Räätälöidyt LLM:t jokaiselle liiketoiminnalle? DeepSeek näyttää tien

Aikoinaan teknologian huipputorvi soi “kaikille matkapuhelimet” – ja tosiaan matkapuhelimet ovat vallanneet liiketoiminnan (ja maailman). Tänään vastaava huipputorvi on antaa kaikille pääsy tekoälysovelluksiin. Mutta tekoälyn todellinen voima on siinä, että se voidaan hyödyntää liiketoiminnan ja organisaatioiden tiettyjä tarpeita varten. Kiinalaisen startup-yritys DeepSeekin esimerkki osoittaa, miten tekoälyä voidaan hyödyntää kaikilla, erityisesti niillä, joilla on rajoitetut budjetit, tyydyttääkseen heidän tiettyjä tarpeitaan. Tosiaan edullisemman tekoälyn saapuminen lupaa muuttaa syvään juurtunutta kaavaa, jossa tekoälyratkaisut usein jäävät monille pienille liiketoiminnalle ja organisaatioille näkymättömiin kustannusvaatimusten vuoksi.

LLM:t ovat – tai olivat – kalliin yritys, joka vaatii pääsyn valtaviin määriin dataa, suuriin määrin voimakkaita tietokoneita prosessoida dataa, ja aikaa ja resursseja kouluttaa mallia. Mutta nämä säännöt muuttuvat. Toimien pienellä budjetilla, DeepSeek kehitti oman LLM:n ja ChatGPT-tyyppisen sovelluksen kyselyille – paljon pienemmällä sijoituksella kuin vastaavat järjestelmät, jotka amerikkalaiset ja eurooppalaiset yritykset ovat rakentaneet. DeepSeekin lähestymistapa avaa ikkunan LLM-kehitykseen pienemmille organisaatioille, joilla ei ole miljardeja rahaa käytettävissään. Tosiaan päivä, jolloin useimmat pienet organisaatiot voivat kehittää oman LLM:n tyydyttääkseen omat tiettyjä tarpeitaan, ei ole kaukana; yleensä tarjoamalla tehokkaamman ratkaisun kuin yleiset LLM:t kuten ChatGPT.

Vaikka keskustelu jatkuu DeepSeekin todellisista kustannuksista, se ei ole ainoastaan kustannus, joka erottaa sen ja vastaavat mallit: se on se, että se riippui vähemmän kehittyneistä piireistä ja tarkemmasta lähestymistavasta koulutukseen. Kiinalaisena yrityksenä, joka on altis Yhdysvaltain vientirajoituksille, DeepSeek ei voinut päästä käsiksi kehittyneistä Nvidia-piireistä, jotka yleensä käytetään LLM-kehitykseen vaadittavaan raskastiin laskentaan, ja joutui siten käyttämään vähemmän tehokkaita Nvidia H-800 -piirejä (NVDA ), jotka eivät voi prosessoida dataa yhtä nopeasti tai tehokkaasti.

Korvataksesi tämän tehon puutteen, DeepSeek otti toisen, tarkemman ja suoremman lähestymistavan LLM-kehitykseen. Sen sijaan, että heittäisi valtavat määrät dataa malliin ja riippuisi laskentavaltuuksista merkitä ja soveltaa dataa, DeepSeek karsi koulutusta, hyödyntäen pienen määrän laadukasta “kylmää käynnistystä” dataa ja soveltamalla IRL:ää (iteratiivista vahvistusoppimista, jossa algoritmi soveltaa dataa eri skenaarioihin ja oppii siitä). Tämä tarkka lähestymistapa sallii mallin oppia nopeammin, vähemmällä virheillä ja vähemmällä hukatulla laskentateholla.

