विचार नेता
एआई टेक स्टैक को विकेंद्रीकृत करने का मामला
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
एआई विकास पर इतनी बातचीत भविष्यवाणी और दार्शनिक बहस से भर गई है – क्या हमें सामान्य कृत्रिम बुद्धिमत्ता की ओर बढ़ना चाहिए, जहां एआई इतना उन्नत हो जाएगा कि वह मानव की तरह किसी भी कार्य को कर सकेगा? क्या यह संभव भी है?
जबकि त्वरण बनाम धीमा करने वाली चर्चा महत्वपूर्ण और समय पर है, जैसे कि क्यू-स्टार मॉडल जैसी प्रगति, अन्य पहलू भी महत्वपूर्ण हैं। मुख्य रूप से, अपनी प्रौद्योगिकी स्टैक को विकेंद्रीकृत करने का महत्व और इसके बिना इसे करने का तरीका कैसे है। ये दो चुनौतियाँ विरोधाभासी लगती हैं: मॉडल बनाना और तैनात करना अविश्वसनीय रूप से महंगा है, लेकिन एक मॉडल पर अधिक निर्भर होना लंबे समय में हानिकारक हो सकता है। मैं इस चुनौती को व्यक्तिगत रूप से जानता हूं क्योंकि मैं एक एआई संस्थापक हूं।
बुद्धिमत्ता बनाने के लिए, आपको प्रतिभा, डेटा और स्केलेबल कंप्यूट की आवश्यकता होती है। समय-समय पर बाजार में उतारने और कम से अधिक करने के लिए, कई कंपनियां मौजूदा मॉडल के शीर्ष पर बनाने का विकल्प चुनेंगी, न कि जमीन से शुरू करने का। और यह दृष्टिकोण तब समझ में आता है जब आप जो बना रहे हैं वह इतना संसाधन-GPU है। इस चुनौती को जोड़कर, एआई में अब तक की अधिकांश प्रगति अधिक पैमाने पर जोड़कर की गई है, जिसमें अधिक कंप्यूटिंग शक्ति और इसलिए लागत की आवश्यकता होती है।
लेकिन जब कंपनी जिसमें आपने अपना समाधान बनाया है उसमें एक शासन विफलता या उत्पाद आउटेज होता है? व्यावहारिक दृष्टिकोण से, एक मॉडल पर अपने उत्पाद को बनाने के लिए निर्भर करने का अर्थ है कि आप अब किसी भी चीज़ के लिए एक नकारात्मक प्रभाव का हिस्सा हैं जो होता है।
हमें यह भी याद रखना होगा कि संभावित प्रणालियों के साथ काम करने के जोखिम। हम इसके अभ्यस्त नहीं हैं और हम जिस दुनिया में रहते हैं वह एक निश्चित उत्तर के साथ काम करने के लिए डिज़ाइन की गई है। मॉडल आउटपुट के मामले में तरल हैं, और कंपनियां लगातार मॉडल को भी ट्विक करती हैं, जिसका अर्थ है कि आप समर्थन के लिए जो कोड लिखते हैं और आपके ग्राहक जिन परिणामों पर निर्भर करते हैं वे आपकी जानकारी या नियंत्रण के बिना बदल सकते हैं।
केंद्रीकरण सुरक्षा चिंताओं को भी पैदा करता है क्योंकि यह एक एकल विफलता बिंदु पेश करता है। प्रत्येक कंपनी अपने हित में काम कर रही है। यदि मॉडल के साथ एक सुरक्षा या जोखिम चिंता है, तो आपके पास उस मुद्दे को ठीक करने या विकल्पों तक पहुंचने का कम नियंत्रण है।
यह हमें कहाँ छोड़ता है?
