မီးပန်း AI ၏ CEO နှင့် ပူးတွဲတည်ထောင်သူ Lin Qiao - အင်တာဗျူးစီးရီး

Lin Qiao သည် ယခင်က Meta's PyTorch ၏ အကြီးအကဲဖြစ်ပြီး Fireworks AI ၏ ပူးတွဲတည်ထောင်သူနှင့် CEO လည်းဖြစ်သည်။ မီးပန်း AI တီထွင်သူများ၊ Fireworks သည် အကောင်းဆုံးမော်ဒယ်များကို အမြန်ဆုံးအမြန်နှုန်းဖြင့် ဝန်ဆောင်မှုပေးနိုင်ရန် ကမ္ဘာ့ထိပ်တန်းမျိုးဆက် AI သုတေသီများနှင့် ပူးပေါင်းလုပ်ဆောင်သည့် ထုတ်လုပ်မှု AI ပလပ်ဖောင်းတစ်ခုဖြစ်သည်။ Fireworks AI သည် မကြာသေးမီက ထွက်ပေါ်လာခဲ့သည်။ $25M စီးရီး A.

ကွန်ပြူတာသိပ္ပံကို ဘယ်အရာက အစပိုင်းမှာ ဆွဲဆောင်ခဲ့တာလဲ။

အဖေက သင်္ဘောကျင်းမှာ အကြီးတန်း စက်ပိုင်းဆိုင်ရာ အင်ဂျင်နီယာတစ်ယောက်ဖြစ်ပြီး ကုန်တင်သင်္ဘောတွေကို အစကနေ ပြန်တည်ဆောက်တယ်။ ငယ်ငယ်ကတည်းက သင်္ဘောပုံစံအသေးစိတ်အချက်အလက်တွေကို အတိအကျဖတ်တတ်အောင် လေ့လာခဲ့ပြီး သဘောကျပါတယ်။

အလယ်တန်းကျောင်းကနေစပြီး STEM မှာ သင်္ချာ၊ ရူပဗေဒ နဲ့ ဓာတုဗေဒ ဘာသာရပ်အားလုံးကို မျိုသိပ်ခဲ့တယ်။ ကျွန်မရဲ့ အထက်တန်းကျောင်းရဲ့ တာဝန်တွေထဲက တစ်ခုကတော့ BASIC ပရိုဂရမ်းမင်းကို လေ့လာဖို့ဖြစ်ပြီး မြွေတစ်ကောင်ရဲ့ အမြီးကို ကိုက်စားတဲ့ ဂိမ်းတစ်ခုအကြောင်း ကုဒ်ရေးခဲ့ပါတယ်။ အဲဒီနောက်မှာတော့ ကွန်ပျူတာသိပ္ပံဟာ ကျွန်တော့်ရဲ့အနာဂတ်ကို သိခဲ့ပါတယ်။

Meta တွင် သင် Caffe300 နှင့် နောက်ပိုင်းတွင် PyTorch ကို တည်ဆောက်ပြီး အသုံးပြုသည့် AI ဘောင်များနှင့် ပလပ်ဖောင်းများတွင် ကမ္ဘာ့အဆင့်မီ အင်ဂျင်နီယာ 2+ ကို သင် ဦးဆောင်ခဲ့သည်။ ဒီအတွေ့အကြုံကနေ မင်းရဲ့ အဓိက ထုတ်ယူသွားတဲ့အရာတွေက ဘာတွေလဲ။

