Koreassa yliopistossa kehitetty tekoälykielimalli on ottanut merkittäviä edistysaskeleita lääketieteellisessä diagnostiikassa, ylittäen keskimääräiset pisteet amerikkalaisissa lääketieteen lisensioinnin tutkimuksissa. Malli, nimeltään ”Meerkat”, ruokittiin potilaan oireilla professori Kang Jae-woon ja hänen tiiminsä toimesta ja se tarjosi nopeasti diagnoosin, joka viittasi kolesteroliemballaasioireyhtymään, osoittaen kykyä verrattavissa lääketieteen ammattilaisen taitoihin.
Tämä innovatiivinen kielimalli, jossa on alle 7 miljardia parametria, on ylistetty ensimmäisenä pienenä kielimallina (sLLM), joka ylittää Yhdysvalloissa asetetut testausstandardit. Sen tehokas prosessointi vastaa korkealaatuisten tietokonepelien pelaamista, mutta se vaatii vain yhden tietokoneen, optimoiden kätevyyden ja luottamuksellisuuden herkillä aloilla, kuten terveydenhuollossa. Meerkatin saavutus osoittaa lisääntyvän kilpailun kehittyessään kustannustehokkaita, korkeatehoisia sLLM-malleja, jotka tunnetaan vaatimattomista laskennallisista vaatimuksistaan ja korkeasta turvallisuudestaan.
Yksi esimerkki tekoälyn ottamisesta käyttöön toimialakohtaisissa sovelluksissa on yritys Upstage, joka kehittää erikoistuneita tekoälymalleja oikeus- ja rahoituspalveluihin yhteistyössä lakiasiaintoimistojen ja rahoitusalan yritysten kanssa hyödyntäen ”Solar” -tekoälyään, jossa on 10,7 miljardia parametria.
Viimeaikaiset rahoituskierrokset ja sirupula tekoälyssä ovat entisestään korostaneet pienten kielimallien tärkeyttä. Niiden käyttö- ja koulutuskustannukset ovat paljon pienemmät verrattuna isompiin versioihin, ja nämä pienemmät kielimallit voivat tarjota samantasoisia palveluita. Alan sisäpiirilähteiden mukaan pienten kielimallien kustannustehokkuus johtuu siitä, että niiden oppimisdata ja toimintakustannukset voivat olla jopa kymmenen kertaa edullisempia.
Kun tarkastellaan suurempaa kuvaa, globaalit teknologiajätit ovat myös liittyneet kilpailuun, sillä Google ja Apple ovat julkaisseet omat versiot pienistä kielimalleistaan. Näiden mallien odotetaan tulevan käyttöön älypuhelimissa, mutta myös palveluissa, jotka eivät vaadi internet-yhteyttä, avaamalla uuden aikakauden laitteistoiston tekoälylle. Samsung Electronics on puolestaan sisällyttänyt tiivistetyn version kielimallistaan uusimpiin älypuhelimiinsa. Tämä erikoistumisen ja tehokkuuden trendi kasvaa, kun yhä useammat yritykset pyrkivät vakiinnuttamaan oman erikoisalansa nopeasti kasvavassa tekoälymaailmassa.
Edut:
– Pienemmät kustannukset: Pienet kielimallit kuten Meerkat ovat kustannustehokkaita, mikä vähentää taloudellista esteetä ja mahdollistaa laajemman käyttöönoton.
– Tehokkuus: Ne vaativat vähemmän laskentatehoa ja pystyvät sen vuoksi toimimaan vähemmän kehittyneillä laitteistoilla, tehdäkseen ne saataville pienemmille organisaatioille.
– Erikoistuminen: Pienemmät mallit voidaan erikoistaa tiettyjä toimialoja varten, lisäten niiden sovellusten käytännöllisyyttä ja tehokkuutta.
– Yksityisyys: Laitepohjainen tekoälyn prosessointi minimoi datan siirron pilveen, parantaen käyttäjän yksityisyyttä ja tietoturvaa, erityisesti terveydenhuollossa.
Haitat:
– Rajoitettu tietämys: sLLM:illä saattaa olla kapeampi tiedon kirjo verrattuna suurempiin malleihin johtuen vähemmistä parametreista ja harvinaisemmista koulutustiedoista.
– Laatu ja tarkkuus: Vaikka lupaavia tuloksia onkin, saattaa olla huolta kokonaistarkkuudesta ja luotettavuudesta diagnooseihin verrattuna perinteisempiin menetelmiin, joissa ovat mukana ihmislääketieteilijät.
Päähaasteet ja kiistakysymykset:
– Luotettavuus: On olennaista varmistaa, että nämä tekoälyjärjestelmät ovat johdonmukaisen luotettavia ja kykenevät käsittelemään monimutkaisia lääketapauksia.
– Eettiset kysymykset: On huolta siitä, että tekoäly voi korvata ihmistyöpaikkoja, ja eettiset kysymykset tekoälyn käytöstä herkillä aloilla, kuten terveydenhuollossa.
– Tietosuoja: Potilastietojen suojaaminen tekoälyn käytössä on välttämätöntä, mikä vaatii vahvoja tietoturvatoimenpiteitä.
– Sääntely: Sopivan sääntelykehyksen luominen tekoälyn käytön valvomiseksi lääketieteessä on merkittävä haaste.
– Integrointi: Näiden järjestelmien integroiminen olemassa oleviin terveydenhuollon infrastruktuureihin voi olla monimutkaista ja kallista.
Jotta voit tutkia näitä aiheita tarkemmin, voit vierailla johtavien teknologiayritysten ja tekoälyn kehityksen eturintamassa olevien organisaatioiden verkkosivustoilla:
– Google
– Apple
– Samsung Electronics
– IBM
– Lisäksi arvostetut lääketieteen ja tekoälyn tutkimuslehdet ovat arvokkaita lähteitä alan uusista tutkimuksista ja kehityksestä.
The source of the article is from the blog qhubo.com.ni