Аргументы в пользу децентрализации вашего технологического стека ИИ

Так много разговоров о разработке ИИ стало доминировать в футуристической и философской дискуссии – должны ли мы стремиться к общему искусственному интеллекту, где ИИ станет достаточно продвинутым, чтобы выполнять любую задачу так же, как человек? Возможно ли это?

Хотя обсуждение ускорения и замедления является важным и своевременным с достижениями, такими как модель Q-star, другие аспекты также имеют значение. Главным образом, важность децентрализации вашего технологического стека и то, как сделать это без слишком большого бремени затрат. Эти два вызова могут показаться противоречивыми: построение и развертывание моделей невероятно дорого, но чрезмерная зависимость от одной модели может быть вредной в долгосрочной перспективе. Я знаю этот вызов лично как основатель ИИ.

Чтобы построить интеллект, вам нужны таланты, данные и масштабируемый вычислительный ресурс. Чтобы ускорить время выхода на рынок и сделать больше с меньшими затратами, многие компании выберут построение на основе существующих моделей, а не создание с нуля. И такой подход имеет смысл, когда то, что вы строите, является настолько ресурсоемким. Этот вызов усугубляется тем, что, в отличие от программного обеспечения, большинство достижений в области ИИ на данный момент были достигнуты за счет добавления большей масштабируемости, что требует большей вычислительной мощности и, следовательно, стоимости.

Но что происходит, когда компания, в которой вы построили свое решение, испытывает управленческий кризис или сбой продукта? С практической точки зрения, зависимость от одной модели для построения вашего продукта означает, что вы теперь часть негативного эффекта домино для всего, что происходит.

Мы также должны помнить о рисках работы с системами, которые являются вероятностными. Мы не привыкли к этому, и мир, в котором мы живем, был сконструирован и спроектирован для функционирования с определенным ответом. Модели являются жидкими в плане вывода, и компании постоянно корректируют модели, что означает, что код, который вы написали для поддержки этих моделей, и результаты, на которые полагаются ваши клиенты, могут измениться без вашего ведома или контроля.

Централизация также создает проблемы безопасности, поскольку она вводит единую точку отказа. Каждая компания работает в лучших интересах себя. Если существует проблема безопасности или риска с моделью, у вас гораздо меньше контроля над исправлением этой проблемы или меньше доступа к альтернативам.

Где это нас оставляет?

ИИ, безусловно, улучшит нашу жизнь. Есть так много того, что он может достичь и исправить, от того, как мы собираем информацию, до того, как мы понимаем огромные объемы данных. Но вместе с этой возможностью также приходит риск. Если мы слишком сильно полагаемся на одну модель, все компании открывают себя для проблем безопасности и продукции.

Чтобы исправить это, нам нужно снизить затраты на вывод и сделать его проще для компаний иметь многомодельный подход. И, конечно, все сводится к данным. Владение данными и качество данных будут иметь значение. Чем более уникальны, качественны и доступны данные, тем более полезными они будут.

Для многих проблем можно оптимизировать модели для конкретного применения. Последняя миля ИИ – это компании, которые строят маршрутизацию, оценку и слои оркестровки поверх этих разных моделей, специализируя их для различных вертикалей.

Были сделаны несколько значительных инвестиций в эту область, которые приближают нас к этой цели. Недавний (и впечатляющий) раунд финансирования Mistal – это перспективное развитие в сторону альтернативы OpenAI. Также существуют компании, которые помогают другим поставщикам ИИ сделать многомодельное мультиплексирование реальностью и снижают затраты на вывод за счет специализированного оборудования, программного обеспечения и дистилляции моделей, как несколько примеров.

Мы также будем свидетелями взлета открытого исходного кода, и государственные органы должны обеспечить открытость исходного кода. С открытыми моделями проще иметь больше контроля. Однако пробелы в производительности все еще существуют.

Я полагаю, мы в конечном итоге окажемся в мире, где у вас будут младшие модели, оптимизированные для выполнения менее сложных задач в масштабе, в то время как более крупные сверхинтеллектуальные модели будут действовать как оракулы для обновлений и будут все больше тратить вычислительные ресурсы на решение более сложных проблем. Вам не понадобится модель с триллионом параметров, чтобы ответить на запрос обслуживания клиентов. Я сравниваю это с тем, что не нужно, чтобы старший исполнительный директор управлял задачей, которую может выполнить стажер. Как и у нас есть несколько ролей для человеческих аналогов, большинство компаний также будут полагаться на коллекцию моделей с различными уровнями сложности.

Чтобы достичь этого баланса, вам нужно иметь четкий разбив задач и бенчмаркинг, учитывая время, вычислительную сложность, стоимость и необходимую масштабируемость. В зависимости от случая использования можно расставить приоритеты соответственно. Определите базовую истину, идеальный результат для сравнения, и пример входных и выходных данных, чтобы вы могли запустить различные запросы для оптимизации и получения наиболее близкого результата к базовой истине.

Если компании ИИ могут успешно децентрализовать свой технологический стек и строить на основе нескольких моделей, мы можем улучшить безопасность и надежность этих инструментов и тем самым максимизировать положительное влияние ИИ. Мы больше не находимся в положении для теоретических дебатов – пришло время сосредоточиться на том, как использовать ИИ для того, чтобы сделать эти технологии более эффективными и устойчивыми.