Meta ကဲ့သို့သော နည်းပညာ ကုမ္ပဏီကြီးများသည် မျဉ်းကွေးထက် ငါးနှစ် သို့မဟုတ် ထို့ထက်ပို၍ အမြဲရှိသည်။ ကျွန်ုပ်သည် 2015 ခုနှစ်တွင် Meta သို့ဝင်ရောက်သောအခါ၊ ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ AI ခရီးစဉ်၏အစတွင်ရှိပါသည်- CPUs မှ GPUs သို့ပြောင်းသွားပါသည်။ အခြေခံကနေ AI အခြေခံအဆောက်အအုံကို ဒီဇိုင်းထုတ်ရမယ်။ Caffe2 ကဲ့သို့သော မော်ဒယ်များသည် ၎င်းတို့ကို ဖန်တီးခဲ့စဉ်က အဆန်းတကြယ်ဖြစ်ခဲ့သော်လည်း AI သည် လျင်မြန်စွာ ပြောင်းလဲလာသောကြောင့် ၎င်းတို့သည် လျင်မြန်စွာ ခေတ်မမီတော့ပေ။ ကျွန်ုပ်တို့သည် PyTorch နှင့် ၎င်းပတ်ဝန်းကျင်ရှိ စနစ်တစ်ခုလုံးကို ဖြေရှင်းချက်တစ်ခုအဖြစ် တီထွင်ခဲ့သည်။

PyTorch သည် AI ကိုတည်ဆောက်ရန်အပြိုင်အဆိုင်ကြုံတွေ့ရသောအကြီးမားဆုံးသော developer များအကြောင်းလေ့လာသိရှိခဲ့သောနေရာဖြစ်သည်။ ပထမစိန်ခေါ်မှုမှာ တည်ငြိမ်ပြီး ယုံကြည်စိတ်ချရသော မော်ဒယ်ဗိသုကာလက်ရာကို ချိန်ညှိမှုနည်းပြီး လိုက်လျောညီထွေဖြစ်စေသောကြောင့် မော်ဒယ်များကို စကေးချနိုင်စေရန်ဖြစ်သည်။ ဒုတိယစိန်ခေါ်မှုမှာ ပိုင်ဆိုင်မှုစုစုပေါင်းကုန်ကျစရိတ်ဖြစ်သည်၊ ထို့ကြောင့် ကုမ္ပဏီများသည် ၎င်းတို့၏ မော်ဒယ်များကို မြှင့်တင်ရန် ကြိုးပမ်းနေခြင်းမှာ ဒေဝါလီခံခြင်းမရှိပေ။

Meta တွင် ကျွန်ုပ်၏အချိန်သည် PyTorch open-source ကဲ့သို့သော မော်ဒယ်များနှင့် မူဘောင်များကို ထိန်းသိမ်းထားရန် မည်မျှအရေးကြီးကြောင်း ပြသခဲ့သည်။ ဆန်းသစ်တီထွင်မှုကို အားပေးတယ်။ ထပ်ခါထပ်ခါပြုလုပ်ရန်အတွက် open-source အခွင့်အလမ်းများမရှိဘဲ PyTorch တွင် ကျွန်ုပ်တို့ရရှိထားသလောက် ကြီးထွားလာမည်မဟုတ်ပါ။ ထို့အပြင်၊ ပူးပေါင်းဆောင်ရွက်ခြင်းမရှိဘဲ နောက်ဆုံးပေါ် သုတေသနအားလုံးကို အပ်ဒိတ်နေရန် မဖြစ်နိုင်ပါ။

Fireworks AI ကို စတင်ရန် သင့်အား မည်သည့်အရာက ဖြစ်ပေါ်စေခဲ့သည်ကို ဆွေးနွေးနိုင်ပါသလား။

ကျွန်ုပ်သည် နည်းပညာလုပ်ငန်းတွင် နှစ်ပေါင်း 20 ကျော်ကြာ လုပ်ကိုင်ခဲ့ပြီး၊ cloud မှ မိုဘိုင်းအက်ပ်များဆီသို့ စက်မှုလုပ်ငန်းအဆင့် အပြောင်းအလဲလှိုင်းများအပြီးတွင် လှိုင်းလုံးများကို မြင်တွေ့ခဲ့ရသည်။ သို့သော် ဤ AI ပြောင်းလဲမှုသည် ပြီးပြည့်စုံသော tectonic realignment တစ်ခုဖြစ်သည်။ ဒီအပြောင်းအလဲအတွက် ရုန်းကန်နေရတဲ့ ကုမ္ပဏီတော်တော်များများကို ကျွန်တော်တွေ့ခဲ့တယ်။ လူတိုင်းသည် လျင်မြန်စွာ ရွေ့လျားပြီး AI ကို ဦးစွာထားလိုကြသော်လည်း ယင်းကို ဖြစ်ပေါ်လာစေရန် အခြေခံအဆောက်အအုံ၊ အရင်းအမြစ်များနှင့် အရည်အချင်းများ ချို့တဲ့ကြသည်။ ဒီကုမ္ပဏီတွေနဲ့ စကားပြောလေလေ စျေးကွက်ထဲမှာ ဒီကွာဟချက်ကို ဖြေရှင်းနိုင်မယ်ဆိုတာ ပိုနားလည်လာလေပါပဲ။

