هوش مصنوعی مولد: آنچه برای تبدیل یک هذلولی به پارادایم دگرگونی لازم است

1.    تغییر تکاملی هوش مصنوعی به سمت هوش مصنوعی مولد

 پیشرفت های سریع در تکنیک های هوش مصنوعی (AI) و یادگیری ماشین (ML) - به عنوان مثال، پردازش زبان طبیعی (NLP) و قابلیت های مدل های زبان بزرگ (LLM) نوسانات گسترده فناوری بر عملکرد تجارت، دولت و جامعه را تشدید کرده است. اخیرا. بخشی از تغییر تکاملی AI/ML، مدل‌های زبان بزرگ مبتنی بر قابلیت‌های هوش مصنوعی مولد به عنوان موضوعی مورد علاقه عمیق‌تر برای اکتشاف موارد استفاده از نوآوری و پذیرش آنها توسط شرکت‌های تجاری ظاهر شده‌اند. این مدل‌ها بر روی مجموعه بزرگی از داده‌های حوزه‌های متنوع از قبل آموزش‌دهی شده‌اند و حاوی توانایی‌های طراحی‌شده برای اتخاذ رویکردهای یادگیری بدون نظارت یا نیمه‌نظارت برای افزایش تدریجی دقت نتایج هستند.

ظهور هوش مصنوعی مولد مرزهای جدیدی را برای نوآوری مخرب در سراسر حوزه ها باز می کند - مدل های تجاری را تغییر می دهد و اشکال جدیدی از برنامه های کاربردی هوشمند را تقویت می کند. تحقیقات بازار نشان می‌دهد که بازار جهانی هوش مصنوعی با رشد CAGR 32.2 درصدی در 5 سال آینده به 53.9 میلیارد دلار در سال 2028 خواهد رسید. در عین حال، نگرانی‌های فزاینده در مورد عدم اصالت و توضیح پذیری پایین نتایج و مسائل اخلاقی پیرامونی نیاز به تنظیم نرده های اساسی

 2.    قول و بالقوه

سروصدای عظیمی که توسط ChatGPT مجهز به LLM پس از انتشار در نوامبر 2022 ایجاد شد، به طور غیرمنتظره ای هوش مصنوعی مولد را به مرکز انقلاب فناوری آورده است. جدای از جنون گسترده، ChatGPT - به عنوان نمونه ای از مدل های چندوجهی بزرگ، طیف گسترده ای از پتانسیل خلاق را برای ابداع مجدد کسب و کار با موارد استفاده ادراکی با هدف نوآوری و بهره وری به ارمغان می آورد. مکالمه شبیه انسان، تولید یا ویرایش محتوای متن/تصویر/ویدئو، خلاصه کردن مکالمه یا محتوا، نگارش فنی و تالیف نمونه های اساسی از توانایی های خلاقانه هوش مصنوعی مولد هستند. در میان علاقه شدید، راه‌اندازی دیوانه‌وار مدل‌ها و پلت‌فرم‌های متنوع LLM از پیش آموزش‌دیده خارج از قفسه توسط غول‌های فناوری، مسیر جدیدی را برای پذیرش هوش مصنوعی در صنعت تعیین می‌کند تا امکان دسترسی دموکراتیک شده به هوش مصنوعی مولد را برای شرکت‌های تجاری فراهم کند.

در حالی که وعده ایده‌های تحول مولد مبتنی بر هوش مصنوعی در طیف گسترده‌ای از دامنه‌ها، تخیل مردم را به خود جلب کرد، نگرانی‌های فزاینده در مورد خطرات بالقوه و مسائل اخلاقی بر آسیب‌پذیری‌های ذاتی تأکید می‌کند - در صورت عدم توجه. فقدان دقت واقعی، خروجی توهم یا خیالی، هوش هیجانی پایین، و همدلی و همچنین واکنش های مزاحم یا تقابلی، خطرات دنیای واقعی هستند که باید در تمام سناریوهای تجاری از آنها اجتناب شود. با این حال، نگرانی‌های مربوط به تحقیر پتانسیل انسانی و از دست دادن شغل، خیال‌پردازی‌های تاریک، تبعیض و تعصب، الزامات اخلاقی جدی ناشی از عملکرد کنترل نشده هوش مصنوعی مولد هستند. همچنین، مصرف انبوه انرژی برای پشتیبانی از قدرت محاسباتی عظیم در آموزش LLMها که منجر به افزایش ردپای کربن می‌شود، قصد شرکت‌ها را برای تبدیل شدن به کربن خنثی در سال‌های آینده مختل می‌کند.

