Индивидуальные модели LLM для каждого бизнеса? DeepSeek показывает нам путь

В прошлом лозунгом технологий было «мобильные телефоны для всех» – и действительно, мобильные коммуникации революционизировали бизнес (и мир). Сегодня эквивалент этого лозунга – предоставить всем доступ к приложениям ИИ. Но真正ая сила ИИ заключается в его использовании для удовлетворения конкретных потребностей бизнеса и организаций. Путь, проложенный китайской стартап-компанией DeepSeek, демонстрирует, как ИИ действительно может быть использован всеми, особенно теми, у кого ограниченный бюджет, для удовлетворения своих конкретных потребностей. Действительно, появление более дешевых моделей ИИ обещает изменить глубоко укоренившийся шаблон, когда решения ИИ часто остаются недоступными для многих малых бизнесов и организаций из-за требований к бюджету.

Модели LLM были (или являются) дорогим мероприятием, требующим доступа к огромным объемам данных, большому количеству мощных компьютеров для обработки данных и времени и ресурсов, инвестируемых в обучение модели. Но эти правила меняются. Работая на скромном бюджете, DeepSeek разработала свою собственную модель LLM и приложение типа ChatGPT для запросов – с гораздо меньшими инвестициями, чем те, которые были сделаны американскими и европейскими компаниями для аналогичных систем. Подход DeepSeek открывает окно в разработку моделей LLM для более мелких организаций, которые не имеют миллиардов для траты. Действительно, день, когда большинство малых организаций смогут разработать свои собственные модели LLM для удовлетворения своих конкретных целей, обычно предоставляя более эффективное решение, чем общие модели LLM, такие как ChatGPT, может быть не за горами.

Хотя дебаты все еще продолжаются о истинной стоимости DeepSeek, это не просто стоимость, которая отличает ее и аналогичные модели: это тот факт, что она полагалась на менее передовые чипы и более сосредоточенный подход к обучению. Как китайская компания, подверженная американским экспортным ограничениям, DeepSeek не имела доступа к передовым чипам Nvidia, которые обычно используются для тяжелых вычислений, необходимых для разработки моделей LLM, и поэтому была вынуждена использовать менее мощные чипы Nvidia H-800 (NVDA ), которые не могут обрабатывать данные так быстро или эффективно.

Чтобы компенсировать это отсутствие мощности, DeepSeek выбрала другой, более сосредоточенный и прямой подход к разработке моделей LLM. Вместо того, чтобы бросать горы данных на модель и полагаться на вычислительную силу для маркировки и применения данных, DeepSeek сузила обучение, используя небольшое количество высококачественных “холодных” данных и применяя ИРЛ (итеративное обучение с подкреплением, с алгоритмом, применяющим данные к различным сценариям и обучающимся на них). Этот сосредоточенный подход позволяет модели учиться быстрее, с меньшим количеством ошибок и меньшим количеством浪费 вычислительной мощности.

Аналогично тому, как родители могут направлять конкретные движения ребенка, помогая ему успешно перевернуться впервые – а не оставляя ребенка один на один с этой задачей или обучая его более широкому кругу движений, которые могли бы в теории помочь с переворотом, – ученые, обучающие эти более сосредоточенные модели ИИ, фокусируются на том, что наиболее необходимо для определенных задач и результатов. Такие модели, вероятно, не имеют столь широкого применения, как более крупные модели LLM, такие как ChatGPT, но они могут быть надежными для конкретных приложений и выполнять их с точностью и эффективностью. Даже критики DeepSeek признают, что ее оптимизированный подход к разработке значительно повысил эффективность, позволяя ей делать больше с гораздо меньшими затратами.

Этот подход заключается в том, чтобы дать ИИ лучшие входные данные, чтобы он мог достичь своих вех наиболее умным и эффективным способом, и может быть ценен для любой организации, которая хочет разработать модель LLM для удовлетворения своих конкретных потребностей и задач. Такой подход становится все более ценен для малых бизнесов и организаций. Первый шаг – начать с правильных данных. Например, компания, которая хочет использовать ИИ для помощи своим командам продаж и маркетинга, должна обучить свою модель на тщательно отобранном наборе данных, который фокусируется на разговорах о продажах, стратегиях и метриках. Это сохраняет модель от浪费 времени и вычислительной мощности на нерелевантную информацию. Кроме того, обучение должно быть структурировано поэтапно, гарантируя, что модель освоит каждую задачу или понятие, прежде чем перейти к следующему.

Это также имеет параллели с воспитанием ребенка, как я сама узнала, став матерью несколько месяцев назад. В обоих случаях руководящий, пошаговый подход избегает浪费 ресурсов и снижает трение. Наконец, такой подход как с детьми, так и с моделями ИИ приводит к итеративному улучшению. По мере роста ребенка или обучения модели ее способности улучшаются. Это означает, что модели могут быть усовершенствованы и улучшены для лучшего выполнения реальных задач.

Этот подход сохраняет затраты на низком уровне, предотвращая превращение проектов ИИ в утечку ресурсов, делая их более доступными для более мелких команд и организаций. Он также приводит к лучшей производительности моделей ИИ более быстро; и, поскольку модели не перегружены ненужными данными, они также могут быть скорректированы для адаптации к новой информации и меняющимся бизнес-потребностям – ключевым фактором в конкурентных рынках.

Приход DeepSeek и мира более дешевого, более эффективного ИИ – хотя он первоначально распространил панику по всему миру ИИ и фондовым рынкам – в целом является положительным развитием для сектора ИИ. Более высокая эффективность и более низкие затраты на ИИ, по крайней мере для определенных сосредоточенных приложений, в конечном итоге приведут к более широкому использованию ИИ в целом, что стимулирует рост для всех, от разработчиков до производителей чипов и до конечных пользователей. Действительно, DeepSeek иллюстрирует парадокс Джевонса – где более высокая эффективность, вероятно, приведет к более широкому использованию ресурса, а не к его сокращению. По мере того, как эта тенденция, вероятно, будет продолжаться, малые бизнесы, которые сосредотачиваются на использовании ИИ для удовлетворения своих конкретных потребностей, также будут лучше подготовлены к росту и успеху.