در دو سال گذشته، رقابت در زمینه هوش مصنوعی به وسیله مدل‌های بزرگ‌تر، نیازهای محاسباتی بیشتر و سرمایه‌گذاری‌های چند میلیارد دلاری در مراکز داده تعریف شده است. با این حال، تعداد فزاینده‌ای از سازمان‌ها رویکرد متفاوتی را انتخاب کرده‌اند: استفاده از مدل‌های هوش مصنوعی کوچک‌تر و تخصصی و نگه‌داشتن مدل‌های زبانی بزرگ برای وظایفی که واقعاً به آن‌ها نیاز است.
دلایل تغییر رویکرد سازمان‌ها
این روند ناشی از نگرانی‌ها در مورد هزینه‌ها، حاکمیت، پیش‌بینی‌پذیری و کنترل داده‌ها است، زیرا سازمان‌ها پروژه‌های هوش مصنوعی را از مرحله آزمایشی به محیط‌های تولید منتقل می‌کنند. به گفته هایتر نizam، مدیرعامل زوهو در خاورمیانه و آفریقا، سازمان‌ها به طور فزاینده‌ای به دنبال فراتر رفتن از تمرکز صنعت بر مدل‌های بزرگ هستند و به فناوری‌هایی که می‌توانند آن‌ها را خود سفارشی و مدیریت کنند، توجه می‌کنند. او گفت: "مدل‌های بزرگ با تریلیون‌ها پارامتر به طور فزاینده‌ای به کالا تبدیل می‌شوند." به همین دلیل، بسیاری از سازمان‌ها به سمت مدل‌های با وزن‌های باز (open-weight) حرکت می‌کنند که می‌توانند آن‌ها را سفارشی، بهینه‌سازی و خود میزبان کنند.
بیشتر بخوانید: گوشی Samsung Galaxy Z Fold۸ Ultra با طراحی نهایی عرضه شد
استفاده هدفمند از هوش مصنوعی
این تغییر نشان‌دهنده یک تکامل وسیع‌تر در پذیرش هوش مصنوعی در سازمان‌ها است. در حالی که شرکت‌ها هنوز مشتاق به استفاده از هوش مصنوعی برای تسریع در توسعه نرم‌افزار و بهبود بهره‌وری هستند، اما بسیاری از آن‌ها نسبت به جایی که باید از این فناوری استفاده شود، انتخاب‌گرتر شده‌اند. به جای اتکا به هوش مصنوعی برای هر فرآیند، سازمان‌ها به طور فزاینده‌ای از کد نرم‌افزاری متعارف برای گردش کارهای روزمره استفاده کرده و هوش مصنوعی را فقط زمانی به کار می‌برند که وظایف نیاز به قضاوت، درک زمینه یا تولید محتوا داشته باشند. نizam افزود: "یک اصل در حال ظهور در صنعت این است که کار بیشتری را به کد بسپاریم و از هوش مصنوعی فقط در جایی استفاده کنیم که ارزش معناداری اضافه کند."
دلایل عملی برای این تغییر وجود دارد. نرم‌افزارهای قطعی نتایج پیش‌بینی‌پذیری تولید می‌کنند، در حالی که سیستم‌های هوش مصنوعی به صورت احتمالی عمل می‌کنند و ممکن است پاسخ‌های متفاوتی به یک درخواست مشابه ارائه دهند. برای صنایع با مقررات سنگین، پیش‌بینی‌پذیری و قابلیت حسابرسی اغلب از خودکارسازی تنها مهم‌تر است.
هزینه نیز یکی دیگر از عواملی است که بر استراتژی‌های هوش مصنوعی شرکت‌ها تأثیر می‌گذارد. در حالی که توسعه با کمک هوش مصنوعی می‌تواند زمان توسعه را کوتاه کند و سرعت ایجاد نمونه‌های اولیه را افزایش دهد، سازمان‌ها همچنین با هزینه‌های بالاتر در زمینه حاکمیت، امنیت، انطباق و چارچوب‌های آزمایش مواجه هستند. آن‌ها باید به زیرساخت‌های ابری، هزینه‌های دسترسی به مدل و هزینه‌های مصرف توکن نیز توجه داشته باشند.