एआई निस्संदेह हमारे जीवन को बेहतर बनाने जा रहा है। इसमें इतना कुछ हासिल करने और ठीक करने की क्षमता है, जैसे कि हम जानकारी कैसे इकट्ठा करते हैं और विशाल डेटा को कैसे समझते हैं। लेकिन इस अवसर के साथ जोखिम भी आता है। यदि हम एक मॉडल पर अधिक निर्भर हो जाते हैं, तो सभी कंपनियां सुरक्षा और उत्पाद चुनौतियों के लिए खुद को खोल रही हैं।
इसे ठीक करने के लिए, हमें अनुमान लागत को कम करने और कंपनियों के लिए एक बहु-मॉडल दृष्टिकोण को आसान बनाने की आवश्यकता है। और निश्चित रूप से, सब कुछ डेटा पर आता है। डेटा और डेटा स्वामित्व महत्वपूर्ण होंगे। जितना अधिक अद्वितीय, उच्च गुणवत्ता और उपलब्ध डेटा, उतना ही यह उपयोगी होगा।
कई समस्याओं के लिए, आप एक विशिष्ट अनुप्रयोग के लिए मॉडल को अनुकूलित कर सकते हैं। एआई का अंतिम मील कंपनियां विभिन्न मॉडलों के शीर्ष पर मार्गदर्शन तर्क, मूल्यांकन और ऑर्केस्ट्रेशन परतें बना रही हैं, उन्हें विभिन्न ऊर्ध्वाधरों के लिए विशेषज्ञता प्रदान कर रही हैं।
इस लक्ष्य की ओर कई महत्वपूर्ण निवेश किए गए हैं। मिस्टल के हालिया (और प्रभावशाली) फंडिंग राउंड ओपनएआई विकल्प की ओर एक आशाजनक विकास है। कुछ कंपनियां अन्य एआई प्रदाताओं को क्रॉस-मॉडल मल्टीप्लेक्सिंग को वास्तविकता बनाने और विशेष हार्डवेयर, सॉफ्टवेयर और मॉडल जिलेटिन के माध्यम से अनुमान लागत को कम करने में मदद कर रही हैं।
हम देखेंगे कि ओपन-सोर्स ले जा रहा है, और सरकारी निकाय ओपन-सोर्स को खुला रखने के लिए सक्षम होना चाहिए। ओपन-सोर्स मॉडल के साथ, आपके पास अधिक नियंत्रण है। हालांकि, प्रदर्शन अंतर अभी भी मौजूद हैं।
मैं मानता हूं कि हम एक ऐसी दुनिया में समाप्त होंगे जहां आपके पास जूनियर मॉडल होंगे जो कम जटिल कार्यों को बड़े पैमाने पर करने के लिए अनुकूलित होंगे, जबकि बड़े सुपर-इंटेलिजेंट मॉडल अपडेट के लिए ऑरेकल के रूप में काम करेंगे और जटिल समस्याओं को हल करने के लिए अधिक गणना पर खर्च करेंगे। आपको एक ग्राहक सेवा अनुरोध का जवाब देने के लिए एक ट्रिलियन-पैरामीटर मॉडल की आवश्यकता नहीं होगी। मैं इसे एक वरिष्ठ कार्यकारी की तुलना एक इंटर्न के साथ करता हूं जो एक कार्य को संभालता है। मानव समकक्षों की तरह, अधिकांश कंपनियां विभिन्न जटिलता स्तरों के साथ मॉडल का संग्रह पर भरोसा करेंगी।
इस संतुलन को प्राप्त करने के लिए, आपको एक स्पष्ट कार्य विभाजन और बेंचमार्किंग की आवश्यकता है, जिसमें समय, गणना जटिलता, लागत और आवश्यक पैमाने पर विचार किया जाता है। उपयोग के मामले के आधार पर, आप उचित प्राथमिकता दे सकते हैं। एक आधार सत्य, एक आदर्श परिणाम की तुलना के लिए, और एक उदाहरण इनपुट और आउटपुट डेटा निर्धारित करें, ताकि आप विभिन्न प्रॉम्प्ट चला सकें और परिणाम को अनुकूलित कर सकें और आधार सत्य के करीब पहुंच सकें।
यदि एआई कंपनियां सफलतापूर्वक अपने टेक स्टैक को विकेंद्रीकृत कर सकती हैं और कई मॉडल पर बना सकती हैं, तो हम इन उपकरणों की सुरक्षा और विश्वसनीयता में सुधार कर सकते हैं और इस प्रकार एआई के सकारात्मक प्रभाव को अधिकतम कर सकते हैं। हम अब सैद्धांतिक बहस के स्थान पर नहीं हैं – यह समय है कि हम एआई को अधिक प्रभावी और लचीला बनाने के लिए इन प्रौद्योगिकियों को काम पर लगाने के तरीके पर ध्यान केंद्रित करें।