ဤပြဿနာကိုဖြေရှင်းရန်နှင့် PyTorch တွင်ကျွန်ုပ်တို့ရရှိခဲ့သောမယုံကြည်နိုင်စရာကောင်းသောအလုပ်၏တိုးချဲ့မှုတစ်ခုအနေဖြင့်ကျွန်ုပ်တို့နှစ်ဦးစလုံး Fireworks AI ကိုဖွင့်ခဲ့သည်။ ကျွန်ုပ်တို့၏အမည်ကိုပင် လှုံ့ဆော်ပေးခဲ့သည်။ PyTorch သည် မီးကို ကိုင်ဆောင်ထားသော မီးရှူးတိုင်ဖြစ်သည်- သို့သော် ထိုမီးကို နေရာတိုင်းတွင် ပျံ့နှံ့စေလိုပါသည်။ ထို့ကြောင့် မီးပန်းများ။

ကျွန်ုပ်သည် ဒီမိုကရက်တစ်နည်းပညာကို အမြဲတမ်းစိတ်အားထက်သန်နေပြီး developer များအတွက် ၎င်းတို့၏အရင်းအမြစ်များကို မခွဲခြားဘဲ ဆန်းသစ်တီထွင်ရန်အတွက် တတ်နိုင်ကာ ရိုးရှင်းအောင်ပြုလုပ်ထားသည်။ ထို့ကြောင့် ကျွန်ုပ်တို့တွင် ဤကဲ့သို့ အသုံးပြုရလွယ်ကူသော အင်တာဖေ့စ်နှင့် တည်ဆောက်သူများအား ၎င်းတို့၏ အမြင်များကို အသက်ဝင်စေရန် ခွန်အားပေးသည့် အားကောင်းသည့် ပံ့ပိုးမှုစနစ်များရှိသည်။

developer centric AI ဆိုတာ ဘာလဲ၊ ဒါက ဘာကြောင့် အရမ်းအရေးကြီးတယ်ဆိုတာ ဆွေးနွေးနိုင်မလား။

ရိုးရှင်းသည်- "developer-centric" ဆိုသည်မှာ AI developer များ၏ လိုအပ်ချက်များကို ဦးစားပေးခြင်းဖြစ်သည်။ ဥပမာ- developer များ ပိုမိုထိရောက်ပြီး ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရရှိစေမည့် ကိရိယာများ၊ အသိုင်းအဝိုင်းများနှင့် လုပ်ငန်းစဉ်များကို ဖန်တီးခြင်း။

Fireworks ကဲ့သို့သော developer-centric AI ပလပ်ဖောင်းများသည် လက်ရှိအလုပ်အသွားအလာများနှင့် နည်းပညာအစုအဝေးများတွင် ပေါင်းစပ်သင့်သည်။ ၎င်းတို့သည် developer များအား စမ်းသပ်ရန်၊ အမှားများပြုလုပ်ရန်နှင့် ၎င်းတို့၏လုပ်ငန်းကို တိုးတက်စေရန် ရိုးရှင်းစေရန် ပြုလုပ်သင့်သည်။ ၎င်းတို့သည် အောင်မြင်ရန် လိုအပ်သည်များကို နားလည်သော developer များကိုယ်တိုင်က တုံ့ပြန်ချက်များကို အားပေးသင့်သည်။ နောက်ဆုံးအနေဖြင့်၊ ၎င်းသည် platform တစ်ခုဖြစ်ခြင်းထက်မကအကြောင်းဖြစ်သည်။ ပူးပေါင်းဆောင်ရွက်ခြင်း developer များသည် AI ဖြင့်ဖြစ်နိုင်ချေရှိသော နယ်နိမိတ်များကို တွန်းပို့နိုင်သည့် အသိုက်အဝန်းတစ်ခုဖြစ်ခြင်းအကြောင်းဖြစ်သည်။

