प्रत्येक व्यवसाय के लिए अनुकूल एलएलएम? डीपसीक हमें रास्ता दिखाता है

एक समय था जब तकनीकी क्षेत्र में “सेलफोन हर किसी के लिए” का नारा था – और वास्तव में, मोबाइल संचार ने व्यवसाय (और दुनिया) को क्रांतिकारी बना दिया है। आज, इसका समकक्ष नारा है हर किसी को एआई अनुप्रयोगों तक पहुंच प्रदान करना। लेकिन एआई की वास्तविक शक्ति व्यवसायों और संगठनों की विशिष्ट आवश्यकताओं के लिए इसे हार्नेस करने में है। चीनी स्टार्टअप डीपसीक द्वारा बनाए गए मार्ग से पता चलता है कि एआई वास्तव में हर किसी द्वारा हार्नेस किया जा सकता है, विशेष रूप से उन लोगों द्वारा जिनके पास सीमित बजट है, ताकि उनकी विशिष्ट आवश्यकताओं को पूरा किया जा सके। वास्तव में, कम लागत वाले एआई का आगमन अक्सर एआई समाधानों को छोटे व्यवसायों और संगठनों के लिए दूर की वस्तु बना देता है, जो लागत आवश्यकताओं के कारण होता है।

एलएलएम – या थे – एक महंगा उपक्रम था, जिसमें बड़ी मात्रा में डेटा तक पहुंच की आवश्यकता थी, डेटा को संसाधित करने के लिए शक्तिशाली कंप्यूटरों की बड़ी संख्या और मॉडल को प्रशिक्षित करने में समय और संसाधनों का निवेश किया गया था। लेकिन ये नियम बदल रहे हैं। एक तंग बजट पर काम करते हुए, डीपसीक ने अपना एलएलएम विकसित किया और एक चैटजीपीटी-प्रकार का अनुप्रयोग प्रश्नों के लिए – अमेरिकी और यूरोपीय कंपनियों द्वारा निर्मित समान प्रणालियों की तुलना में बहुत कम निवेश के साथ। डीपसीक का दृष्टिकोण एलएलएम विकास के लिए एक खिड़की खोलता है जो छोटे संगठनों के लिए खुला है जो अरबों डॉलर खर्च नहीं कर सकते हैं। वास्तव में, वह दिन दूर नहीं है जब अधिकांश छोटे संगठन अपने स्वयं के एलएलएम विकसित करेंगे जो उनके स्वयं के विशिष्ट उद्देश्यों की सेवा करेंगे, जो आमतौर पर चैटजीपीटी जैसे सामान्य एलएलएम की तुलना में एक अधिक प्रभावी समाधान प्रदान करते हैं।

हालांकि डीपसीक की वास्तविक लागत पर अभी भी बहस है, यह केवल लागत नहीं है जो इसे और इसी तरह के मॉडल को अलग बनाती है: यह तथ्य है कि यह कम उन्नत चिप्स और प्रशिक्षण के लिए एक अधिक केंद्रित दृष्टिकोण पर निर्भर करता है। एक चीनी कंपनी के रूप में जो अमेरिकी निर्यात प्रतिबंधों के अधीन है, डीपसीक उन उन्नत निवीडिया चिप्स तक पहुंच प्राप्त नहीं कर सका जो आमतौर पर एलएलएम विकास के लिए आवश्यक भारी शुल्क वाली गणना के लिए उपयोग की जाती हैं, और इसलिए कम शक्तिशाली निवीडिया एच -800 चिप्स का उपयोग करने के लिए मजबूर किया गया था, जो डेटा को उतनी तेजी से या कुशलता से संसाधित नहीं कर सकता है। (NVDA )

इस कमी की भरपाई के लिए, डीपसीक ने एलएलएम विकास के लिए एक अलग, अधिक केंद्रित और प्रत्यक्ष दृष्टिकोण अपनाया। इसके बजाय एक मॉडल पर डेटा के पहाड़ डालने और कंप्यूटिंग शक्ति पर निर्भर रहने के, डीपसीक ने प्रशिक्षण को संकुचित किया, एक छोटी मात्रा में उच्च गुणवत्ता वाले “कोल्ड-स्टार्ट” डेटा का उपयोग किया और आईआरएल (पुनरावृत्ति प्रबलीकरण सीखने) का उपयोग किया, जिसमें अल्गोरिथ्म विभिन्न परिदृश्यों में डेटा लागू करता है और सीखता है। यह केंद्रित दृष्टिकोण मॉडल को तेजी से सीखने की अनुमति देता है, कम गलतियों के साथ और कम बर्बाद कंप्यूटिंग शक्ति के साथ।

