בינה מלאכותית גנרית: מה שנדרש כדי להפוך היפרבול לפרדיגמה טרנספורמטיבית

1.    שינוי אבולוציוני של בינה מלאכותית לכיוון AI גנרטיבי

 התקדמות מהירה בטכניקות של בינה מלאכותית (AI) ולמידת מכונה (ML) - למשל, יכולות עיבוד שפה טבעית (NLP) ויכולות מודלים של שפה גדולה (LLM) העצימו את השינויים הרחב של הטכנולוגיה על תפקודם של עסקים, ממשלה וחברה. בתקופה האחרונה. חלק מהשינוי האבולוציוני של AI/ML, מודלים של שפות גדולות המונעות ביכולות בינה מלאכותית גנרטיביות הופיעו כנושא בעל עניין עמוק יותר לחקר מקרי שימוש בחדשנות ואימוץ שלהם על ידי חברות עסקיות. מודלים אלה מאומנים מראש על קורפוס גדול של נתוני תחומים מגוונים ומכילים יכולות מתוכננות לאמץ גישות למידה ללא פיקוח או פיקוח למחצה לשיפור הדרגתי של הדיוק של התוצאות שלהם.

הופעת הבינה המלאכותית הגנרטיבית פותחת גבולות חדשים של חדשנות משבשת בתחומים שונים - מעצבת מחדש מודלים עסקיים והגדלת צורות חדשות של יישומים חכמים. מחקרי שוק מצביעים על כך ששוק הבינה המלאכותית הגנרטיבית הגלובלית יגדל ב-CAGR של 32.2% ב-5 השנים הבאות ויגיע ל-53.9 מיליארד דולר עד 2028. במקביל, החששות הגוברים לגבי חוסר אותנטיות ויכולת הסבר נמוכה של תוצאות ובעיות אתיות סביב מחייבות את הגדרה של מעקות בטיחות בסיסיים.

 2.    הבטחה ופוטנציאל

באז עצום שנוצר על ידי ChatGPT המופעל על ידי LLM לאחר שחרורו בנובמבר 2022 הביא באופן בלתי צפוי את הבינה המלאכותית הגנרטיבית למרכז המהפכה הטכנולוגית. בצד טירוף רחב, ChatGPT - כדוגמה למודל רב-מודאלי גדול, מביא מגוון רחב של פוטנציאל יצירתי להמציא מחדש עסקים עם מקרי שימוש תפיסתיים שמטרתם חדשנות ופרודוקטיביות. שיחה דמוית אדם, יצירה או עריכה של תוכן טקסט/תמונה/וידאו, סיכום שיחה או תוכן, כתיבה טכנית וכתיבה הם דוגמאות בסיסיות ליכולות יצירתיות של AI יצירתי. על רקע ההתעניינות המוגברת, ההשקה התזזיתית של מודלים ופלטפורמות LLM מגוונות ופלטפורמות מגוונות על ידי ענקיות טכנולוגיה מציבה מסלול חדש של אימוץ בינה מלאכותית בתעשייה כדי לאפשר גישה דמוקרטית לבינה מלאכותית יצירתית עבור חברות עסקיות.

בעוד שההבטחה לרעיונות טרנספורמציה מונעי בינה מלאכותית על פני קשת רחבה של תחומים תפסה את דמיונם של אנשים, חששות גוברים לגבי הסיכונים הפוטנציאליים והנושאים האתיים מדגישים את הפגיעויות הפנימיות - אם לא יטופלו. חוסר דיוק עובדתי, פלט הזוי או דמיוני, אינטליגנציה רגשית נמוכה ואמפתיה, כמו גם תגובות מטרידות או עימותים הם סיכונים בעולם האמיתי שיש להימנע מהם בכל התרחישים העסקיים. כל אותו זמן, חששות לגבי זלזול בפוטנציאל האנושי ואובדן עבודה, פנטזיות אפלות, אפליה והטיה הם קשרים אתיים רציניים הנובעים מתפקוד בלתי מבוקר של AI גנרטיבי. כמו כן, צריכת אנרגיה מסיבית לתמיכה בכוח מחשוב עצום בהדרכה של LLMs, וכתוצאה מכך טביעת רגל פחמנית מוגברת, מעכבת את כוונתן של חברות להפוך לניטרלי פחמן בשנים הקרובות.