သင်ဖန်တီးထားသော GenAI ပလပ်ဖောင်းသည် ကြီးမားသောဘာသာစကားမော်ဒယ်များ (LLMs) ဖြင့် လုပ်ဆောင်နေသော developer များအတွက် သိသာထင်ရှားသောတိုးတက်မှုတစ်ခုဖြစ်သည်။ အထူးသဖြင့် လက်ရှိဖြေရှင်းချက်များနှင့် နှိုင်းယှဉ်ရာတွင် သင်၏ပလက်ဖောင်း၏ထူးခြားသောအင်္ဂါရပ်များနှင့် အကျိုးကျေးဇူးများကို အသေးစိတ်ဖော်ပြနိုင်ပါသလား။

AI ထုတ်လုပ်မှုပလပ်ဖောင်းအဖြစ် ကျွန်ုပ်တို့၏ချဉ်းကပ်မှုတစ်ခုလုံးသည် ထူးခြားသော်လည်း ကျွန်ုပ်တို့၏အကောင်းဆုံးအင်္ဂါရပ်အချို့မှာ-

ထိရောက်သော ကောက်ချက်ချခြင်း - ကျွန်ုပ်တို့သည် ထိရောက်မှုနှင့် မြန်နှုန်းအတွက် Fireworks AI ကို တီထွင်ခဲ့သည်။ ကျွန်ုပ်တို့၏ပလပ်ဖောင်းကိုအသုံးပြုသည့် developer များသည် ၎င်းတို့၏ LLM အပလီကေးရှင်းများကို ဖြစ်နိုင်သမျှ latency နှင့် ကုန်ကျစရိတ်အနည်းဆုံးဖြင့် လုပ်ဆောင်နိုင်သည်။ အချက်ပြ ကက်ရှ်ခြင်း၊ လိုက်လျောညီထွေဖြစ်အောင် ခွဲခြမ်းစိပ်ဖြာခြင်း၊ အရေအတွက်သတ်မှတ်ခြင်း၊ ဆက်တိုက်ပြုလုပ်ခြင်း၊ FireAttention နှင့် အခြားအရာများ အပါအဝင် နောက်ဆုံးပေါ် မော်ဒယ်နှင့် ဝန်ဆောင်မှု ပိုမိုကောင်းမွန်အောင် ပြုလုပ်ခြင်း နည်းပညာများဖြင့် ကျွန်ုပ်တို့ ရရှိနိုင်ပါသည်။

LoRA-tuned မော်ဒယ်များအတွက် တတ်နိုင်လောက်သော ပံ့ပိုးမှု – ကျွန်ုပ်တို့သည် အခြေခံမော်ဒယ်များပေါ်တွင် ငှားရမ်းနေထိုင်မှုပေါင်းများစွာမှတစ်ဆင့် အဆင့်နိမ့်လိုက်လျောညီထွေဖြစ်အောင် (LoRA) ဒဏ်ငွေဆောင်ထားသော မော်ဒယ်များကို တတ်နိုင်သော ဝန်ဆောင်မှုကို ပေးဆောင်ပါသည်။ ဆိုလိုသည်မှာ ဆော့ဖ်ဝဲအင်ဂျင်နီယာများသည် ဘဏ်ကိုမချိုးဖောက်ဘဲ တူညီသောပုံစံပေါ်ရှိ မတူညီသောအသုံးပြုမှုကိစ္စများ သို့မဟုတ် ပုံစံကွဲများစွာဖြင့် စမ်းသပ်နိုင်သည်ဟု ဆိုလိုသည်။

