Szyte LLM dla każdego biznesu? DeepSeek pokazuje nam drogę

Kiedyś hasłem technologicznym było “komórki dla wszystkich” – i rzeczywiście komunikacja mobilna rewolucjonizowała biznes (i świat). Dziś odpowiednikiem tego hasła jest zapewnienie wszystkim dostępu do aplikacji sztucznej inteligencji. Ale prawdziwa siła sztucznej inteligencji tkwi w jej wykorzystaniu do konkretnych potrzeb biznesu i organizacji. Ścieżka wytyczona przez chińską firmę DeepSeek pokazuje, jak sztuczna inteligencja może być wykorzystana przez wszystkich, zwłaszcza przez te o ograniczonych budżetach, w celu spełnienia ich konkretnych potrzeb. W istocie pojawienie się tańszej sztucznej inteligencji obiecuje zmienić głęboko zakorzeniony wzorzec, w którym rozwiązania sztucznej inteligencji często pozostają poza zasięgiem wielu małych firm i organizacji ze względu na wymagania dotyczące kosztów.

LLM są – lub były – drogim przedsięwzięciem, wymagającym dostępu do ogromnych ilości danych, dużej liczby potężnych komputerów do przetwarzania danych oraz czasu i zasobów inwestowanych w szkolenie modelu. Ale te reguły się zmieniają. Działając na budżecie sznurka, DeepSeek opracował własny LLM oraz aplikację typu ChatGPT do zapytań – przy znacznie mniejszych nakładach niż te dla podobnych systemów opracowanych przez amerykańskie i europejskie firmy. Podejście DeepSeek otwiera okno możliwości rozwoju LLM dla mniejszych organizacji, które nie mają miliardów do wydania. W istocie dzień, w którym większość małych organizacji będzie mogła opracować własne LLM do spełnienia swoich konkretnych celów, nie jest już tak odległy, zazwyczaj zapewniając bardziej skuteczne rozwiązanie niż ogólne LLM, takie jak ChatGPT.

Chociaż debata nad prawdziwym kosztem DeepSeek nadal trwa, to nie tylko koszt odróżnia ją i podobne modele: to fakt, że opierały się one na mniej zaawansowanych chipach i bardziej ukierunkowanym podejściu do szkolenia. Jako chińska firma podlegająca amerykańskim restrykcjom eksportowym, DeepSeek nie mógł uzyskać dostępu do zaawansowanych chipów Nvidia, które są zwykle używane do obciążonego komputowania wymaganego dla rozwoju LLM, i był zmuszony do korzystania z mniej potężnych chipów Nvidia H-800 (NVDA ), które nie mogą przetwarzać danych tak szybko ani wydajnie.

Aby zrekompensować brak mocy, DeepSeek przyjął inne, bardziej ukierunkowane i bezpośrednie podejście do rozwoju LLM. Zamiast zrzucania gór danych na model i polegania na sile komputera do oznaczenia i zastosowania danych, DeepSeek zawęził szkolenie, wykorzystując niewielką ilość wysokiej jakości danych “cold-start” i stosując IRL (iteracyjne uczenie się wzmocnienia, z algorytmem stosującym dane do różnych scenariuszy i uczącym się z nich). To ukierunkowane podejście pozwala modelowi uczyć się szybciej, z mniejszą ilością błędów i marnowaną mocą komputera.

Podobnie jak rodzice mogą kierować konkretnymi ruchami dziecka, pomagając mu pomyślnie przewrócić się po raz pierwszy – zamiast pozostawienia dziecka, by samo to odkryło, lub nauczenia dziecka szerszego zakresu ruchu, który mógłby w teorii pomóc w przewróceniu się – uczeni danych szkolący te bardziej ukierunkowane modele sztucznej inteligencji koncentrują się na tym, co jest najbardziej potrzebne do określonych zadań i wyników. Takie modele prawdopodobnie nie mają tak szerokiego zastosowania, jak większe LLM, takie jak ChatGPT, ale mogą być polegane na określone aplikacje i wykonywać je z precyzją i wydajnością. Nawet krytycy DeepSeek przyznają, że jego uproszczone podejście do rozwoju znacznie zwiększyło wydajność, umożliwiając mu osiągnięcie więcej z o wiele mniejszych nakładów.

To podejście polega na tym, aby dać sztucznej inteligencji najlepsze dane wejściowe, aby mogła osiągnąć swoje cele w najmądrzejszy i najbardziej efektywny sposób, i może być cenne dla każdej organizacji, która chce opracować LLM do swoich konkretnych potrzeb i zadań. Takie podejście staje się coraz bardziej cenne dla małych firm i organizacji. Pierwszym krokiem jest rozpoczęcie od odpowiednich danych. Na przykład, firma, która chce wykorzystać sztuczną inteligencję, aby pomóc swoim zespołom sprzedaży i marketingu, powinna przeszkolić swój model na starannie wybranych danych, które koncentrują się na rozmowach sprzedażowych, strategiach i wskaźnikach. To powstrzymuje model od marnowania czasu i mocy komputera na nieistotnych informacjach. Ponadto, szkolenie musi być zorganizowane w etapach, zapewniając, że model opanuje każde zadanie lub pojęcie, zanim przejdzie do następnego.

To również ma paralele w wychowywaniu dziecka, jak sam dowiedziałem się, od kiedy zostałem matką kilka miesięcy temu. W obu przypadkach ukierunkowane, stopniowe podejście unika marnowania zasobów i redukuje tarcie. Wreszcie, takie podejście zarówno w przypadku ludzkich dzieci, jak i modeli sztucznej inteligencji prowadzi do iteracyjnej poprawy. Jak dziecko rośnie, lub model uczy się więcej, jego zdolności się poprawiają. To oznacza, że modele mogą być udoskonalane i poprawiane, aby lepiej radzić sobie w sytuacjach rzeczywistych.

To podejście utrzymuje koszty na niskim poziomie, uniemożliwiając projektom sztucznej inteligencji stać się wyciekiem zasobów, czyniąc je bardziej dostępnymi dla mniejszych zespołów i organizacji. Prowadzi również do lepszej wydajności modeli sztucznej inteligencji w krótszym czasie; a ponieważ modele nie są obciążone zbędnymi danymi, mogą być również dostosowane do nowych informacji i zmieniających się potrzeb biznesowych – kluczowych na konkurencyjnych rynkach.

Przybycie DeepSeek i świata tańszej, bardziej efektywnej sztucznej inteligencji – chociaż początkowo rozprzestrzeniło panikę w świecie sztucznej inteligencji i rynkach akcji – jest ogólnie pozytywnym rozwojem dla sektora sztucznej inteligencji. Większa efektywność i niższe koszty sztucznej inteligencji, przynajmniej dla pewnych ukierunkowanych aplikacji, ostatecznie doprowadzą do większego wykorzystania sztucznej inteligencji, co napędza wzrost dla wszystkich, od deweloperów po producentów chipów i użytkowników końcowych. W istocie DeepSeek ilustruje paradoks Jevonsa – gdzie większa efektywność prawdopodobnie doprowadzi do większego wykorzystania zasobu, a nie mniejszego. Jak ta tendencja wydaje się kontynuowana, małe firmy, które koncentrują się na wykorzystaniu sztucznej inteligencji, aby spełnić swoje konkretnie potrzeby, będą również lepiej przygotowane do wzrostu i sukcesu.