3.    דילמה של חברות פיננסיות

מעבר לסקרנות והתרגשות מוקדמת לגבי החידוש של AI יצירתי, חלק גדול של חברות פיננסיות עדיין נאבקות לפענח באופן מציאותי את ההקשר של התמונה הגדולה - מבחינת הרלוונטיות הפונקציונלית שלה, תחומי היישום ומקרי השימוש, העלויות והיתרונות, כמו גם משפטיים. וסיכונים רגולטוריים הכרוכים באימוץ עסקי. אין כמעט תשובות מהימנות לגבי מה שנדרש כדי לכמת ולהתאים ספקטרום לא ברור של הזדמנויות ועלויות, כמו גם צעדים קוהרנטיים לקראת אימוץ ברמת הארגון לבניית פתרונות מותאמים אישית. כמו כן, חששות בנוגע לפרטיות נתונים, פלגיאט, הפרת זכויות יוצרים ואי בהירות רגולטורית מערערות עוד יותר תרחיש מסיבי של אימוץ מוקדם בתעשייה.

על רקע ההייפ המוגבר, שתי גישות מנוגדות לאימוץ של AI גנרטיבי צצות בנוף השירותים הפיננסיים. העמדות השונות בהן נוקטות החברות הפיננסיות המובילות מסמלות באופן כללי את הדילמה העומדת בפני התעשייה לגבי כיווניה העתידיים. בקצה האחד, חברות פתחו ביוזמה אסטרטגית מלאה המתמקדת בבינה מלאכותית יצירתית - כלומר, מעבר לניסויים, אימוץ בתחומי יישומים ספציפיים המתמקדים במקרי שימוש נבחרים להגדלת הפרודוקטיביות ותובנות חכמות באמצעות פתרונות מותאמים אישית. בקצה השני, חברות זהירות ביותר ומתרחקות מכל רעיון של אימוץ לפחות בטווח הקרוב, תוך התחשבות בחששות של בקרת סיכונים ועמידה ברגולציה - כולל בעיות תוכנה של צד שלישי, רגישות של מידע סודי של לקוחות והפרת פרטיות הנתונים. בין שני הקצוות המנוגדים, הכוונה המוקדמת של הפירמות להתחיל בחקירה וניסויים דורשת הערכה מקיפה. מונחה על ידי מעקות בטיחות של עקרונות בינה מלאכותית אחראית, כדאיות עסקית וטכנית של מקרי שימוש, וחשוב יותר מבנה ארכיטקטוני אמין עבור אינטגרציה של LLM עם תהליכי הליבה העסקיים הופכים לדרישות בסיסיות.

4.    אימוץ בקנה מידה ארגוני: ציוויים מרכזיים

למרות שמוקדם מדי לחזות כיוונים עתידיים ואת מסלול האימוץ של AI גנראטיבי שייקח התעשייה, תסמונת FOMO (פחד מהחמצה) צפויה לשלוט בחשיבה של חברות פיננסיות להשקיע בניסויים עבור מערך צר מקרי שימוש ממוקדים. חשוב לציין, שילוב של יכולות מבוססות בינה מלאכותית בתהליכי ליבה עסקיים של חברות פיננסיות דורש הערכה מקיפה של גורמים בסיסיים. בהתחשב בפערים נרחבים במיקוד של מקרה שימוש, תכונות פחות דומות, ומידוד מורכב של LLMs זמינים, הערכת היכולות והתנאים המסחריים והפריסה שלהם הופכת לתרגיל מכביד. זה כרוך בהערכה מפורטת של התאמת מקרי שימוש, ניתוח עלות-תועלת של תכונות חדשנות, כדאיות טכנולוגיה, השפעה אנושית וכן ניואנסים של סיכונים משפטיים, רגולטוריים ומוניטין, מלבד אמצעי הבקרה וההפחתה שלהם.

