要約
中国の広大な領土の中に位置するチベットは、その奥深い歴史遺産の証しである迷路のような異質な地形と、独特の宗教精神の発祥地によって際立っています。
しかし、これらの特性の本質そのものがチベットの観光サービスインフラの進歩を妨げ、既存のスマートツーリズムサービスが地域の訪問者にとって不十分なものとなっています。
この研究は、チベット観光に関する観光地における情報格差の影響を詳しく調査し、大規模言語モデル (LLM) の評価基準を確立するという課題に取り組んでいます。
革新的なアプローチである DualGen Bridge AI システムが導入されており、監視付き微調整技術を採用してモデルの機能を強化し、最適化プロセスを強化します。
さらに、多重構造の生成結果評価フレームワークの先駆けとなります。
経験的な検証により、このフレームワークの有効性が確認されています。
この研究では、観光地情報の生成を改良することを目的とした、独自の DualGen Bridge AI 内での教師付き微調整手法の適用も検討しています。
この調査結果は、システムのパフォーマンスを最適化するための貴重な洞察を提供し、チベットの観光サービスやその他の分野でのLLMテクノロジーの適用に対するサポートとインスピレーションを提供し、高度でカスタマイズされた情報生成機能によりスマート観光業界に革命を起こす可能性があります。
要約(オリジナル)
Tibet, ensconced within China’s territorial expanse, is distinguished by its labyrinthine and heterogeneous topography, a testament to its profound historical heritage, and the cradle of a unique religious ethos. The very essence of these attributes, however, has impeded the advancement of Tibet’s tourism service infrastructure, rendering existing smart tourism services inadequate for the region’s visitors. This study delves into the ramifications of informational disparities at tourist sites on Tibetan tourism and addresses the challenge of establishing the Large Language Model (LLM) evaluation criteria. It introduces an innovative approach, the DualGen Bridge AI system, employing supervised fine-tuning techniques to bolster model functionality and enhance optimization processes. Furthermore, it pioneers a multi-structured generative results assessment framework. Empirical validation confirms the efficacy of this framework. The study also explores the application of the supervised fine-tuning method within the proprietary DualGen Bridge AI, aimed at refining the generation of tourist site information. The study’s findings offer valuable insights for optimizing system performance and provide support and inspiration for the application of LLM technology in Tibet’s tourism services and beyond, potentially revolutionizing the smart tourism industry with advanced, tailored information generation capabilities.
arxiv情報
著者 | Jinhu Qi,Shuai Yan,Wentao Zhang,Yibo Zhang,Zirui Liu,Ke Wang |
発行日 | 2024-07-18 14:31:53+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google