Վերջին տասնութ ամիսների ընթացքում արհեստական բանականության (AI) շուրջ կորպորատիվ քննարկումներում գերիշխում է մեկ, գրեթե մոլուցքային չափանիշ՝ պարամետրերի քանակը։ CTO-ները և տնօրենների խորհուրդները ներքաշվել են սպառազինությունների մրցավազքի մեջ՝ ձգտելով հասանելիություն ստանալ ամենահզոր լեզվական մեծ մոդելներին (LLM)՝ այն կանխավարկածով, որ մասշտաբայնությունը բանականության հասնելու միակ ուղին է։ Տրամաբանությունը հիմնավոր էր թվում՝ ավելի մեծ մոդելները նշանակում են ավելի լավ տրամաբանություն, ծրագրավորման ավելի բարձր հմտություններ և ավելի խորաթափանց վերլուծություն։
Այնուամենայնիվ, մոդելների և արդյունավետության փոխհարաբերության վերաբերյալ մեր պատկերացումներում հիմնարար տեղաշարժ է տեղի ունենում։ Ոլորտի առաջատարների, ինչպիսին է Nvidia-ն, վերջին հետազոտությունները ցույց են տալիս, որ մենք այս հավասարմանը հակառակ կողմից ենք նայել։ Ձեռնարկատիրական մակարդակի ավտոմատացման իրական խոչընդոտը հիմնային մոդելի «կոպիտ», չզտված ուղեղային հզորությունը չէ, այլ «սանձը» (harness)՝ ճարտարապետական շրջանակը, ֆայն-թյունինգը (fine-tuning) և մասնագիտացված ուղղորդող համակարգերը, որոնք կառավարում են, թե ինչպես են այդ մոդելները փոխազդում իրական աշխարհի հետ։
Բիզնեսի ղեկավարների համար սա ռազմավարության նշանակալի շրջադարձ է։ Եթե միջին վիճակագրական մոդելը կարող է գերազանցել գերժամանակակից մոդելին, երբ տեղադրված է հուսալի և լավ ինժեներական մշակում ունեցող «սանձի» մեջ, ապա ներդրումների վերադարձի (ROI) և թվային փոխակերպման համար դրա հետևանքները հսկայական են։
Հուսալիության ճարտարապետությունը
Արդյունաբերությունը երկար ժամանակ ռոմանտիզացրել է հսկայական մոդելների «սև արկղ» լինելը։ Մենք հույս ունեինք, որ հաշվողական բավարար ռեսուրսներ տրամադրելով՝ մոդելը պարզապես «կհասկանա» բարդ աշխատանքային գործընթացները, ինչպիսիք են մատակարարման շղթայի լոգիստիկան կամ մասնագիտացված CRM տվյալների կառավարումը։ Այժմ մենք գիտենք, որ մասշտաբը չի հավասարվում հուսալիության։ Առանց պաշտպանիչ մեխանիզմների՝ նույնիսկ ամենաառաջադեմ LLM-ները կարող են ենթարկվել «հալյուցինացիաների» կամ շեղվել անարդյունավետության ճանապարհով։
«Սանձի» մոտեցումը փոխում է պարադիգմը՝ հրաշքի սպասելուց անցնելով գերազանցության հարկադրման։ AI մոդելը սահմանափակ, կոնկրետ խնդիրներին միտված միջավայրում փաթեթավորելով՝ մենք կարող ենք սահմանափակել դրա ելքային տվյալները և ուղղորդել դրա տրամաբանությունը։ Սա ավելի խելացի AI ստեղծելու մասին չէ, այլ AI-ի աշխատանքի համար ավելի խելացի առաքման համակարգ կառուցելու։
Այս ճարտարապետական տեղաշարժի հիմնական առավելությունները ներառում են.
- Կանխատեսելի արդյունավետություն. Կենտրոնանալով «սանձի»՝ այսինքն՝ հուշումների (prompts), ֆայն-թյունված հրահանգների և հետադարձ կապի կրկնվող ցիկլերի վրա՝ կազմակերպությունները կարող են հասնել կայուն արդյունքների, նույնիսկ եթե հիմքում ընկած մոդելը համեմատաբար թեթև է և էժան։
- Ինֆերենցիայի (եզրակացության) ծախսերի կրճատում. Ծանր մոդելների գործարկումը թանկ է։ Փոքր մոդելները խիստ «սանձի» ներքո կոնկրետ առաջադրանքների համար ֆայն-թյուն անելով՝ ընկերությունները կարող են ավելի բարձր արդյունավետություն ստանալ՝ հաշվողական ծախսերի մի փոքր մասով։
- Գործառնական վերահսկողություն. «Սանձի» մեջ գտնվող մոդելը սահմանափակված է մշակողի կողմից սահմանված բիզնես կանոններով։ Սա զգալիորեն նվազեցնում է AI-ի շեղման վտանգը՝ հեշտացնելով դրա ինտեգրումը զգայուն ոլորտներում, ինչպիսիք են ֆինանսական ծառայությունները կամ իրավական համապատասխանությունը։
- Ցածր լատենտություն (ուշացում). Թեթև ճարտարապետության մեջ փաթեթավորված փոքր, խիստ մասնագիտացված մոդելներն ավելի արագ են արձագանքում, քան մոնոլիտ, ընդհանուր նշանակության մոդելները, ինչը կրիտիկական է հաճախորդների սպասարկման և բարձր հաճախականությամբ ավտոմատացված որոշումների կայացման համար։
Այս փոփոխությունը հուշում է, որ կորպորատիվ AI-ի հաջորդ փուլի «հերոսը» ոչ թե հիմնային մոդելն է, այլ այն ինժեներական կարգապահությունը, որը շրջապատում է այն։ Մենք հեռանում ենք «ընդհանուր AI»-ի դարաշրջանից և մտնում «ինժեներական AI»-ի դարաշրջան։
Բիզնեսի ճանապարհային քարտեզի վերաիմաստավորում
Ղեկավարների համար այն գիտակցումը, որ «սանձն» ավելի կարևոր է, քան մոդելը, ազատագրող է։ Տարիներ շարունակ ընկերություններն իրենց կաշկանդված են զգացել Big Tech-ի մոդելների ուսուցման ժամկետներով։ Եթե այսօր առկա լավագույն մոդելը կատարյալ չէ ձեր բիզնես խնդրի համար, դուք այլևս ստիպված չեք սպասել հիմնային մոդելի հաջորդ թարմացմանը։ Դուք կարող եք կառուցել ձեր սեփական «սանձը»։
Սա խորը ազդեցություն է թողնում թվային փոխակերպման նախաձեռնությունների վրա։ Երբ դուք մոդելը տարանջատում եք հավելվածի տրամաբանությունից, ձեռք եք բերում ճկունություն։ Եթե վաղը շուկայում հայտնվի ավելի արդյունավետ կամ մատչելի մոդել, ձեր «սանձը»՝ ձեր կողմից կառուցված մասնագիտացված տրամաբանությունը, կմնա անփոփոխ։ Դուք պարզապես փոխում եք շարժիչը, այլ ոչ թե վերակառուցում ամբողջ ավտոմատացման համակարգը։
ROI-ի հետևանքները նույնպես հստակ են.
- Շուկա դուրս գալու ավելի արագ ժամկետներ. Խիստ մասնագիտացված «սանձերի» մշակումը պահանջում է ավելի քիչ հաշվողական ռեսուրսներ և ուսուցման ավելի կարճ ցիկլեր, քան հսկայական հիմնային մոդելների զարգացումը։
- Ընդլայնված ինտեգրում.
