقط وزن مدل‌های آن به صورت آنلاین فاش شد. سایر جنبه‌ها، مانند منابع داده، کد آموزشی، یا روش‌های تنظیم دقیق را منتشر نکرد. پاک شناسان جر و بحث که به این دلیل و دلایل دیگر، لاما نباید منبع باز مناسب در نظر گرفته شود. (متا Llama 2 را منتشر کرد در ماه ژوئیه، که آن را برای مجوز تجاری باز کرد، به جای اینکه فقط تحقیق کند، اما آن را هنوز هم محدودیت هایی دارد).

و سپس نمونه هایی مانند Writer وجود دارد که خانواده LLM خود را به نام Palmyra توسعه داده است تا برنامه ای را تقویت کند که به مردم اجازه می دهد محتوا را به سرعت و خلاقانه تولید کنند. مشتریان سازمانی مانند Accenture، Vanguard، Hubspot و Pinterest دارد. در حالی که Writer دو مدل از این مدل‌ها را منبع باز کرده است، مدل اصلی Large Palmyra آن بسته باقی می‌ماند و پیش‌فرض آن مشتریان سازمانی استفاده می‌شود – بنابراین اینها نمونه‌هایی از استفاده منبع باز نیستند.

با تمام آن اخطارها، در زیر لیستی از نمونه هایی را ارائه می کنیم که توانستیم از طریق گزارش خود پیدا کنیم. ما مطمئن هستیم که چیزهای بیشتری وجود دارد. بسیاری از شرکت‌ها نمی‌خواهند به طور عمومی در مورد آنچه که با LLM‌های منبع باز یا موارد دیگر انجام می‌دهند صحبت کنند. انفجاری از LLM های منبع باز جدید که برای این شرکت طراحی شده اند، از استارت آپ ها در ماه های اخیر پدیدار شده اند، از جمله کسانی که از Deci و Together’s Redpajama هستند. حتی مایکروسافت، AWS آمازون و گوگل وارد بازی عرضه شده‌اند (نگاه کنید به اینجا، اینجاو اینجا)، و مشاورانی مانند مک کینزی (نگاه کنید به اینجا) از LLM های باز تا حدی برای ساختن برنامه برای مشتریان استفاده کنید — بنابراین ردیابی جهان استفاده سازمانی تقریباً غیرممکن است. بسیاری از شرکت ها ارائه دهندگان را مجبور به امضای قراردادهای عدم افشا می کنند. گفته شد، اگر در نتیجه این داستان چیزهای بیشتری بشنویم، به این لیست اضافه خواهیم کرد.

۱٫ VMWare

VMWare مدل HuggingFace StarCoder را به کار گرفته است که به توسعه دهندگان کمک می کند تا با تولید کد کارآمدتر شوند. VMWare می خواست به جای استفاده از یک سیستم خارجی مانند Github’s Copilot متعلق به مایکروسافت، این مدل را خود میزبانی کند، احتمالاً به این دلیل که VMWare روی پایه کد خود حساس بود و نمی خواست مایکروسافت به آن دسترسی داشته باشد.

۲٫ شجاع

راه اندازی مرورگر وب متمرکز بر امنیت به دنبال متمایز کردن خود در مورد حریم خصوصی است و یک دستیار مکالمه به نام مستقر کرده است. لئو. لئو قبلا از Llama 2 استفاده کرده بود، اما دیروز Brave اعلام کرد که لئو اکنون به طور پیش فرض مدل منبع باز Mixtral 8x7B از Mistral AI. (دوباره، ما این را به عنوان یک مثال خوب ذکر می کنیم، زیرا Brave بیش از ۱۰۰ کارمند دارد.)

۳٫ گاب بی سیم

این شرکت تلفن همراه دوستدار کودکان، که بر ایمنی و امنیت تاکید دارد، از مجموعه ای از مدل های منبع باز Hugging Face برای افزودن یک لایه امنیتی به صفحه نمایش پیام هایی که کودکان ارسال و دریافت می کنند، استفاده می کند. این تضمین می کند که هیچ محتوای نامناسبی در تعامل با افرادی که نمی شناسند استفاده نمی شود.

۴٫ ولز فارگو

Wells Fargo منبع باز مبتنی بر LLM، از جمله مدل Meta’s Llama 2 را برای برخی از کاربردهای داخلی، Chintan Mehta، مدیر ارشد اجرایی Wells Fargo به کار گرفته است. در مصاحبه ای با من در رویداد AI Impact Tour VentureBeat در SF ذکر شدجایی که نمونه‌هایی از هوش مصنوعی مولد را که به کار گرفته می‌شوند، متمرکز می‌کنیم.