3.    معضل شرکت های مالی

فراتر از کنجکاوی و هیجان اولیه در مورد جدید بودن هوش مصنوعی مولد، تعداد زیادی از شرکت های مالی هنوز در تلاش هستند تا به طور واقع بینانه تصویر کلان را رمزگشایی کنند - از نظر ارتباط عملکردی، حوزه های کاربردی و موارد استفاده، هزینه ها و مزایا و همچنین حقوقی. و ریسک های نظارتی درگیر در پذیرش کسب و کار. به سختی هیچ پاسخ قابل اعتمادی وجود دارد که برای تعیین کمیت و واجد شرایط بودن طیف نامشخص فرصت ها و هزینه ها و همچنین گام های بعدی منسجم به سمت پذیرش در سطح سازمانی برای ساخت راه حل های سفارشی شده لازم است. همچنین، نگرانی‌های مربوط به حریم خصوصی داده‌ها، سرقت ادبی، نقض حق نسخه‌برداری و ابهامات نظارتی بیشتر سناریوی پذیرش اولیه گسترده در صنعت را تضعیف می‌کند.

در میان تبلیغات شدید، دو رویکرد متضاد برای پذیرش هوش مصنوعی مولد در چشم‌انداز خدمات مالی در حال ظهور هستند. مواضع متفاوت اتخاذ شده توسط شرکت های مالی پیشرو به طور گسترده نشان دهنده معضل پیش روی صنعت در مورد جهت گیری های آینده آن است. در یک انتها، شرکت ها ابتکار استراتژیک تمام عیار متمرکز بر هوش مصنوعی مولد را آغاز کرده اند – یعنی فراتر از آزمایش، پذیرش در حوزه های کاربردی خاص متمرکز بر موارد استفاده انتخابی برای افزایش بهره وری و بینش هوشمندانه از طریق راه حل های سفارشی. از سوی دیگر، شرکت‌ها بسیار محتاط هستند و از هرگونه مفهوم پذیرش حداقل در کوتاه‌مدت دوری می‌کنند و نگرانی‌های مربوط به کنترل ریسک و رعایت مقررات را در نظر می‌گیرند - از جمله مسائل نرم‌افزاری شخص ثالث، حساسیت اطلاعات محرمانه مشتری و نقض حریم خصوصی داده‌ها. در بین این دو افراط متضاد، قصد اولیه شرکت ها برای شروع به اکتشاف و آزمایش نیاز به یک ارزیابی گسترده دارد. با هدایت نرده‌های اصول هوش مصنوعی مسئول، قابلیت تجاری و فنی موارد استفاده، و ساختار معماری قابل اعتماد مهم برای ادغام LLM با فرآیندهای اصلی کسب‌وکار به الزامات اساسی تبدیل می‌شوند.

4.    پذیرش مقیاس سازمانی: الزامات کلیدی

در حالی که هنوز برای پیش‌بینی مسیرهای آینده و مسیر پذیرش هوش مصنوعی مولد توسط صنعت خیلی زود است، انتظار می‌رود سندرم FOMO (ترس از دست دادن) بر تفکر شرکت‌های مالی برای سرمایه‌گذاری در آزمایش برای مجموعه‌ای از شرایط محدود غالب شود. موارد استفاده متمرکز نکته مهم، ادغام قابلیت‌های مبتنی بر هوش مصنوعی در فرآیندهای تجاری اصلی شرکت‌های مالی نیازمند ارزیابی گسترده عوامل بنیادی است. با در نظر گرفتن تفاوت‌های گسترده در تمرکز مورد استفاده، ویژگی‌های کمتر قابل مقایسه، و معیارهای پیچیده LLM‌های موجود، ارزیابی قابلیت‌ها و شرایط تجاری و استقرار آنها به یک تمرین سخت تبدیل می‌شود. این شامل ارزیابی دقیق مناسب بودن موارد استفاده، تجزیه و تحلیل هزینه-فایده ویژگی‌های نوآوری، دوام فناوری، تأثیر انسانی و همچنین تفاوت‌های ظریف خطر قانونی، نظارتی و اعتباری، علاوه بر اقدامات کنترلی و کاهشی آنها است.

