Թեթև և արդյունավետ լուծումներից դեպի «ֆրոնտիր» (frontier-grade) մակարդակի ինտելեկտ անցումը ձեռնարկատիրական արհեստական բանականության (AI) ոլորտում նշանավորում է հաջորդ կարևոր շրջադարձային կետը։ Վերջին տասնութ ամիսների ընթացքում ոլորտը տարված էր «փոքր լեզվական մոդելներով» (SLM) և ցածր լատենտայնությամբ, եզրային (edge) միջավայրում աշխատող ինֆերենսի (inference) որոնումներով։ Թեև այդ գործիքներն անկասկած բարելավել են ներքին աշխատանքային արդյունավետությունը, դրանք հաճախ փակուղու առաջ են կանգնում, երբ բախվում են թվային տրանսֆորմացիայի համար անհրաժեշտ նրբին և բարձր պատասխանատվություն պահանջող խնդիրներին։

Muse Wonder-ի՝ Meta-ի հետազոտական թիմի վերջին մշակման թողարկմամբ մենք ականատես ենք լինում ռազմավարական շրջադարձի։ Եթե նախորդ սերունդը՝ Muse Spark-ը, նախագծված էր որպես AI աշխարհի ճկուն և արագ արձագանքող միավոր՝ օպտիմալացված արագության և ծախսերի համար, ապա Wonder շարքը «ծանր հրետանին» է։ Գործարար ղեկավարների համար այս անցումը նշանակում է, որ ենթակառուցվածքային շերտը վերջապես հասունացել է՝ բարդ տրամաբանության և տեխնիկական կատարողականության ծանր աշխատանքը կառավարելու համար։

Ճարտարապետական շրջադարձ. արդյունավետությունից՝ տրամաբանություն

Spark-ի և Wonder-ի միջև տարբերությունը միայն պարամետրերի քանակը չէ, այլ օգտակարության հիմնարար փոփոխությունը։ Muse Spark-ը կառուցվել էր «լատենտայնության խոչընդոտը» հաղթահարելու համար, ինչը այն դարձնում է իդեալական թեկնածու իրական ժամանակում հաճախորդների սպասարկման կամ դասակարգման պարզ առաջադրանքների համար, որտեղ միլիվայրկյանների արագությունը հիմնական արդյունավետության ցուցանիշն է (KPI):

Այնուամենայնիվ, բիզնեսին հարկավոր է ոչ միայն արագություն, այլև խորություն։ Muse Wonder-ը նախագծված է «ֆրոնտիր» մակարդակի խնդիրներ լուծելու համար՝ ճարտարապետական տրամաբանություն, բարդ ծրագրավորում և տվյալների բազմաստիճան սինթեզ։ Առաջնահերթություն տալով բենչմարկային արդյունավետությանը և համատեքստի խորը ընկալմանը՝ ի հաշիվ զուտ արագության, Meta-ն Wonder շարքը դիրքավորում է որպես ներկայումս շուկայում գերիշխող ամենահզոր սեփական (proprietary) մոդելների ուղղակի մրցակից։

Կազմակերպությունների համար սա առաջարկում է AI ստեկի (stack) աստիճանավորված մոտեցում.

  • Եզրային (Edge) օպտիմալացված տեղակայում. Թեթև մոդելների կիրառում հաճախորդների հետ աշխատող ինտերֆեյսներում, ինչպիսիք են առաջնային գծի չաթ-բոթերը կամ տվյալների մաքրման խողովակաշարերը՝ գործառնական ծախսերը ցածր պահելու համար:
  • Ֆրոնտիր մակարդակի մշակում. Նախատեսված բարձր արժեք ունեցող ներքին (back-office) առաջադրանքների համար, ինչպիսիք են ծրագրային ապահովման ավտոմատացված վերակառուցումը (refactoring), իրավաբանական բարդ փաստաթղթերի վերանայումը և ֆինանսական կանխատեսող մոդելավորումը:
  • Հիբրիդային օրկեստրավորում. Ամենահաջողակ ձեռնարկությունները հավանաբար կորդեգրեն «ուղղորդման» (routing) ռազմավարություն, որտեղ հարցումները խելամտորեն ուղղորդվում են կա՛մ Spark, կա՛մ Wonder դասի մոդելներին՝ կախված պահանջվող խորությունից և լատենտայնության բյուջեից:

ROI-ի հետևանքները և ավտոմատացման ուղին

Muse Wonder-ի նման բարձր հնարավորություններով մոդելների ներդրումը փոխում է թվային տրանսֆորմացիայի նախաձեռնությունների ROI-ի (ներդրումների վերադարձելիության) հաշվարկը։ Նախկինում ընկերությունները կարող էին խուսափել բարդ ծրագրավորման առաջադրանքների կամ վերլուծական խորը աշխատանքների ավտոմատացումից, քանի որ գոյություն ունեցող մոդելները հաճախ «հալյուցինացիաներ» էին ունենում կամ չունեին տրամաբանական խորություն՝ արտադրական մակարդակի արդյունք ապահովելու համար։

Երբ մոդելը հասնում է «ֆրոնտիր» կարգավիճակի, աշխատուժի և ավտոմատացման հարաբերակցությունը զգալիորեն փոխվում է։ Մենք այլևս չենք խոսում միայն մարդկային աշխատանքային գործընթացները լրացնելու մասին, այլ՝ ինքնավար աշխատանքային գործընթացների ներուժի։ Օրինակ՝ ծրագրային ապահովման մշակման միջավայրում բարդ կոդ գրելու և կարգաբերելու (debug) ունակ AI-ն արդյունավետորեն դառնում է ինժեներական թիմերի համար ուժերի բազմապատկիչ՝ նվազեցնելով տեխնիկական պարտքը և կրճատելով տեղակայման ցիկլը։

Այնուամենայնիվ, բիզնես ղեկավարները պետք է զգուշանան «մոդելային գերծանրաբեռնվածությունից»։ Ֆրոնտիր մոդել կիրառելը այն առաջադրանքների համար, որոնք կարող է լուծել ավելի թեթև մոդելը, հաշվողական ռեսուրսների, և հետևաբար՝ կապիտալի անարդյունավետ բաշխում է։ Հաջորդ տասներկու ամիսների ընթացքում իրական հաղթողները կլինեն այն ընկերությունները, որոնք հաջողությամբ կինտեգրեն հիբրիդային (heterogeneous) AI ռազմավարություն։ Նրանք կօգտագործեն Muse Wonder-ը «ծանր մտածողություն» պահանջող խնդիրների համար, որոնք մղում են ռազմավարական որոշումների կայացմանը, միաժամանակ պահպանելով թեթև ենթակառուցվածք այն առօրյա, հաճախակի կրկնվող առաջադրանքների համար, որոնք կազմում են հաճախորդների հետ հարաբերությունների կառավարման (CRM) ցիկլի հիմքը։

Ընդլայնում դեպի ինքնավար AI գործակալներ

Կոդավորման և տրամաբանության մեջ անմիջական արդյունավետության ձեռքբերումներից զատ, Wonder շարքի թողարկումն արագացնում է AI գործակալների զարգացման ընթացքը։ Մենք հեռանում ենք «մոդելի հետ զրուցելու» դարաշրջանից և մտնում «գործակալին առաջադրանք տալու» դարաշրջան։

AI գործակալը պահանջում է ավելին, քան պարզապես ինտերֆեյս. այն պահանջում է բազմաստիճան աշխատանքային հոսքերի ընթացքում տրամաբանելու, տրամաբանության մեջ բացառությունները կառավարելու և երկարատև առաջադրանքների ընթացքում վիճակը (state) պահպանելու կարողություն։ Muse Spark-ին պակասում էր այս բարդ գործակալ