Tapaus tekoälytekniikan keskitetyn tietotekniikkapinon hajauttamiseksi

Niin paljon keskustelusta tekoälykehityksestä on muuttunut tulevaisuudenaikaiseksi ja filosofiseksi debatiksi – pitäisikö lähestyä yleistä tekoälyä, jossa tekoäly kehittyy riittävän edistyneeksi suorittaakseen mitä tahansa tehtävää ihmisen tavoin? Onko se edes mahdollista?

Vaikka kiihdytys- ja hidastuskeskustelu on tärkeää ja ajankohtaista edistysten kuten Q-star-mallin myötä, myös muut asiat ovat tärkeitä. Pääasiassa, tekoälytekniikan keskitetyn tietotekniikkapinon hajauttamisen tärkeys ja miten tehdä se ilman liian suurta kustannuskuormitusta. Nämä kaksi haastetta voivat tuntua vastakkaisilta: mallien luominen ja käyttöönotto on erittäin kallista, mutta yhden mallin liioiteltu käyttö voi olla haitallista pitkällä tähtäimellä. Tunnen tämän haasteen henkilökohtaisesti tekoälyperustajana.

Älykkyyden luomiseksi tarvitaan kykyjä, dataa ja skaalautuvaa laskentaa. Kiihdyttääkseen markkinoille pääsyä ja tekemään enemmän vähemmällä, monet yritykset valitsevat rakentaa olemassa olevien mallien päälle, sen sijaan että rakentaisivat alusta alkaen. Tämä lähestymistapa on järkevä, kun mitä olet rakentamassa on niin resursseja vaativaa. Tähän haasteeseen liittyy, että toisin kuin ohjelmisto, suurin osa tekoälyssä saavutetuista hyödyistä on tehty lisäämällä skaalautuvuutta, mikä vaatii enemmän laskentatehoa ja siten kustannuksia.

Mutta mitä tapahtuu, kun yrityksessä, johon olet rakentanut ratkaisusi, tapahtuu hallinnollinen epäonnistuminen tai tuotepetos? Käytännöllisestä näkökulmasta, yhden mallin käyttöön perustuva ratkaisun rakentaminen tarkoittaa, että olet nyt osa negatiivista aaltoilmiötä kaikelle, mitä tapahtuu.

Meidän on myös muistettava todennäköisyysjärjestelmien riskit. Emme ole tottuneet tähän, ja maailma, jossa elämme, on suunniteltu ja toteutettu toimimaan määrättyjen vastausten kanssa. Mallit ovat joustavia tuloksiltaan, ja yritykset muokkaavat mallit jatkuvasti, mikä tarkoittaa, että koodi, jonka olet kirjoittanut näiden tukemiseksi, ja tulokset, joihin asiakkaasi luottavat, voivat muuttua ilman, että sinä tiedät tai voit hallita sitä.

Keskitetysti luodaan myös turvallisuusriskejä, koska se luo yhden päätepisteen. Jokainen yritys toimii oman edun mukaisesti. Jos on turvallisuus- tai riskiongelma mallissa, sinulla on vähemmän valtaa korjata ongelmaa tai vähemmän pääsyä vaihtoehtoihin.

Mihin tämä jättää meidät?

Tekoäly parantaa epäilemättä elämäämme. On niin paljon, mihin se pystyy ja mitä se voi korjata, siitä, miten keräämme tietoa, miten ymmärrämme laajoja tietomääriä. Mutta tämän mahdollisuuden myötä tulee myös riski. Jos liioiteltavasti riippumme yhdestä mallista, kaikki yritykset altistavat itsensä sekä turvallisuus- että tuoteongelmille.

Tämän korjaamiseksi meidän on laskettava johtopäätösten kustannuksia ja helpotettava yritysten monimallisen lähestymistavan käyttöönottoa. Ja tietysti, kaikki tulee dataan. Datat ja datan omistajuus tulevat olemaan tärkeitä. Mitä yksilöllisempää, laadukkaampaa ja saatavilla olevampaa dataa on, sitä hyödyllisempää se on.

Moniin ongelmiin voidaan optimoida malleja tietyn sovelluksen mukaan. Tekoälyn viimeinen maili on yritysten rakentaminen reitityslogiikkaa, arviointeja ja orkesterointikerroksia eri mallien päälle, erikoistamalla niitä eri pystyihin.

On ollut useita merkittäviä sijoituksia tässä tilassa, jotka lähenevät tätä tavoitetta. Mistal:n viimeaikainen (ja vaikuttava) rahoituskierros on lupaava kehitys OpenAI-vaihtoehtoon. On myös yrityksiä, jotka auttavat muita tekoälytoimittajia tekemään monimallisen monipisteytyksen todelliseksi ja vähentämään johtopäätöskustannuksia erikoistuneen laitteiston, ohjelmiston ja mallien tiivistämisen kautta, muutamia esimerkkejä.

Meidän on myös odotettavissa, että avoimen lähdekoodin kehitys lisääntyy, ja viranomaiset on mahdollistettava avoimen lähdekoodin säilyttäminen avoimena. Avoimen lähdekoodin mallien kanssa on helpompi hallita. Kuitenkin suorituskykyero on edelleen olemassa.

Oletan, että lopulta päädytään maailmaan, jossa on juniorimalleja, jotka on optimoitu suorittamaan vähemmän monimutkaisia tehtäviä suuressa mittakaavassa, kun taas suuremmat superälykkäät mallit toimivat oraakkeleina päivitysten kannalta ja käyttävät yhä enemmän laskentaa ratkaisemalla monimutkaisempia ongelmia. Sinun ei tarvitse biljoonaparametrin mallia asiakaspalvelupyyntöön vastaamiseen. Vertaan tätä siihen, ettei seniorijohtaja hoita tehtävää, jonka harjoittelija voi hoitaa. Niin kuin meillä on useita rooleja ihmisten vastineina, useimmat yritykset riippuvat myös mallikokoelmasta, jossa on eri tasoja monimutkaisuutta.

Tämän tasapainon saavuttamiseksi tarvitaan selkeä tehtävänjakoa ja mittaamista, ottaen huomioon aika, laskennan monimutkaisuus, kustannukset ja vaadittu skaala. Riippuen sovelluksesta, voit priorisoida asianmukaisesti. Määritä perustotuus, ihannetulos vertailua varten, ja esimerkki syöte- ja tulostietoa, jotta voit suorittaa eri ärsykkeitä optimoidaksesi ja saadaksesi lähimmän tuloksen perustotuudesta.

Jos tekoälyyritykset voivat onnistuneesti hajauttaa teknologiapinoa ja rakentaa useiden mallien päälle, voimme parantaa näiden työkalujen turvallisuutta ja luotettavuutta ja siten maksimoida tekoälyn myönteisen vaikutuksen. Emme ole enää teoreettisten debattien paikassa – on aika keskittyä siihen, miten tekoälyä voidaan käyttää tehokkaammin ja kestävämmin.