DOLLmC: DevOPs for Large Language model Customization

这项研究旨在建立一个可扩展和高效的大型语言模型（LLM）定制框架，探索如何适应LLM定制的特定需求，以满足各行各业中LLM快速整合带来的革命性机遇和独特挑战。通过将本体论、知识映射和提示工程融入DevOps流程，我们提出了一个强大的框架，增强了LLM的持续学习、无缝部署和严格的版本控制。该方法通过开发一个面向农业领域的领域特定聊天机器人来进行演示，利用异构数据提供可操作的见解。所提出的方法论，即DOLLmC，不仅解决了LLM定制的直接挑战，而且促进了可扩展性和运营效率。然而，该方法论的主要局限性在于需要广泛测试、验证和在不同领域进行更广泛的采用。

本论文旨在建立一个可扩展且高效的LLM定制框架，探索如何将DevOps实践适应于LLM定制的特定需求。并利用本框架开发一个面向农业领域的领域特定聊天机器人，提供可操作的见解。

本论文提出了一种名为DOLLmC的方法，通过将本体论、知识图谱和提示工程集成到DevOps管道中，增强了LLM的持续学习、无缝部署和严格的版本控制。

本文的亮点在于提出了DOLLmC方法，该方法不仅解决了LLM定制的挑战，而且促进了可扩展性和运营效率。实验中使用了农业领域的数据集，并开发了一个面向农业领域的聊天机器人，提供可操作的见解。

最近在这个领域中，还有一些相关的研究，例如《The Emerging Landscape of AutoML》和《Towards Automating Deep Learning Architectures》。