از نقطه نظر فناوری، پذیرش هوش مصنوعی مولد در مقیاس سازمانی به شدت به عوامل فناوری و اکوسیستم داده بستگی دارد - از جمله شیوه‌های علم داده و پلت‌فرم‌های یک شرکت تجاری. جدای از زمینه مشکل کسب و کار که باید در حوزه های کاربردی مختلف حل شود، سطح بلوغ پذیرش هوش مصنوعی و آمادگی پلت فرم مدل سازی و ابزارها و همچنین مقیاس بندی خطوط لوله مهندسی داده، الزامات کلیدی برای حرکت رو به جلو در مسیر اکتشاف ارزش متمرکز بر هوش مصنوعی مولد هستند. تقویت قابل توجه پلتفرم هوش مصنوعی سازمانی با امکان دسترسی به مدل‌های منبع باز یا اختصاصی مختلف، ابزارهای مدل‌سازی نسل جدید و جریان‌های کاری و همچنین مفاد زیرساخت محاسباتی با کارایی بالا اولین قدم‌های اساسی هستند.

4.1  یافتن مدل مناسب و زمینه سازی آن

با توجه به محوریت موارد استفاده تجاری، شرکت‌ها گزینه‌هایی برای انتخاب یک مدل از طیف وسیعی از LLM‌های موجود دارند - منبع باز (مثلاً OPT، LLaMA، GPT-NeoX EleutherAI، Hugging Face' Bloom، Google's PaLM، Databricks's Dolly 2.0، Stability. StableLM .AI) یا مدل‌های اختصاصی بسته (مانند ChatGPT از OpenAI، Dolly از Databricks، Jurassic از AI21 Labs، Cohere، LightOn). به طور معمول، مدل‌های منبع باز یک اکوسیستم غنی از توسعه‌دهندگان با پتانسیل چرخه‌های تکرار سریع و همچنین تکنیک‌های پیشرفته برای بهینه‌سازی برای استنتاج و مقیاس‌بندی را ارائه می‌دهند. ملاحظات مهم دیگر شامل انتخاب یک مدل با هدف عمومی با اندازه بزرگ است که به حوزه های تجاری گسترده تر یا یک مدل خاص دامنه نسبتاً ساده (مثلاً BloombergGPT برای امور مالی) ارائه می دهد. با توجه به کثرت مدل های از پیش آموزش دیده موجود با پوشش موارد کاربرد متنوع، این کمترین گزینه عملی برای یک شرکت است که مدل خود را از ابتدا بسازد. علاوه بر این، این رویکرد مملو از خطری برای تولید نتایج کمتر قابل اعتماد است، حتی پس از متحمل شدن هزینه‌های قابل‌توجه، مدیریت پیچیدگی‌های مدل‌سازی شدید و ارائه مجموعه داده‌های دامنه عظیم برای الزامات قبل از آموزش.

4.2  هزینه تنظیم دقیق و بازآموزی مدل ها

انعطاف‌پذیری یادگیری انتقال یا تنظیم دقیق مدل‌های موجود در زمینه دامنه خاص با کوانتومی محدود از مجموعه داده‌های کاربر در قالب یادگیری چند شات یا یادگیری کوتاه صفر، عاملی حیاتی برای استقرار سریع‌تر برای همسویی با نیازهای تجاری می‌شود. همچنین، تکامل علم داده و فناوری محاسبات، عنصر پویایی در مدل‌ها را به همراه می‌آورد و نیاز به ارتقا و تکرار منظم دارد. در واقع، نیازهای یادگیری جدید و بازآموزی را برای یک مدل اجرا شده اضافه می کند. حتی اگر هزینه‌های API استنتاج یا تماس سرویس برای داده‌های آموزشی و استفاده از مدل معمولاً در کسری 100 یا 1000 دلاری (مثلاً 0.000N دلار / توکن‌های 1 دلاری) باشد، هزینه تجمعی در تنظیم دقیق یا آموزش مجدد یک مدل می‌تواند کاهش یابد. مقدار نجومی بالا همانطور که در مورد سفر ابری متوجه شدیم، هزینه‌های تجاری ظاهری اسمی اعمال شده برای خروج و ورود داده‌ها توسط hyperscalers تحت مدل‌های مختلف استقرار به طور معمول از خروجی پیش‌بینی‌شده OPEX پیشی می‌گیرد. با توجه به غیرقابل پیش بینی بودن ارتقاء LLM در طول چرخه عمر آن و در نتیجه نیازهای یادگیری یا بازآموزی، برآورد واقع بینانه این هزینه ها دشوار خواهد بود.