Samoin kuin vanhemmat voivat ohjata vauvan tiettyjä liikkeitä, auttaen häntä onnistumaan kääntymään ylöspäin ensimmäisen kerran – eikä jätä vauvaa yksin ratkaisemaan ongelmaa tai opettamaan vauvalle laajaa liikkeen valikoimaa, joka voisi teoriassa auttaa kääntymisessä – data-tieteilijät, jotka kouluttavat näitä tarkempia tekoälymalleja, zoomaavat siihen, mitä tarvitaan tiettyjä tehtäviä ja tuloksia varten. Nämä mallit eivät todennäköisesti ole yhtä laajasti sovellettavissa kuin suuret LLM:t kuten ChatGPT, mutta niitä voidaan luottaa tiettyihin sovelluksiin ja suorittaa niitä tarkasti ja tehokkaasti. Jopa DeepSeekin kriitikot myöntävät, että sen suoraviivainen lähestymistapa kehitykseen lisäsi merkittävästi tehokkuutta, mahdollistaen sen tehdä enemmän vähemmällä.

Tämä lähestymistapa on antaa tekoälylle parhaat syötteet, jotta se voi saavuttaa tavoitteensa älykkäämmin ja tehokkaammin, ja se voi olla arvokas kaikille organisaatioille, jotka haluavat kehittää LLM:n tyydyttääkseen tiettyjä tarpeitaan ja tehtäviä. Tällainen lähestymistapa on yhä arvokkaampi pienille liiketoiminnalle ja organisaatioille. Ensimmäinen askel on aloittaa oikealla datalla. Esimerkiksi yritys, joka haluaa käyttää tekoälyä auttamaan myynti- ja markkinointitiimejään, tulisi kouluttaa malliaan huolellisesti valitulla datasetillä, joka keskittyy myyntikeskusteluihin, strategioihin ja mittareihin. Tämä estää mallia haaskaa aikaa ja laskentatehoa merkityksettömään tietoon. Lisäksi koulutus tulisi rakentaa vaiheittain, varmistamalla, että malli hallitsee jokaisen tehtävän tai käsitteen ennen siirtymistä seuraavaan.

Tämäkin on verrattavissa vauvan kasvattamiseen, jota olen itse oppinut viime kuukausina äitinä. Molemmissa tapauksissa ohjattu, vaiheittainen lähestymistapa välttää resurssien haaskauksen ja vähentää kitkaa. Lopulta, tällainen lähestymistapa sekä vauvojen että tekoälymallien kanssa johtaa iteratiiviseen parantamiseen. Kun vauva kasvaa tai malli oppii enemmän, sen kyky paranevat. Tämä tarkoittaa, että malleja voidaan jalostaa ja parantaa paremmin käsitelläkseen todellisen maailman tilanteita.

Tämä lähestymistapa pitää kustannukset alhaalla, estäen tekoälyprojektien muuttumisen resurssien haaskaukseksi, ja tekee ne helpommin saataville pienemmille tiimeille ja organisaatioille. Se johtaa myös tekoälymallien parempaan suorituskykyyn nopeammin; ja koska mallit eivät ole ylipääsemässä tarpeettomaan dataan, ne voidaan myös sopeuttaa uuteen tietoon ja muuttuviin liiketoimintatarpeisiin – avain kilpailukykyisillä markkinoilla.

DeepSeekin ja edullisemman, tehokkaamman tekoälyn saapuminen – vaikka se aluksi levisi paniikkia tekoälymaailmassa ja pörsseissä – on lopulta positiivinen kehitys tekoälysektorille. Tekoälyn suurempi tehokkuus ja alhaisemmat kustannukset, ainakin tiettyjen sovellusten osalta, johtavat lopulta tekoälyn laajempaan käyttöön yleisesti, mikä ajaa kasvua kaikille, kehittäjiltä piirien valmistajille ja loppukäyttäjille. Tosiaan DeepSeek havainnollistaa Jevonsin paradoksin – jossa suurempi tehokkuus johtaa todennäköisesti resurssin käytön lisääntymiseen, ei vähentymiseen. Kun tämä suunta näyttää jatkuvan, pienet liiketoiminnat, jotka keskittyvät käyttämään tekoälyä tyydyttääkseen tiettyjä tarpeitaan, ovat myös paremmin valmistautuneet kasvuun ja menestykseen.