Maatwerk LLM’s voor elk bedrijf? DeepSeek laat zien hoe het moet

Er was een tijd dat de technologie-roep was “mobiele telefoons voor iedereen” – en inderdaad hebben mobiele communicaties de wereld veranderd. Vandaag is de equivalent van die roep om iedereen toegang te geven tot AI-toepassingen. Maar de echte kracht van AI ligt in het benutten ervan voor de specifieke behoeften van bedrijven en organisaties. De weg die door het Chinese startup DeepSeek is geëffend, toont aan hoe AI inderdaad door iedereen kan worden benut, vooral door die met beperkte budgetten, om hun specifieke behoeften te vervullen. Inderdaad belooft de komst van goedkopere AI de diepgewortelde patronen van AI-oplossingen te veranderen, die vaak buiten het zicht van veel kleine bedrijven en organisaties blijven vanwege de kosten.

LLM’s waren – of waren – een duur onderneming, waarvoor toegang tot enorme hoeveelheden gegevens, grote aantallen krachtige computers om de gegevens te verwerken en tijd en middelen nodig waren om het model te trainen. Maar die regels veranderen. Met een schamele budget ontwikkelde DeepSeek zijn eigen LLM en een ChatGPT-achtige toepassing voor vragen – met een veel kleinere investering dan die voor soortgelijke systemen die door Amerikaanse en Europese bedrijven zijn gebouwd. De aanpak van DeepSeek opent een venster naar LLM-ontwikkeling voor kleinere organisaties die niet miljarden te besteden hebben. In feite is de dag niet ver weg waarop de meeste kleine organisaties hun eigen LLM’s kunnen ontwikkelen om hun specifieke doelen te dienen, meestal met een effectievere oplossing dan algemene LLM’s zoals ChatGPT.

Terwijl debat nog steeds gaande is over de werkelijke kosten van DeepSeek, is het niet alleen de kosten die het en soortgelijke modellen onderscheiden: het is het feit dat het minder geavanceerde chips en een meer gefocuste aanpak voor training gebruikte. Als een Chinees bedrijf dat onderworpen is aan Amerikaanse exportbeperkingen, kon DeepSeek geen toegang krijgen tot de geavanceerde Nvidia-chips die gewoonlijk worden gebruikt voor de zware berekeningen die nodig zijn voor LLM-ontwikkeling, en was daarom gedwongen om minder krachtige Nvidia H-800-chips (NVDA ) te gebruiken, die de gegevens niet zo snel of efficiënt kunnen verwerken.

Om die gebrek aan kracht te compenseren, nam DeepSeek een andere, meer gefocuste en directe aanpak voor zijn LLM-ontwikkeling. In plaats van bergen aan gegevens naar een model te gooien en te vertrouwen op de rekenkracht om de gegevens te labelen en toe te passen, heeft DeepSeek de training versmald, gebruikmakend van een kleine hoeveelheid hoogwaardige “cold-start”-gegevens en iteratieve versterking van het leren, met het algoritme dat gegevens toepast op verschillende scenario’s en er van leert). Deze gefocuste aanpak stelt het model in staat om sneller te leren, met minder fouten en minder verspilde rekenkracht.

Net zoals ouders een baby kunnen helpen bij het maken van specifieke bewegingen, zoals het voor het eerst rollen – in plaats van de baby alleen te laten of hem een bredere variëteit aan bewegingen te leren die in theorie zouden kunnen helpen bij het rollen – zoomen de datawetenschappers die deze meer gefocuste AI-modellen trainen in op wat het meest nodig is voor bepaalde taken en resultaten. Dergelijke modellen hebben waarschijnlijk niet zo’n brede betrouwbare toepassing als grotere LLM’s zoals ChatGPT, maar ze kunnen worden vertrouwd voor specifieke toepassingen en die met precisie en efficiëntie uitvoeren. Zelfs de critici van DeepSeek geven toe dat zijn gestroomlijnde aanpak voor ontwikkeling de efficiëntie aanzienlijk verhoogde, waardoor het meer kon doen met veel minder.

Deze aanpak gaat over het geven van AI de beste invoer zodat het zijn mijlpalen op de slimste, meest efficiënte manier kan bereiken, en kan waardevol zijn voor elke organisatie die een LLM wil ontwikkelen voor haar specifieke behoeften en taken. Een dergelijke aanpak is steeds waardevoller voor kleine bedrijven en organisaties. De eerste stap is het starten met de juiste gegevens. Bijvoorbeeld, een bedrijf dat AI wil gebruiken om zijn verkoop- en marketingteams te helpen, moet zijn model trainen op een zorgvuldig geselecteerd gegevensbestand dat zich richt op verkoopgesprekken, -strategieën en -metrieken. Dit houdt het model tegen van het verspillen van tijd en rekenkracht aan irrelevante informatie. Bovendien moet de training in fasen worden opgebouwd, waarbij het model elk onderdeel of concept meester wordt voordat het naar het volgende gaat.

Dit heeft ook parallellen met het opvoeden van een baby, zoals ikzelf heb geleerd sinds ik een paar maanden geleden moeder ben geworden. In beide scenario’s voorkomt een gefocuste, stap-voor-stap-aanpak het verspillen van middelen en vermindert het de wrijving. Ten slotte leidt een dergelijke aanpak met zowel baby’s als AI-modellen tot iteratieve verbetering. Naarmate de baby groeit of het model meer leert, verbeteren de capaciteiten. Dit betekent dat modellen kunnen worden verfijnd en verbeterd om beter om te gaan met echte situaties in de wereld.

Deze aanpak houdt de kosten laag, voorkomt dat AI-projecten een middelendrain worden en maakt ze toegankelijker voor kleinere teams en organisaties. Het leidt ook tot een betere prestatie van AI-modellen en sneller; en omdat de modellen niet worden overbelast met overbodige gegevens, kunnen ze ook worden aangepast om nieuwe informatie en veranderende bedrijfsbehoeften te accommoderen – een belangrijke factor in concurrerende markten.

De komst van DeepSeek en de wereld van lagere-kosten, efficiëntere AI – hoewel het aanvankelijk paniek verspreidde in de AI-wereld en aandelenmarkten – is over het algemeen een positieve ontwikkeling voor de AI-sector. De grotere efficiëntie en lagere kosten van AI, tenminste voor bepaalde gefocuste toepassingen, zullen uiteindelijk leiden tot meer gebruik van AI in het algemeen, wat groei stimuleert voor iedereen, van ontwikkelaars tot chipmakers tot eindgebruikers. In feite illustreert DeepSeek Jevons Paradox – waarbij meer efficiëntie waarschijnlijk zal leiden tot meer gebruik van een middel, niet minder. Aangezien deze trend naar verwachting zal aanhouden, zullen kleine bedrijven die AI gebruiken om hun specifieke behoeften te vervullen, ook beter zijn toegerust voor groei en succes.