4.3  الزامات زیرساخت فناوری و محاسباتی

پیچیدگی‌های LLM به قدرت محاسباتی بسیار قدرتمندی برای آموزش و اجرای سریع‌تر نیاز دارد. برای پشتیبانی از آموزش پارامترهای توکن با اندازه چند میلیارد یا تریلیون و پردازش مجموعه داده های عظیم، به سخت افزار، حافظه و منابع محاسباتی تخصصی به صورت موازی یا توزیع شده نیاز دارد. برای مثال، برخی تحلیل‌ها نشان می‌دهند که آموزش یک مدل LLaMA با پارامتر شصت و پنج میلیارد که پردازش 380 توکن/ثانیه/GPU روی پردازنده گرافیکی A2048 100 با 80 گیگابایت رم شامل 1.4 تریلیون توکن داده دارد، تقریباً 21 روز طول می‌کشد. این شامل هزینه های GPU و زیرساختی بالغ بر 4.05 میلیون دلار است. در مورد سناریوهای آموزشی چندگانه یا تکراری که شامل مدت زمان طولانی‌تر می‌شود، هزینه‌های محاسباتی می‌تواند به رقم بسیار گزافی برسد. بنابراین، فراهم کردن یک زیرساخت محاسباتی مقرون به صرفه برای پشتیبانی از پردازش در مقیاس بزرگ با عملکرد بهینه به یک نیاز حیاتی تبدیل می‌شود.

4.4  ابزارهای مدل سازی و گردش کار

دسترسی به مجموعه متنوعی از مدل‌های از پیش آموزش‌دیده، ابزارهای مدل‌سازی پیشرفته و شتاب‌دهنده‌ها الزامات اساسی برای بررسی پتانسیل موارد استفاده از نوآوری در مراحل طراحی، توسعه، آزمایش و استقرار راه‌حل‌های سفارشی است. جدا از محاسبات و فعال سازی زیرساخت های مهندسی داده، پلتفرم های هوش مصنوعی مولد باید از طیف وسیعی از خدمات جامع در آموزش مدل ها، تنظیم دقیق، خدمات استنتاج و استقرار آن با پشتوانه یک جریان کاری هوش مصنوعی یکپارچه پشتیبانی کنند. نکته خوب این است که ابر مقیاس‌کننده‌های پیشرو پلتفرم و خدمات مبتنی بر هوش مصنوعی خود را برای ارائه مدل‌های پایه با کارایی بالا، سخت‌افزار محاسباتی و چارچوب‌های نرم‌افزاری برای جلب علاقه روزافزون بازار به LLM مجدداً فرموله کرده‌اند. یک نمونه کار معمولی خدمات شامل مدل های از پیش آموزش دیده، ساخته شده در مدل ها و خدمات راه حل، ابزارها و قابلیت های گردش کار و همچنین API ها و چارچوب ها برای ساخت برنامه های کاربردی در مقیاس است.