ရိုးရှင်းသော အင်တာဖေ့စ်များနှင့် API များ - ကျွန်ုပ်တို့၏ အင်တာဖေ့စ်များနှင့် API များသည် developer များအတွက် ၎င်းတို့၏ အပလီကေးရှင်းများတွင် ပေါင်းစည်းရန် ရိုးရှင်းပြီး လွယ်ကူပါသည်။ ကျွန်ုပ်တို့၏ API များသည် ရွှေ့ပြောင်းရလွယ်ကူစေရန် OpenAI နှင့်လည်း တွဲဖက်အသုံးပြုနိုင်ပါသည်။

စင်ပေါ်မှ မော်ဒယ်များနှင့် ကောင်းမွန်စွာ ချိန်ညှိထားသော မော်ဒယ်များ - ကျွန်ုပ်တို့သည် developer များသည် ကွက်လပ်ပြင်ပမှ အသုံးပြုနိုင်သည့် ကြိုတင်လေ့ကျင့်ထားသော မော်ဒယ် 100 ကျော်ကို ပေးဆောင်ပါသည်။ ကျွန်ုပ်တို့သည် အကောင်းဆုံး LLM များ၊ ရုပ်ပုံထုတ်လုပ်သည့် မော်ဒယ်များ၊ ထည့်သွင်းထားသော မော်ဒယ်များ စသည်တို့ကို အကျုံးဝင်ပါသည်။ သို့သော် developer များသည် ၎င်းတို့၏ ကိုယ်ပိုင် စိတ်ကြိုက်မော်ဒယ်များကို လက်ခံဆောင်ရွက်ပေးရန် ရွေးချယ်နိုင်ပါသည်။ developer များသည် ဤစိတ်ကြိုက်မော်ဒယ်များကို ၎င်းတို့၏မူပိုင်ခွင့်ဒေတာဖြင့် စိတ်ကြိုက်ပြင်ဆင်ရာတွင် ကူညီပေးရန်အတွက် ကိုယ်တိုင်ဝန်ဆောင်မှုပေးသည့် ချိန်ညှိခြင်းဝန်ဆောင်မှုများကိုလည်း ပေးပါသည်။

အသိုင်းအဝိုင်းပူးပေါင်းဆောင်ရွက်မှု- အသိုင်းအဝိုင်းပူးပေါင်းဆောင်ရွက်မှု၏ ပွင့်လင်းသောအရင်းအမြစ်ကျင့်ဝတ်များကို ကျွန်ုပ်တို့ယုံကြည်ပါသည်။ ကျွန်ုပ်တို့၏ platform သည် developer များအား ၎င်းတို့၏ ကောင်းမွန်သောပုံစံများကို မျှဝေပြီး AI ပိုင်ဆိုင်မှုနှင့် အသိပညာများတိုးပွားလာစေရန် ပံ့ပိုးကူညီရန် (သို့သော်လည်း မလိုအပ်ပါ) developer များကို အားပေးပါသည်။ ကျွန်ုပ်တို့၏စုပေါင်းကျွမ်းကျင်မှုကို တိုးပွားစေခြင်းဖြင့် လူတိုင်းအကျိုးခံစားခွင့်ရှိသည်။

model parallelism နှင့် data parallelism အကြား ကမ်းလှမ်းထားသော ဟိုက်ဘရစ်ချဉ်းကပ်နည်းကို ဆွေးနွေးနိုင်ပါသလား။

စက်သင်ယူမှုမော်ဒယ်များကို ပြိုင်တူပြုခြင်းသည် မော်ဒယ်လေ့ကျင့်ရေး၏ စွမ်းဆောင်ရည်နှင့် အရှိန်ကို မြှင့်တင်ပေးပြီး GPU တစ်ခုတည်း မလုပ်ဆောင်နိုင်သော ပိုကြီးသော မော်ဒယ်များကို developer များအား ကိုင်တွယ်ရာတွင် ကူညီပေးပါသည်။