इसी तरह जैसे माता-पिता एक बच्चे की विशिष्ट गतिविधियों को मार्गदर्शन कर सकते हैं, उसे पहली बार रोल ओवर करने में मदद करते हैं – एक बच्चे को अकेले इसे सीखने के लिए छोड़ने के बजाय, या बच्चे को व्यापक गतिविधियों की शिक्षा देने के बजाय जो सिद्धांत रूप में रोल ओवर में मदद कर सकती है – डेटा वैज्ञानिक जो इन अधिक केंद्रित एआई मॉडल को प्रशिक्षित करते हैं उन कार्यों और परिणामों पर केंद्रित होते हैं जो सबसे अधिक आवश्यक हैं। ऐसे मॉडल शायद चैटजीपीटी जैसे बड़े एलएलएम की तरह व्यापक अनुप्रयोग नहीं हो सकते हैं, लेकिन वे विशिष्ट अनुप्रयोगों के लिए भरोसा कर सकते हैं और उन्हें सटीकता और दक्षता के साथ लागू कर सकते हैं। यहां तक कि डीपसीक के आलोचक भी स्वीकार करते हैं कि इसके विकास के लिए इसका सुव्यवस्थित दृष्टिकोण काफी अधिक कुशलता में वृद्धि हुई, जिससे यह बहुत कम से अधिक करने में सक्षम हो गया।

यह दृष्टिकोण एआई को सबसे अच्छा इनपुट देने के बारे में है ताकि यह अपने मील के पत्थर तक सबसे चतुर और कुशल तरीके से पहुंच सके, और यह किसी भी संगठन के लिए मूल्यवान हो सकता है जो अपनी विशिष्ट आवश्यकताओं और कार्यों के लिए एक एलएलएम विकसित करना चाहता है। एक ऐसा दृष्टिकोण जो छोटे व्यवसायों और संगठनों के लिए बढ़ती महत्व का है। पहला कदम सही डेटा से शुरू करना है। उदाहरण के लिए, एक कंपनी जो अपनी बिक्री और विपणन टीमों की मदद के लिए एआई का उपयोग करना चाहती है, को अपने मॉडल को एक सावधानी से चुने हुए डेटासेट पर प्रशिक्षित करना चाहिए जो बिक्री बातचीत, रणनीतियों और मेट्रिक्स पर केंद्रित हो। इससे मॉडल को अप्रासंगिक जानकारी पर समय और कंप्यूटिंग शक्ति बर्बाद करने से रोका जा सकता है। इसके अलावा, प्रशिक्षण को चरणों में संरचित किया जाना चाहिए, यह सुनिश्चित करना चाहिए कि मॉडल प्रत्येक कार्य या अवधारणा को मास्टर करे trước कि यह अगले एक पर आगे बढ़े।

यह, एक बच्चे को पालने में भी समानांतर है, जैसा कि मैंने खुद को एक माँ बन जाने के बाद से सीखा है। दोनों परिदृश्यों में, एक मार्गदर्शक, चरण-दर-चरण दृष्टिकोण संसाधनों को बर्बाद करने और घर्षण को कम करने से बचाता है। अंत में, दोनों मानव शिशुओं और एआई मॉडल के साथ एक ऐसा दृष्टिकोण पुनरावृत्ति सुधार के परिणामस्वरूप होता है। जैसे ही बच्चा बढ़ता है, या मॉडल अधिक सीखता है, इसकी क्षमताएं बेहतर होती जाती हैं। इसका मतलब है कि मॉडल को वास्तविक दुनिया की स्थितियों को बेहतर ढंग से संभालने के लिए परिष्कृत और सुधारा जा सकता है।

यह दृष्टिकोण लागत को नीचे रखता है, एआई परियोजनाओं को संसाधनों की निकासी से रोकता है, जिससे वे छोटी टीमों और संगठनों के लिए अधिक सुलभ हो जाते हैं। यह एआई मॉडल के बेहतर प्रदर्शन को भी तेजी से लाता है; और, क्योंकि मॉडल अतिरिक्त डेटा से अधिभारित नहीं होते हैं, वे नए जानकारी और बदलते व्यावसायिक आवश्यकताओं के अनुकूल होने के लिए भी समायोजित किए जा सकते हैं – प्रतिस्पर्धी बाजारों में महत्वपूर्ण।

डीपसीक और कम लागत वाले एआई की दुनिया का आगमन – हालांकि यह शुरू में एआई दुनिया और शेयर बाजारों में घबराहट फैला देता है – एआई क्षेत्र के लिए समग्र रूप से एक सकारात्मक विकास है। एआई की अधिक कुशलता और कम लागत, कम से कम कुछ केंद्रित अनुप्रयोगों के लिए, अंततः एआई के सामान्य उपयोग में वृद्धि करेगी, जो विकास को बढ़ावा देती है, विकासकर्ताओं से चिप निर्माताओं से अंत-उपयोगकर्ताओं तक। वास्तव में, डीपसीक जेवन्स परिदृश्य को प्रदर्शित करता है – जहां अधिक कुशलता से अधिक संसाधन का उपयोग होने की संभावना है, कम नहीं। जैसा कि यह रुझान जारी रहने की संभावना है, छोटे व्यवसाय जो अपनी विशिष्ट आवश्यकताओं को पूरा करने के लिए एआई का उपयोग करने पर ध्यान केंद्रित करते हैं, वे भी विकास और सफलता के लिए बेहतर स्थिति में होंगे।