۵٫ IBM

IBM ارائه‌دهنده برنامه‌های کاربردی هوش مصنوعی است که از LLM‌های خودش به نام Granite استفاده می‌کند، اما از LLM‌های منبع باز Hugging Face و Meta نیز استفاده می‌کند. با این حال، منصفانه نیست که IBM را از این لیست از کاربرانی که برنامه‌های کاربردی نصب کرده‌اند، حذف کنیم. ۲۸۵۰۰۰ کارمند آن به برنامه AskHR شرکت تکیه می کنند که به سوالات کارکنان در مورد انواع مسائل منابع انسانی پاسخ می دهد و بر اساس برنامه Watson Orchestration IBM ساخته شده است که از LLM های منبع باز استفاده می کند.

و همین هفته گذشته، آی‌بی‌ام محصول مشاوره داخلی جدید خود، Consulting Advantage را معرفی کرد که از LLM‌های منبع باز هدایت‌شده توسط Llama 2 استفاده می‌کند.کتابخانه دستیاران، با پلتفرم wasonx IBMو به ۱۶۰۰۰۰ مشاور IBM در طراحی خدمات پیچیده برای مشتریان کمک می کند.

مت Candy، شریک مدیریت جهانی IBM Consulting برای هوش مصنوعی مولد، در مصاحبه ای با VentureBeat گفت، در نهایت، هزاران کارمند بازاریابی IBM نیز از برنامه بازاریابی منبع باز مبتنی بر LLM IBM برای تولید محتوا استفاده می کنند. او گفت که در حالی که این برنامه در سال گذشته در مرحله اثبات مفهوم بود، برای واحدهای خاص در سراسر بازاریابی در حال گسترش است. Candy گفت: این برنامه از Adobe Firefly برای تولید تصویر استفاده می کند، اما آن را تقویت می کند “با LLM هایی که در حال آموزش و تنظیم برای تبدیل شدن به یک مغز برند هستیم.” او گفت که این برنامه دستورالعمل‌های شخصیت آی‌بی‌ام، لحن صدای برند و دستورالعمل‌های کمپین را درک می‌کند و سپس مشتقاتی از محتوا را برای برندهای فرعی و کشورهای مختلف IBM ایجاد می‌کند.

۶٫ جوایز گرمی

آی بی ام نیز دیروز معامله را اعلام کرد به آکادمی ضبط، صاحب جوایز گرمی، سرویسی به نام داستان‌های هوش مصنوعی ارائه می‌کند که از Llama 2 در استودیوی Wastonx.ai IBM استفاده می‌کند تا به سازمان کمک کند تا بینش‌ها و محتوای سفارشی تولید شده توسط هوش مصنوعی را تولید کند. این سرویس داده‌ها را از مجموعه داده‌های مربوطه در مورد هنرمندان و کارشان بردار کرده است تا LLM بتواند آن‌ها را از طریق پایگاه داده RAG بازیابی کند. سپس طرفداران می توانند با محتوا تعامل داشته باشند.

۷-۹ مسابقات کارشناسی ارشد، ویمبلدونو اوپن آمریکا:

IBM به همه این سازمان ها کمک می کند تولید می کنند صدای گفتاریIBM’s Candy گفت، تفسیر و همچنین یافتن نکات برجسته ویدیویی رویدادهای ورزشی مرتبط با استفاده از LLMهای منبع باز. فناوری IBM به این شرکت‌های رویدادهای ورزشی کمک می‌کند تا چیزهای کلیدی مانند حرکات صورت و سر و صدای جمعیت را برای ایجاد یک شاخص هیجان در طول مسابقه فراخوانی کنند.