Model Parallelism သည် မော်ဒယ်တစ်ခုကို အပိုင်းများစွာခွဲကာ သီးခြားပရိုဆက်ဆာများပေါ်တွင် အစိတ်အပိုင်းတစ်ခုစီကို လေ့ကျင့်ပေးခြင်းတို့ ပါဝင်ပါသည်။ တစ်ဖက်တွင်၊ data parallelism သည် datasets များကို subsets များအဖြစ် ပိုင်းခြားပြီး သီးခြား processors များမှတဆင့် တစ်ချိန်တည်းတွင် subset တစ်ခုစီရှိ model တစ်ခုအား လေ့ကျင့်ပေးပါသည်။ ပေါင်းစပ်ချဉ်းကပ်နည်းသည် ဤနည်းလမ်းနှစ်ခုကို ပေါင်းစပ်ထားသည်။ မော်ဒယ်များကို သီးခြားအစိတ်အပိုင်းများအဖြစ် ပိုင်းခြားထားပြီး၊ တစ်ခုချင်းစီကို မတူညီသော ဒေတာအစုအဝေးများတွင် လေ့ကျင့်သင်ကြားပေးကာ ထိရောက်မှု၊ အတိုင်းအတာနှင့် လိုက်လျောညီထွေမှုတို့ကို ပိုမိုကောင်းမွန်စေပါသည်။

Fireworks AI ကို developer 20,000 ကျော်က အသုံးပြုထားပြီး လက်ရှိတွင် နေ့စဉ် တိုကင် 60 ဘီလီယံကျော်ကို ဝန်ဆောင်မှုပေးနေပါသည်။ သင့်လုပ်ငန်းဆောင်ရွက်မှုများကို ဤအဆင့်အထိ ချဲ့ထွင်ရာတွင် မည်သည့်စိန်ခေါ်မှုများကို ရင်ဆိုင်ခဲ့ရပြီး ၎င်းတို့ကို သင်မည်ကဲ့သို့ ကျော်ဖြတ်ခဲ့သနည်း။

ရိုးရိုးသားသားပြောရရင် Fireworks AI ကို 2022 ခုနှစ်မှာ စတင်တည်ထောင်ကတည်းက ဖြတ်ကျော်ရမယ့် မြင့်မားတဲ့တောင်တွေ အများကြီးရှိခဲ့ပါတယ်။

ကျွန်ုပ်တို့၏ဖောက်သည်များသည် သုံးစွဲသူများ၊ prosumers သို့မဟုတ် အခြားသော developer များအတွက် အက်ပလီကေးရှင်းများတည်ဆောက်နေသောကြောင့် မြန်နှုန်းမြင့်ဖြေရှင်းချက်လိုအပ်သော ပရိသတ်များအားလုံးအတွက် ကျွန်ုပ်တို့၏ဖောက်သည်များသည် အလွန်နည်းသော latency ပံ့ပိုးမှုကို ရှာဖွေနေသောကြောင့် ကျွန်ုပ်တို့ထံ ဦးစွာရောက်ရှိလာပါသည်။ ထို့နောက် ကျွန်ုပ်တို့၏ဖောက်သည်များ၏ အပလီကေးရှင်းများ အရှိန်အဟုန်ဖြင့် စတင်သောအခါ၊ ၎င်းတို့သည် ထိုစကေးနှင့်ဆက်စပ်သော ပုံမှန်ကုန်ကျစရိတ်များကို မတတ်နိုင်ကြောင်း သူတို့သဘောပေါက်လိုက်ပါသည်။ ထို့နောက် ၎င်းတို့သည် ကျွန်ုပ်တို့လုပ်ဆောင်ခဲ့သည့် စုစုပေါင်းပိုင်ဆိုင်မှု (TCO) ကုန်ကျစရိတ်ကို လျှော့ချရန် ကျွန်ုပ်တို့အား ကူညီပေးရန် တောင်းဆိုခဲ့သည်။ ထို့နောက်တွင်၊ ကျွန်ုပ်တို့၏ဖောက်သည်များသည် OpenAI မှ OSS မော်ဒယ်များသို့ ပြောင်းရွှေ့လိုပြီး OpenAI ထက် တန်းတူရည်တူ သို့မဟုတ် ပိုမိုကောင်းမွန်သည့် အရည်အသွေးကို ပေးဆောင်ရန် ကျွန်ုပ်တို့ကို တောင်းဆိုခဲ့သည်။ ကျွန်တော်တို့လည်း အဲဒါကို လုပ်ခဲ့တယ်။

