Аргумент на користь децентралізації вашого технологічного стеку штучного інтелекту

Багато розмов про розвиток штучного інтелекту стали домінуватися філософською та футурологічною дискусією – чи повинні ми рухатися до загального штучного інтелекту, де штучний інтелект стане достатньо розвиненим, щоб виконувати будь-яке завдання так само, як людина? Чи це взагалі можливо?

Хоча дискусія про прискорення чи гальмування є важливою і своєчасною з такими досягненнями, як модель Q-star, інші аспекти також мають значення. Головним чином, важливість децентралізації вашого технологічного стеку та того, як зробити це без надмірних витрат. Ці два виклики можуть здаватися суперечливими: побудова та розгортання моделей дуже дорого, але надмірна залежність від однієї моделі може бути шкідливою в довгостроковій перспективі. Я знаю цей виклик особисто як засновник штучного інтелекту.

Щоб побудувати інтелект, вам потрібен талант, дані та масштабований обчислювальний ресурс. Щоб прискорити час виходу на ринок та зробити більше з меншими витратами, багато компаній обиратимуть побудову на основі існуючих моделей, а не побудову з нуля. І такий підхід має сенс, коли те, що ви будуєте, дуже ресурсоємне. Цьому виклику додається те, що, на відміну від програмного забезпечення, більшість здобутків у сфері штучного інтелекту досі були досягнуті за рахунок збільшення масштабу, що вимагає більшої обчислювальної потужності та, відповідно, витрат.

Але що відбувається, коли компанія, в якій ви побудували своє рішення, зазнає кризи управління або виходу з ладу продукції? З практичної точки зору, залежність від однієї моделі для побудови вашого продукту означає, що ви тепер частина негативного ефекту для будь-чого, що відбувається.

Ми також повинні пам’ятати про ризики роботи з системами, які є ймовірнісними. Ми не звикли до цього, і світ, в якому ми живемо, був спроектований і створений для функціонування з чіткою відповіддю. Моделі є гнучкими щодо виводу, і компанії постійно налаштовують моделі, що означає, що код, який ви написали для підтримки цих моделей, та результати, на які ваші клієнти покладаються, можуть змінитися без вашого відома чи контролю.

Централізація також створює проблеми з безпекою, оскільки вводить одну точку відмови. Кожна компанія працює в інтересах себе. Якщо існує проблема безпеки або ризику щодо моделі, у вас значно менше контролю над виправленням цієї проблеми або доступом до альтернатив.

Де це залишає нас?

Штучний інтелект безсумнівно покращить нашу життя. Є так багато того, чого він може досягти та виправити, від того, як ми збираємо інформацію, до того, як ми розуміємо великі обсяги даних. Але разом з цією можливістю також існує ризик. Якщо ми надмірно залежимо від однієї моделі, всі компанії відкривають себе для проблем безпеки та продукту.

Щоб виправити це, нам потрібно знизити витрати на висновок та зробити його легшим для компаній мати підхід з кількох моделей. І, звичайно, все це стосується даних. Власність даних та якість даних будуть мати значення. Чим більш унікальні, якісні та доступні дані, тим більш корисними вони будуть.

Для багатьох проблем можна оптимізувати моделі для конкретного застосування. Останній етап штучного інтелекту – компанії, які будують логіку маршрутизації, оцінки та оркестрування шарів на основі цих різних моделей, спеціалізуючи їх для різних вертикалей.

Було кілька суттєвих інвестицій у цій сфері, які наближають нас до цієї мети. Нещодавнє (і вражаюче) фінансування компанії Mistal – це перспективний розвиток альтернативи OpenAI. Є також компанії, які допомагають іншим постачальникам штучного інтелекту зробити реальністю мульти-модельне мультиплексування та зниження витрат на висновок за допомогою спеціалізованого апаратного та програмного забезпечення, а також дистиляції моделей, як приклади.

Ми також побачимо, як відкритий код стане популярним, і урядові органи повинні дозволити відкритий код, щоб він залишався відкритим. З відкритими моделями легше мати контроль. Однак прогалини у продуктивності все ще існують.

Я припускаю, що ми закінчимо у світі, де у вас буде молодша модель, оптимізована для виконання менш складних завдань у масштабі, тоді як більші суперінтелектуальні моделі будуть діяти як оракули для оновлень та все частіше витрачатимуть обчислювальні ресурси на розв’язання складніших проблем. Вам не потрібно буде модель з трильйоном параметрів, щоб відповісти на запит клієнта. Я порівнюю це з тим, що не потрібно доручати старшому виконавцю завдання, яке може виконати стажер. Як і люди, більшість компаній також будуть покладатися на колекцію моделей з різними рівнями складності.

Щоб досягти цього балансу, вам потрібно чіткий розбив завдання та бенчмаркінг, враховуючи час, обчислювальну складність, вартість та необхідний масштаб. В залежності від випадку використання можна пріоритезувати відповідно. Визначте базову правду, ідеальний результат для порівняння, та приклад вхідних та вихідних даних, щоб ви могли запустити різні запити для оптимізації та отримання найближчого результату до базової правди.

Якщо компанії штучного інтелекту можуть успішно децентралізувати свій технологічний стек та побудувати на основі кількох моделей, ми можемо покращити безпеку та надійність цих інструментів та тим самим максимізувати позитивний вплив штучного інтелекту. Ми вже не перебуваємо в ситуації, коли теоретичні дискусії мають місце – час зосередитися на тому, як використовувати штучний інтелект, щоб зробити ці технології більш ефективними та стійкими.