Yapay Zeka Teknoloji Yığınınızı Merkezden Çıkarmak için Durum

Yapay zeka geliştirme konusundaki tartışmalar çok fazla bir felsefi ve gelecekçi tartışmaya dönüşmüştür – genel yapay zeka yaklaşımını mı benimsemeliyiz, yani yapay zeka insan gibi herhangi bir görevi gerçekleştirebilecek seviyeye ulaşmalı mı? Bu mümkün mü?

Hızlanma karşıtı tartışma önemli ve zamanında, Q-star modeli gibi gelişmelerle birlikte, diğer yönler de önemli. Özellikle teknoloji yığınınızı merkezden çıkarmak ve bunu nasıl yapacağınızı anlamak, aynı zamanda bunu fazla maliyet yükü olmadan nasıl gerçekleştirebileceğinizi bilmek. Bu iki zorluk birbirleriyle çelişiyor gibi görünüyor: modelleri oluşturmak ve dağıtmak inanılmaz derecede pahalı, ancak tek bir modele aşırı bağımlı olmak uzun vadede zararlı olabilir. Bu zorluğu bizzat bir yapay zeka kurucusu olarak biliyorum.

Zeka oluşturmak için yetenek, veri ve ölçeklenebilir hesaplama gücüne ihtiyacınız var. Piyasa süresini hızlandırmak ve daha az kaynakla daha fazla şey yapmak için birçok şirket mevcut modellerin üzerine inşa etmek yerine sıfırdan inşa etmeyi tercih edecek. Kaynakların bu kadar yoğun olduğu bir şeyi inşa ettiğinizde bu yaklaşım mantıklı. Bu zorluğu pekiştiren bir diğer şey, yazılımın aksine, şimdiye kadar yapay zeka alanında yapılan kazanımların çoğunun daha fazla ölçek eklenmesiyle, yani daha fazla hesaplama gücü ve dolayısıyla maliyet gerektirmesiyle elde edilmiş olması.

Ancak, çözümünüzü oluşturduğunuz şirket governance hatası veya ürün arızası yaşarsa ne olur? Pratik açıdan, ürününüzü oluşturmak için tek bir modele dayanmak, herhangi bir şey olduğunda olumsuz bir dalganın parçası haline gelmeniz anlamına gelir.

Ayrıca, olasılıksal sistemlerle çalışmanın risklerini unutmamalıyız. Bizler kesin cevaplarla işleyen bir dünyada yaşıyoruz ve şimdiye kadar tasarlanan sistemler kesin cevaplar vermek için tasarlandı. Modeller, çıkış açısından akışkan ve şirketler de modelleri sürekli olarak güncelliyor, bu da sizin yazdığınız kodu ve müşterilerinizin güvendiği sonuçları bilginiz veya kontrolünüz olmadan değiştirebileceği anlamına geliyor.

Merkezileştirme ayrıca güvenlik endişeleri yaratır, çünkü tek bir başarısızlık noktası oluşturur. Her şirket kendi çıkarını korumak için çalışıyor. Bir modelde güvenlik veya risk sorunu varsa, bu sorunu çözme veya alternatiflere ulaşma konusunda çok daha az kontrolünüz veya erişiminiz var.

Bizi nereye bırakıyor?

Yapay zeka, yaşadığımız dünyayı kesinlikle iyileştirecek. Yapabileceği ve çözebileceği çok şey var, bilgilerin nasıl toplandığından büyük miktarda verilerin nasıl anlaşıldığına kadar. Ancak bu fırsatla birlikte risk de geliyor. Tek bir modele aşırı bağımlı olursak, tüm şirketler hem güvenlik hem de ürün zorluklarına açık hale geliyor.

Bu sorunu çözmek için çıkarım maliyetlerini düşürmeli ve şirketlerin çok modelli bir yaklaşım benimsemesini kolaylaştırmalıyız. Tabii ki, her şey veri ve veri sahipliğine bağlı. Veri ne kadar benzersiz, yüksek kaliteli ve erişilebilir olursa, o kadar yararlı olacaktır.

Çok sayıda problème için modelleri belirli bir uygulama için optimize edebilirsiniz. Yapay zeka’nın son mili, şirketlerin bu farklı modellerin üzerine routing mantığı, değerlendirmeler ve orkestrasyon katmanları oluşturması ve bunları farklı dikeyler için özelleştirmesi.

Bu hedefe ulaşmamızı sağlayan önemli yatırımlar var. Mistal’in yakın zamanda yaptığı (ve etkileyici) finansman turu, OpenAI alternatifi yönünde umut verici bir gelişme. Ayrıca, diğer yapay zeka sağlayıcılarının çok modelli multiplexing’i gerçeğe dönüştürmesini ve özel donanım, yazılım ve model damıtma yoluyla çıkarım maliyetlerini azaltmasını sağlayan şirketler var.

Açık kaynaklı çözümlerin de ön plana çıkacağını göreceğiz ve hükümetlerin açık kaynaklı çözümlerin açık kalmasını sağlamaları gerekiyor. Açık kaynaklı modellerle, daha fazla kontrolü mümkün kılabilirsiniz. Ancak, performans açıkları hala mevcut.

Sanırım, junior modellerin daha az karmaşık görevleri büyük ölçekte gerçekleştirmesi ve süper zeki modellerin güncellemeler için oracle gibi davranması ve daha karmaşık sorunları çözmek için hesaplama gücünü artırmasıyla sonuçlanacağız. Müşteri hizmetleri taleplerine cevap vermek için milyarlık parametreli bir modele ihtiyacınız olmayacak. Bunu, bir üst düzey yöneticinin bir stajyerin yapabileceği bir görevi yönetmesine benzettim. İnsanların çeşitli rolleri olduğu gibi, çoğu şirket de farklı düzeylerde karmaşıklığa sahip modeller koleksiyonuna güvenecek.

Bu dengeyi gerçekleştirmek için, görevlerinizi açıkça bölmeniz, zaman, hesaplama karmaşıklığı, maliyet ve gerekli ölçek açısından benchmark’lar oluşturmanız gerekiyor. Kullanım durumuna bağlı olarak, önceliklendirebilirsiniz. Bir referans noktası, ideal bir sonuç için karşılaştırma, bir örnek girdi ve çıktı verisi belirleyerek, çeşitli promt’ları optimize etmek ve referans noktasına mümkün olduğunca yakın bir sonuç elde etmek için çalışabilirsiniz.

Yapay zeka şirketleri teknoloji yığınlarını merkezden çıkarmayı ve birden fazla model üzerine inşa etmeyi başarırlarsa, bu araçların güvenliğini ve güvenilirliğini artırabilir ve yapay zeka’nın olumlu etkisini maksimuma çıkarabiliriz. Artık teorik tartışmaların olduğu bir konumda değiliz – yapay zeka’yı daha etkili ve dayanıklı teknolojiler oluşturmak için nasıl kullanabileceğimize odaklanmak zamanı.