ကျွန်ုပ်တို့၏ထုတ်ကုန်၏ဆင့်ကဲဖြစ်စဉ်တွင် ခြေလှမ်းတိုင်းသည် စိန်ခေါ်မှုပြဿနာတစ်ခုဖြစ်ခဲ့သည်၊ သို့သော် ၎င်းသည် ကျွန်ုပ်တို့၏ဖောက်သည်များ၏လိုအပ်ချက်များကို ယနေ့ခေတ်အဖြစ်သို့ အမှန်တကယ်မီးရှူးမီးပန်းများပုံဖော်ခြင်းဖြစ်သည်- TCO နည်းပါးသော လျှပ်စီးကြောင်းမြန်ဆန်သော စေ့စပ်သေချာသည့်အင်ဂျင်ဖြစ်သည်။ ထို့အပြင်၊ ကျွန်ုပ်တို့သည် ရွေးချယ်ရန် အရည်အသွေးမြင့်၊ ကွက်လပ်မဟုတ်သော မော်ဒယ်များ အမျိုးအစားနှစ်မျိုးစလုံးကို ရွေးချယ်ရန် သို့မဟုတ် ၎င်းတို့ကိုယ်တိုင် ဖန်တီးသူများအတွက် developer များအတွက် ကောင်းမွန်သော ချိန်ညှိခြင်းဝန်ဆောင်မှုများကို ပေးဆောင်ပါသည်။

AI နှင့် machine learning တွင် လျင်မြန်စွာ တိုးတက်မှုနှင့်အတူ၊ ကျင့်ဝတ်ဆိုင်ရာ ထည့်သွင်းစဉ်းစားမှုများသည် ယခင်ကထက် ပိုအရေးကြီးပါသည်။ Fireworks AI သည် AI ၏ဘက်လိုက်မှု၊ ကိုယ်ရေးကိုယ်တာနှင့် ကျင့်ဝတ်ဆိုင်ရာအသုံးပြုမှုနှင့်ပတ်သက်သည့် စိုးရိမ်မှုများကို မည်သို့ဖြေရှင်းသနည်း။

ChatGPT ကဲ့သို့သော genAI အက်ပ်များကို မကြာခဏအသုံးပြုသည့် ဆယ်ကျော်သက်သမီး နှစ်ဦးရှိသည်။ အမေတစ်ယောက်အနေနဲ့၊ လုပ်ငန်းက အကြောင်းအရာဘေးကင်းရေးရဲ့ အရေးကြီးတဲ့ပြဿနာကို စတင်ကိုင်တွယ်နေပြီဖြစ်လို့ သူတို့အနေနဲ့ အထင်အမြင်လွဲမှားစေမယ့် သို့မဟုတ် မသင့်လျော်တဲ့အကြောင်းအရာတွေကို ရှာတွေ့မှာကို စိုးရိမ်မိပါတယ်။ Meta သည် Purple Llama ပရောဂျက်နှင့်အတူ များစွာလုပ်ဆောင်နေပြီး Stability AI ၏ SD3 မုဒ်အသစ်များသည် ကောင်းမွန်ပါသည်။ ကုမ္ပဏီနှစ်ခုစလုံးသည် ၎င်းတို့၏ Llama3 နှင့် SD3 မော်ဒယ်အသစ်များကို စစ်ထုတ်မှုအလွှာများစွာဖြင့် ဘေးကင်းစေရန် ကြိုးစားလုပ်ဆောင်နေပါသည်။ အဝင်-အထွက် အကာအကွယ် မော်ဒယ်၊ Llama Guard သည် ကျွန်ုပ်တို့၏ ပလက်ဖောင်းပေါ်တွင် အသုံးပြုမှု အများအပြား ရရှိသော်လည်း ၎င်း၏ မွေးစားမှုသည် အခြား LLM များနှင့် တန်းတူ မဖြစ်သေးပါ။ လုပ်ငန်းတစ်ခုလုံးသည် အကြောင်းအရာဘေးကင်းမှုနှင့် AI ကျင့်ဝတ်များကို ရှေ့တန်းမှဆောင်ကြဉ်းရန် ခရီးရှည်ကျန်နေသေးသည်။