מנקודת מבט טכנולוגית, אימוץ בקנה מידה ארגוני של AI גנרטיבי תלוי באופן קריטי בגורמים של טכנולוגיה ומערכות אקולוגיות של נתונים - כולל פרקטיקות ופלטפורמות של מדעי נתונים של חברה עסקית. מלבד ההקשר של בעיה עסקית שיש לפתור בתחומי יישומים מגוונים, רמת הבשלות של אימוץ בינה מלאכותית ומוכנות של פלטפורמת מודלים וכלים, כמו גם קנה מידה של צינורות הנדסת נתונים הם דרישות מפתח כדי להתקדם בנתיב חקר ערך ממוקד בינה מלאכותית. הגדלה ניכרת של פלטפורמת בינה מלאכותית ארגונית על ידי מתן גישה למודלים שונים בקוד פתוח או קנייניים, כלי מודלים וזרימות עבודה מהדור החדש, כמו גם אספקת תשתית מחשוב בעלת ביצועים גבוהים הם הצעדים הראשונים הבסיסיים.

4.1  מציאת המודל הנכון וההקשר שלו

בהתאם למרכזיות של מקרי שימוש עסקיים, לחברות יש אפשרויות לבחור דגם מתוך מגוון של LLMs זמינים - קוד פתוח (למשל, OPT של Meta, LLaMA, GPT-NeoX של EleutherAI, Hugging Face' Bloom, PaLM של גוגל, דולי 2.0 של Databricks, Stability StableLM של .AI) או מודלים קנייניים סגורים (למשל, ChatGPT מ-OpenAI, Dolly מ-Databricks, Jurassic מ-AI21 Labs, Cohere, LightOn). בדרך כלל, מודלים של קוד פתוח מציעים מערכת אקולוגית עשירה של מפתחים עם פוטנציאל של מחזורי איטרציה מהירים כמו גם טכניקות משופרות לאופטימיזציה להסקת מסקנות ושינוי קנה מידה. השיקול הקריטי הנוסף כרוך בבחירה של מודל למטרות כלליות בגודל גדול המתאים לדומיינים עסקיים רחבים יותר או מודל ספציפי לתחום בגודל קטן יחסית (למשל, BloombergGPT למימון). בהתחשב בריבוי הדגמים שהוכשרו מראש הזמינים עם כיסוי מקרי שימוש מגוונים, זוהי האפשרות הפחות מעשית עבור חברה לבנות דגם משלה מאפס. יתרה מכך, הגישה טומנת בחובה סיכון להפיק תוצאות פחות אמינות גם לאחר ביצוע עלויות נכבדות, טיפול במורכבות של קפדנות דוגמנות אינטנסיבית והקצאת קורפוס נתונים עצום של תחום לדרישות טרום הדרכה.

4.2  עלות כוונון והסבה של דגמים

גמישות של למידה בהעברה או כוונון עדין של מודלים זמינים בהקשר של תחום ספציפי עם כמות מוגבלת של מערך הנתונים של המשתמש בצורה של למידה של מספר יריות או למידה קצרה אפס הופכת לגורם קריטי לפריסה מהירה יותר כדי להתיישר עם הצרכים העסקיים. כמו כן, האבולוציה של מדעי הנתונים וטכנולוגיית המחשוב מביאה אלמנט של דינמיות במודלים ודורשת שדרוג ואיטרציה קבועים. למעשה, הוא מוסיף למידה חדשה, וצרכי ​​הכשרה מחדש עבור מודל מיושם. גם אם נראים בדרך כלל מחירי ה-API או שיחות שירות עבור נתוני אימון ושימוש במודל בשברים נמוכים של ה-100 או ה-1000 של הדולר (נניח, $0.000N / 1K אסימונים), העלות המצטברת בכוונון עדין או הדרכה מחדש של מודל יכולה להיות סכום גבוה מבחינה אסטרונומית. כפי שהובן במקרה של מסע בענן, חיובים מסחריים נומינליים המוחלים על יציאת וכניסת נתונים על ידי מכשירי היפר-scalers תחת מודלים שונים של פריסה עולים באופן שגרתי על היציאה החזויה של OPEX. בהתחשב בחוסר הניבוי של שדרוגי ה-LLM לאורך מחזור החיים שלו וצרכי ​​הלמידה או ההכשרה הנובעים מכך, יהיה קשה להעריך הערכה ריאלית של ראשי עלויות אלו.