اگرچه افزایش بهره‌وری واقعی است، نizam گفت که این افزایش‌ها از ادعاهای بلندپروازانه‌تر برخی از شرکت‌های صنعتی قابل اندازه‌گیری‌تر است و سازمان‌ها در حال حاضر "تقریباً ۲۰ تا ۳۰ درصد افزایش بهره‌وری در سراسر چرخه عمر توسعه نرم‌افزار" را مشاهده می‌کنند.
در همین حال، نگرانی‌ها در مورد حاکمیت داده‌ها به طور فزاینده‌ای مهم شده است، زیرا سیستم‌های هوش مصنوعی به اطلاعات حساس شرکتی دسترسی پیدا می‌کنند. کسب‌وکارها می‌خواهند اطمینان حاصل کنند که داده‌های اختصاصی تحت کنترل آن‌ها و در حوزه قضایی آن‌ها باقی می‌ماند، به ویژه در زمانی که هوش مصنوعی در عملیات‌های حیاتی ادغام می‌شود.
توجه به مدل‌های کوچک‌تر
این نگرانی‌ها به علاقه به مدل‌های کوچک‌تر و تخصصی که می‌توانند بر روی زیرساخت‌های محلی اجرا شوند، دامن می‌زند. بسیاری از برنامه‌های تجاری به سیستم‌های قدرتمند مبتنی بر GPU نیاز ندارند و می‌توانند با مدل‌های تخصصی طراحی شده برای موارد استفاده محدود، مدیریت شوند. نizam گفت: "بسیاری از مشکلات تجاری به مدل‌های بزرگ مبتنی بر GPU نیاز ندارند." سازمان‌ها به طور فزاینده‌ای مدل‌های تخصصی را به کار می‌برند که می‌توانند به طور کارآمد بر روی CPUها اجرا شوند، نه زیرساخت‌های پیشرفته GPU.
این جذابیت واضح است. مدل‌های کوچک‌تر می‌توانند هزینه‌های زیرساخت را کاهش دهند، کنترل را بهبود بخشند و وابستگی به ارائه‌دهندگان ابری بزرگ را کم کنند، در حالی که هنوز نتایج مفیدی برای کسب‌وکار ارائه می‌دهند.
به عنوان سازمان‌ها از آزمایش هوش مصنوعی فراتر رفته و بر استقرار واقعی تمرکز می‌کنند، استراتژی‌های دقیق‌تری در حال ظهور است. به جای شرط‌بندی به طور انحصاری بر روی مدل‌های روزافزون بزرگ، شرکت‌ها به ترکیب مدل‌های هوش مصنوعی متن‌باز، ابزارهای تخصصی حوزه و مدل‌های زبانی بزرگ در جایی که نیاز به استدلال پیشرفته است، می‌پردازند. نizam اظهار داشت که جهت‌گیری صنعت به سمت "ترکیبی از سه استراتژی: استفاده از مدل‌های متن‌باز، به کارگیری مدل‌های تخصصی کوچک‌تر هر جا که ممکن باشد و اختصاص مدل‌های بزرگ زبان برای وظایفی که نیاز به استدلال پیشرفته، قضاوت یا تولید پیچیده دارند" می‌باشد.
این رویکرد ممکن است در نهایت نحوه استقرار هوش مصنوعی در سراسر سازمان‌ها را تغییر دهد و گفتگو را از اندازه مدل به ارزش عملی کسب‌وکار منتقل کند.
بیشتر بخوانید: UN Women هاب دیجیتال و هوش مصنوعی برای برابری جنسیتی را راه‌اندازی کرد · دولت ایالات متحده و مدیران فناوری قرارداد ایمنی هوش مصنوعی را امضا کردند