Fireworks မှ ကျွန်ုပ်တို့သည် ကိုယ်ရေးကိုယ်တာနှင့် လုံခြုံရေးကို အထူးဂရုစိုက်ပါသည်။ ကျွန်ုပ်တို့သည် HIPAA နှင့် SOC2 နှင့် ကိုက်ညီပြီး လုံခြုံသော VPC နှင့် VPN ချိတ်ဆက်မှုကို ပေးဆောင်ပါသည်။ ကုမ္ပဏီများသည် ၎င်းတို့၏ လုပ်ငန်းကျုံးကို တည်ဆောက်ရန်အတွက် ၎င်းတို့၏ ကိုယ်ပိုင်ဒေတာနှင့် မော်ဒယ်များဖြင့် Fireworks များကို ယုံကြည်ကြသည်။

AI က ဘယ်လိုပြောင်းလဲလာမလဲဆိုတာကို မင်းရဲ့အမြင်ကဘာလဲ။

AlphaGo သည် စစ်တုရင်ကစားရန် သင်ယူနေစဉ် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ကို သရုပ်ပြခဲ့သလို၊ genAI အပလီကေးရှင်းများသည် ပို၍ပို၍ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ကို မြင်တွေ့ရမည်ဟု ကျွန်တော်ထင်ပါတယ်။ အက်ပ်များသည် မှန်ကန်သော အေးဂျင့် သို့မဟုတ် API မှ တောင်းဆိုမှုများကို လုပ်ဆောင်ရန် အလိုအလျောက် လမ်းကြောင်းပြောင်းကာ မှန်ကန်သော ရလဒ်ကို မရယူမီအထိ သင်တန်းမှန်ကန်စေမည်ဖြစ်သည်။ ထိန်းချုပ်သူအနေဖြင့် အခြားသူများထံမှ လုပ်ဆောင်ချက်ခေါ်ဆိုမှုပုံစံတစ်ခုအား စစ်တမ်းကောက်ယူမည့်အစား၊ ပြဿနာများကိုဖြေရှင်းရန် စည်းလုံးညီညွတ်စွာ လုပ်ဆောင်နေသော ကိုယ်ပိုင်ဖွဲ့စည်းထားသော၊ ကိုယ်တိုင်ပေါင်းစပ်ထားသော အေးဂျင့်များကို ကျွန်ုပ်တို့ တွေ့ရမည်ဖြစ်ပါသည်။

မီးရှူးမီးပန်းများ၏ လျှပ်စီးလက်မြန် ကောက်ချက်ချမှု၊ လုပ်ဆောင်ချက်-ခေါ်ဆိုမှု မော်ဒယ်များနှင့် ညှိယူခြင်း ဝန်ဆောင်မှုများသည် ဤအဖြစ်မှန်အတွက် လမ်းခင်းပေးခဲ့သည်။ ယခု တီထွင်ဆန်းသစ်သော developer များက ၎င်းကို အကောင်အထည်ဖော်ရန်သာ မူတည်သည်။

အင်တာဗျူးကောင်းအတွက် ကျေးဇူးတင်ပါသည်၊ ပိုမိုလေ့လာလိုသော စာဖတ်သူများ လာရောက်လေ့လာသင့်ပါသည်။ မီးပန်း AI.