4.3  דרישות טכנולוגיה ותשתיות מחשוב

המורכבות של LLMs דורשות כוח חישוב רב עוצמה עבור אימון וריצה מהירים יותר. כדי לתמוך באימון פרמטרים של אסימון בגודל מרובים או טריליון ועיבוד של קורפוס נתונים מסיבי, זה דורש משאבי חומרה, זיכרון ומחשוב מיוחדים בהגדרה מקבילה או מבוזרת. כדי לקחת דוגמה, ניתוח מסוים מצביע על כך שהכשרת מודל LLaMA פרמטר שישים וחמישה מיליארד המעבד 380 אסימונים/שנייה/GPU על 2048 A100 GPU עם 80GB של זיכרון RAM הכולל מערך נתונים של 1.4 טריליון אסימונים לוקח בערך 21 ימים. זה כרוך בעלויות GPU ותשתית בהיקף של 4.05 מיליון דולר. במקרה של תרחישי אימון מרובים או איטרטיביים הכוללים משך זמן ארוך יותר, עלויות המחשוב עלולות לקפוץ לנתון אוסרני ביותר. לפיכך, אספקת תשתית מחשוב חסכונית לתמיכה בעיבוד בקנה מידה גדול בביצועים אופטימליים הופכת לדרישה חיונית.

4.4  כלי מודלים ותהליכי עבודה

גישה למגוון רחב של מודלים שהוכשרו מראש, כלי מידול מתקדמים ומאיצים הם דרישות יסוד לבחינת הפוטנציאל של מקרי שימוש בחדשנות על פני שלבי התכנון, הפיתוח, הבדיקה והפריסה של פתרונות מותאמים אישית. מלבד הפעלת תשתית מחשוב והנדסת נתונים, פלטפורמות בינה מלאכותית צריכות לתמוך במגוון שירותים מקיפים על פני מודלים, הדרכה, כוונון עדין, שירותי הסקת מסקנות והפריסה שלה מגובה בזרימת עבודה משולבת של AI. הדבר הטוב הוא שה-Hyperscalers המובילים גיבשו מחדש את הפלטפורמה והשירותים הממוקדים ב-AI שלהם כדי לספק מודלים של בסיס ביצועים גבוהים, חומרת מחשוב ומסגרות תוכנה כדי ללכוד את ההתעניינות הגוברת בשוק ב-LLM. תיק שירותים טיפוסי מורכב ממודלים שהוכשרו מראש, מובנים במודלים ושירותים של פתרונות, כלים ויכולות של זרימת עבודה, כמו גם ממשקי API ומסגרות לבניית יישומים בקנה מידה.

