Lidia PerskaĀtriešanās no mīkstajiem lieliem AI modeļiem, kas apmācīti ar masveida datiem
Tehnoloģiju monstru un uzņēmējdarbības jaunuzņēmumu interese ir vērsta uz AI programmatūras optimizāciju, lai tā būtu mazāka, lētāka, ātrāka un specializētāka. Šie jaunie AI modeļi, pazīstami kā vidēji lieli vai mazi valodu modeļi, tiek apmācīti, izmantojot mazāk datus, un pielāgoti specifiskiem uzdevumiem.
Mazo mērogu AI modeļu uzplaukums
Lielākiem modeļiem, piemēram, OpenAI GPT-4, nepieciešami vairāk nekā 100 miljoni ASV dolāru attīstībai, un tiem piemīt triljoni parametru, bet mazajiem modeļiem var būt nepieciešami mazāk nekā 10 miljoni dolāru un mazāk nekā 10 miljardi parametru. Šie kompaktie modeļi prasa mazāk datu apstrādes jaudas, rezultātā zemākām izmaksām par vaicājumu, padarot tos pieejamākus un ekonomiskākus.
Kompaktu AI modeļu izplatīšanās nozīme nozarē
Lieli dalībnieki, piemēram, Microsoft, ir ieviesuši mazākus modeļus, piemēram, Phi, kuri piedāvā efektīvu veiktspēju par daļu no lielāko modeļu izmaksām. Pieņemot izmaksu optimizācijas tendenci AI ainavā, uzņēmumi arvien biežāk izmanto kompaktus modeļus uzdevumu, piemēram, dokumentu kopsavilkumu un attēlu ģenerēšanas, risināšanai.
Inovāciju veicināšana ar ekonomiskām AI palīgprogrammām
Izmantojot mazus AI modeļus, kas pielāgoti konkrētiem datu kopumiem, piemēram, iekšējās komunikācijas, juridiskie dokumenti vai pārdošanas skaitļi, organizācijas var sasniegt salīdzināmus rezultātus ar lielākiem modeļiem ar būtiski samazinātām izmaksām. Šāda pieeja, ko sauc par feinintīnēšanu, palīdz veiksmīgi veikt uzdevumus ar zemākām izmaksām.
Nākotnes kompaktu AI modeļu apsvēršana
Kā uzņēmumi prioritizē izmaksu efektivitāti un reaģēšanas ātrumu, pāreja uz kompaktiem AI modeļiem nosaka būtisku attīstību mākslīgā intelekta nozarē. Izmantojot mazāku, specializētu modeļu jaudu, uzņēmumi var uzlabot darbības efektivitāti un veicināt inovācijas, neradot nevajadzīgas lielā mēroga modeļu izmaksas.