۱۰٫ گیجی

این استارت آپ داغ که هست جستجوی گوگل را با استفاده از LLM برای ابداع مجدد تجربه جستجو انجام دهید، فقط ۵۰ کارمند دارد اما به تازگی ۷۴ میلیون دلار جمع آوری کرده است و احساس می کند تقریباً به ناچار در راه رسیدن به ۱۰۰ کارمند است. اگرچه با تعریف ما از شرکت مطابقت ندارد، به اندازه کافی جالب است که شایسته ذکر باشد. زمانی که کاربر سوالی را برای Perplexity مطرح می‌کند، موتور آن از شش مرحله برای فرمول‌بندی پاسخ استفاده می‌کند و چندین مدل LLM در این فرآیند استفاده می‌شود. دیمیتری شولنکو، کارمند، گفت که Perplexity از LLM های منبع باز ساخته شده سفارشی خود به عنوان پیش فرض برای مرحله دوم تا آخر استفاده می کند. این مرحله مرحله ای است که مطالب مقاله یا منبعی را که Perplexity یافته است به عنوان پاسخگو به سؤال کاربر خلاصه می کند. گیجی مدل های خود را بر روی مدل های Mistral و Llama ساخته استو از AWS Bedrock برای تنظیم دقیق استفاده کرد.

Shevelenko گفت که استفاده از Llama بسیار مهم بود، زیرا به Perplexity کمک می کند تا سرنوشت خود را داشته باشد. او گفت که سرمایه گذاری در مدل های تنظیم دقیق در مدل های OpenAI ارزش آن را ندارد زیرا شما مالک نتیجه نیستید. قابل ذکر است که Perplexity همچنین موافقت کرده است که ابزار R1 هوش مصنوعی جدید Rabbit را به اندازه جیبی تامین کند و بنابراین Rabbit نیز به طور موثر از LLM های منبع باز از طریق API Perplexity استفاده خواهد کرد.

۱۱٫ CyberAgent

این شرکت تبلیغات دیجیتال ژاپنی است از LLM های منبع باز ارائه شده توسط نرم افزار Dell برای تقویت OpenCALM استفاده می کند (Open CyberAgent Language Models)، یک مدل زبان ژاپنی همه منظوره است که می تواند متناسب با نیاز کاربران تنظیم شود.

۱۲٫ شهود

Intuit، ارائه‌دهنده نرم‌افزارهایی مانند TurboTax، Quickbooks و Mailchimp، خیلی زود مدل‌های LLM خود را ساخت و از مدل‌های منبع باز در ترکیبی از LLM‌ها استفاده کرد. ویژگی Intuit Assist، که در مواردی مانند پشتیبانی مشتری، تجزیه و تحلیل و کارهای تکمیل کار به کاربران کمک می کند. در مصاحبه با VB در مورد این شرکت پلتفرم GenOSAshok Srivastava مدیر اجرایی Intuit گفت که LLM های داخلی آن بر اساس منبع باز ساخته شده اند و بر اساس داده های خود Intuit آموزش دیده اند.

۱۳٫ والمارت

این غول خرده‌فروشی ده‌ها برنامه کاربردی هوش مصنوعی محاوره‌ای ساخته است، از جمله یک ربات چت که میلیون‌ها نفر از همکاران Walmart برای مراقبت از مشتری با آن تعامل دارند. Desirée Gosby، معاون فناوری نوظهور Walmart Global Tech به VentureBeat گفت که این شرکت از GPT-4 و سایر LLM ها استفاده می کند تا “بی جهت خود را در آن قفل نکنیم.” گاسبی گفت که تلاش‌های والمارت با استفاده از مدل‌های منبع باز BERT گوگل که در سال ۲۰۱۸ منتشر شد، آغاز شد.

۱۴٫ Shopify

Shopify Sidekick یک ابزار مبتنی بر هوش مصنوعی است که از Llama 2 برای کمک به صاحبان مشاغل کوچک برای خودکارسازی وظایف مختلف برای مدیریت سایت های تجاری خود، مانند تولید توضیحات محصول، پاسخ به سؤالات مشتری و ایجاد محتوای بازاریابی، استفاده می کند.

۱۵٫ LyRise

این استارت‌آپ تطبیق استعداد مستقر در ایالات متحده از یک ربات چت ساخته شده بر روی Llama استفاده می‌کند که مانند یک استخدام‌کننده انسانی تعامل دارد و به کسب‌وکارها کمک می‌کند استعدادهای برتر هوش مصنوعی و داده‌ای را از مجموعه‌ای از پروفایل‌های با کیفیت بالا در آفریقا در صنایع مختلف پیدا کرده و استخدام کنند.

۱۶٫ نیانتیک

خالق Pokemon Go ویژگی جدیدی به نام Peridot را راه اندازی کرد که از Llama 2 برای ایجاد واکنش ها و انیمیشن های خاص محیط برای شخصیت های حیوان خانگی در بازی استفاده می کند.

[Update: 12:04pm 1/29/24. Clarified that IBM Granite LLMs are not open source]