4.5  בקרת סיכונים ואמצעי הגנה

בשנים האחרונות, הדגש הרגולטורי (והתקנת חוקים בעיצומה) בתחומי שיפוט מרכזיים מתמקד בסטנדרטים מקיפים על מסגרת AI אחראית של פרקטיקות ואמצעי ניהול סיכונים כדי להבטיח הוגנות, הסבר ואמון במערכות AI. שילוב של מודלים של AI בתהליכי ליבה עסקיים כרוך בבקרת סיכונים משופרת ושמירה על פרטיות נתונים ואבטחה, כמו גם להבטיח אמון ואמינות של תוצאות. טיפול אפקטיבי בבעיות בקרת סיכונים ותאימות הופך חיוני עבור שתי ספירות בסיסיות - ראשית, מודל ענן היברידי טיפוסי להפעלת יישומים ארגוניים ועומסי עבודה נשארים רגישים לפגיעויות לא ידועות, למרות מערך אמצעי הגנת האבטחה. שנית, שימוש בקורפוס נתונים גדול הכולל מידע סודי של לקוחות או מידע רגיש עסקי מהווה רמות חדשות של סיכון מחשיפות נתונים לא מכוונות. כמו כן, דפוסי רגשות או התנהגות מעוותים החדורים מנתוני אימון של מספר יריות או אפס יריות נושאות רמה בלתי מוגדרת של הטיה בתוצאות. אין ספק, לאמון ולאמינות הנובעים מכך יש השלכות עסקיות משמעותיות וצריך פיקוח ובקרה הוליסטית לאורך מחזור החיים של המודל, מעבר לתיקת התיבה כדי לעמוד בהנחיות Response AI.

5.    דרך קדימה: היערכות לעבור דרך לא ברורה

ההשפעה הטרנספורמטיבית הרחבה של בינה מלאכותית מחוללת על פני פונקציות עסקיות חייבת לשנות את הדרך שבה חברות פיננסיות שואפות להמציא מחדש לארגון עסקי מונחה נתונים בשנים האחרונות. בעודם ממתינים לסימנים מובחנים יותר של אבולוציה טכנולוגית ורגולטורית, דרבן מיידית עבור חברות מצביעות על מיזמי חקירה זהירים המתמקדים במספר מקרי שימוש צרים כדי לבנות יתרון תחרותי חזק. מתוך מטרה להמציא מחדש את העסק ולרתום את יתרונות הפרודוקטיביות והעלות-תועלת, נראה כי מקרי שימוש בתהליכים עסקיים פנימיים הם הסט הראשון של מועמדים ליישום AI גנרטיבי. כדי להתחיל בגישה זהירה, היא תגביל את הסיכונים העסקיים, הרגולטוריים והמשפטיים לרמה הנמוכה ביותר.

בתחום הרווח של אי-חיזוי של עקומת התפתחות בינה מלאכותית, אימוץ כלל ארגוני עם סט של אפליקציות קטלניות נראה דרך ארוכה לגורמים שונים בעולם האמיתי - דאגות בפרטיות נתונים, התפתחות של מודל משפטי ורגולטורי קוהרנטי, צורכי הדרכה והכשרת מודלים, מחשוב פלטפורמה, ועלויות ומגבלות תשתית. ככל שההצטברות למקרי השימוש וסיפורי האימוץ מתקדמים בנתיבי חקירה, השקעה מינימלית לספירה במירוץ ההבל בקצה אחד ופסיביות מלאת סקרנות בקיצוניות אחרת הן ככל הנראה מרחב של מסעות ניסוי. חשוב לציין, האבולוציה של מחשוב-על בינה מלאכותית בצד המחשוב, בהירות טובה יותר בהיבטי זכויות יוצרים בצד המשפטי והטמעה עמוקה יותר של ליבת הבינה המלאכותית האחראית במודלים יכולים למסגר מחדש לחלוטין את פרדיגמת הבינה המלאכותית הגנרטיבית או האווטרים העתידניים שלה בשנים הקרובות.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• EVM Finance. ממשק מאוחד למימון מבוזר. גישה כאן.
• Quantum Media Group. IR/PR מוגבר. גישה כאן.
• PlatoAiStream. Web3 Data Intelligence. הידע מוגבר. גישה כאן.
• מקור: https://www.finextra.com/blogposting/24371/generative-ai-what-it-takes-to-turn-a-hyperbole-into-transformational-paradigm?utm_medium=rssfinextra&utm_source=finextrablogs