4.5  کنترل ریسک و اقدامات حفاظتی

در سال‌های اخیر، تأکید نظارتی (و قوانین در حال پیشرفت) در سراسر حوزه‌های قضایی اصلی بر استانداردهای جامع در چارچوب عملکردهای هوش مصنوعی مسئول و اقدامات حاکمیت ریسک برای اطمینان از انصاف، توضیح‌پذیری و اعتماد در محل برای سیستم‌های هوش مصنوعی متمرکز شده است. ادغام مدل‌های هوش مصنوعی در فرآیندهای اصلی کسب‌وکار مستلزم افزایش کنترل ریسک و حفاظت از حریم خصوصی داده‌ها و نگرانی‌های امنیتی و همچنین اطمینان از اعتماد و قابلیت اطمینان نتایج است. مدیریت موثر کنترل ریسک و مسائل مربوط به انطباق برای دو مورد اساسی حیاتی است - اولاً، مدل ابر ترکیبی معمولی برای اجرای برنامه‌های کاربردی سازمانی و حجم کاری، با وجود مجموعه‌ای از اقدامات حفاظتی امنیتی، در معرض آسیب‌پذیری‌های ناشناخته باقی می‌ماند. ثانیاً، استفاده از مجموعه داده‌های بزرگ که شامل اطلاعات محرمانه مشتری یا اطلاعات حساس تجاری است، سطوح جدیدی از خطرات ناشی از قرار گرفتن در معرض داده‌های ناخواسته را به همراه دارد. همچنین، الگوهای هیجانی یا رفتاری تحریف شده که از داده های تمرینی چند شات یا صفر شات آغشته شده است، سطح نامشخصی از سوگیری در نتایج را به همراه دارد. مطمئناً اعتماد و قابلیت اطمینان متعاقب آن پیامدهای تجاری قابل توجهی دارد و نیاز به نظارت و کنترل همه جانبه در طول چرخه عمر مدل دارد، فراتر از علامت گذاری جعبه برای مطابقت با راهنمایی های Response AI.

5.    راه رو به جلو: آماده شدن برای پیمودن یک مسیر نامشخص

تأثیر تحول‌آفرین گسترده هوش مصنوعی مولد در عملکردهای تجاری، احتمالاً روشی را که شرکت‌های مالی در سال‌های اخیر در تلاش برای اختراع مجدد به یک سازمان تجاری مبتنی بر داده‌ها بوده‌اند، تغییر خواهد داد. در حالی که منتظر نشانه‌های قابل تشخیص بیشتر از تکامل تکنولوژیکی و نظارتی هستیم، انگیزه‌های فوری برای شرکت‌ها به سمت سرمایه‌گذاری‌های اکتشافی محتاطانه متمرکز بر موارد استفاده محدود برای ایجاد یک مزیت رقابتی قوی اشاره می‌کند. به نظر می رسد با هدف اختراع مجدد کسب و کار و استفاده از مزایای بهره وری و مقرون به صرفه بودن، موارد استفاده در فرآیندهای تجاری داخلی اولین مجموعه از نامزدها برای کاربردهای هوش مصنوعی مولد باشد. برای شروع با یک رویکرد محتاطانه، خطرات تجاری، قانونی و قانونی را به پایین ترین سطح محدود می کند.

در قلمرو غالب غیرقابل‌پیش‌بینی‌بودن در منحنی تکامل هوش مصنوعی، پذیرش در سطح سازمانی با مجموعه‌ای از برنامه‌های قاتل راهی طولانی برای عوامل مختلف دنیای واقعی - نگرانی‌های حفظ حریم خصوصی داده‌ها، تکامل یک مدل قانونی و نظارتی منسجم، نیازهای آموزش مدل و بازآموزی، محاسبات به نظر می‌رسد. پلت فرم و هزینه ها و محدودیت های زیرساختی. همانطور که ساخت موارد استفاده و داستان های پذیرش از طریق مسیرهای اکتشافی پیش می رود، حداقل سرمایه گذاری برای محاسبه در مسابقه غرور در یک انتها و انفعال پر از کنجکاوی در انتهای دیگر احتمالاً گستره سفرهای آزمایشی است. نکته مهم این است که تکامل ابررایانه هوش مصنوعی در سمت محاسبات، وضوح بهتر جنبه‌های کپی رایت در جنبه قانونی و تعبیه عمیق‌تر هسته هوش مصنوعی مسئول در مدل‌ها می‌تواند الگوی هوش مصنوعی مولد یا آواتارهای آینده‌نگر آن را در سال‌های آینده به‌طور کامل اصلاح کند.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• EVM Finance. رابط یکپارچه برای امور مالی غیرمتمرکز دسترسی به اینجا.
• گروه رسانه ای کوانتومی. IR/PR تقویت شده دسترسی به اینجا.
• PlatoAiStream. Web3 Data Intelligence دانش تقویت شده دسترسی به اینجا.
• منبع: https://www.finextra.com/blogposting/24371/generative-ai-what-it-takes-to-turn-a-hyperbole-into-transformational-paradigm?utm_medium=rssfinextra&utm_source=finextrablogs