Կարճ պատասխան. Արհեստական բանականությամբ զբաղվող ընկերությունը այն ընկերությունն է, որի հիմնական արտադրանքը, արժեքը կամ մրցակցային առավելությունը հիմնված է արհեստական բանականության վրա։ Եթե հեռացնեք արհեստական բանականությունը, առաջարկը կփլուզվի կամ զգալիորեն կվատանա։ Եթե արհեստական բանականությունը վաղը ձախողվի, և դուք դեռ կարողանաք աշխատել աղյուսակներով կամ հիմնական ծրագրաշարով, ապա, հավանաբար, դուք արհեստական բանականությամբ եք հագեցած, այլ ոչ թե արհեստական բանականությամբ զբաղվող ընկերություն։ Իրական արհեստական բանականությամբ զբաղվող ընկերությունները տարբերվում են տվյալների, գնահատման, տեղակայման և սերտ իտերացիոն ցիկլերի միջոցով։
Հիմնական եզրակացություններ՝
Հիմնական կախվածություն . Եթե արհեստական բանականության հեռացումը խափանում է ապրանքը, ապա դուք փնտրում եք արհեստական բանականության ընկերություն։
Պարզ թեստ . եթե կարող եք կաղալով առաջ շարժվել առանց արհեստական բանականության, ապա, հավանաբար, ձեր համակարգիչը արհեստական բանականություն ունի։
Գործառնական ազդանշաններ . շեղումը, գնահատման հավաքածուները, լատենտությունը և ձախողման ռեժիմները քննարկող թիմերը, որպես կանոն, իրենք են կատարում ծանր աշխատանքը։
Չարաշահման դիմադրություն . կառուցեք պաշտպանիչ ցանկապատեր, մոնիթորինգի և հետկանչի պլաններ մոդելների ձախողման դեպքում։
Գնորդի ուշադիր վերաբերմունք . խուսափեք արհեստական բանականության չարաշահումից՝ պահանջելով մեխանիզմներ, չափանիշներ և տվյալների հստակ կառավարում։
«Արհեստական բանականություն» ընկերությունը այնքան ազատորեն է շրջանառվում, որ կարող է միանգամից ամեն ինչ և ոչինչ նշանակել։ Մեկ ստարտափ պնդում է, որ արհեստական բանականություն ունի, քանի որ ավելացրել է ավտոմատ լրացման դաշտ։ Մեկ այլ ընկերություն մարզում է մոդելներ, կառուցում գործիքներ, առաքում ապրանքներ և տեղակայում արտադրական միջավայրերում… և միևնույն է, հայտնվում է նույն վիճակում։.
Այսպիսով, պիտակը կարիք ունի ավելի սուր եզրերի: Արհեստական բանականությամբ աշխատող բիզնեսի և մեքենայական ուսուցման թեթևակի կիրառմամբ ստանդարտ բիզնեսի միջև տարբերությունը արագ երևում է, երբ դուք գիտեք, թե ինչ փնտրել:.
Հոդվածներ, որոնք կարող են ձեզ դուր գալ կարդալ սրանից հետո
🔗 Ինչպես է աշխատում արհեստական բանականության միջոցով մասշտաբի բարձրացումը։
Իմացեք, թե ինչպես են մոդելները մանրամասներ ավելացնում պատկերները մաքուր մեծացնելու համար։
🔗 Ինչ տեսք ունի արհեստական բանականության կոդը։
Տեսեք գեներացված կոդի օրինակներ և դրա կառուցվածքը։
🔗 Ի՞նչ է արհեստական բանականության ալգորիթմը։
Հասկացեք այն ալգորիթմները, որոնք օգնում են արհեստական բանականությանը սովորել, կանխատեսել և օպտիմալացնել։
🔗 Ի՞նչ է արհեստական բանականության նախնական մշակումը։
Բացահայտեք քայլերը, որոնք մաքրում, պիտակավորում և ձևաչափում են տվյալները մարզման համար։
Ի՞նչ է արհեստական բանականության ընկերությունը. հստակ սահմանում, որը հաստատուն է ✅
Գործնական սահմանում
Արհեստական բանականությամբ զբաղվող ընկերությունը բիզնես է, որի հիմնական արտադրանքը, արժեքը կամ մրցակցային առավելությունը կախված է արհեստական բանականությունից , ինչը նշանակում է, որ եթե դուք հեռացնեք արհեստական բանականությունը, ընկերության «գործը» կփլուզվի կամ կտրուկ կվատթարանա: ( OECD , NIST AI RMF )
Ոչ թե «մենք մեկ անգամ օգտագործեցինք արհեստական բանականություն հաքաթոնի ժամանակ»։ Ոչ թե «մենք չաթբոտ ավելացրինք կոնտակտային էջին»։ Ավելի ճիշտ՝
-
Արտադրանքը է (կամ աշխատում է մեկ ծայրից ծայր միացվող համակարգով) ( OECD )
-
Ընկերության առավելությունը գալիս է մոդելներից, տվյալներից, գնահատումից և իտերացիայից ( Google Cloud MLOps , NIST AI RMF Playbook - Measure ):
-
Արհեստական բանականությունը գործառույթ չէ, այլ շարժիչը 🧠⚙️
Ահա աղիքների հեշտ ստուգում
Պատկերացրեք, որ վաղը արհեստական բանականությունը կձախողվի։ Եթե հաճախորդները դեռ վճարեին ձեզ, և դուք կարողանայիք կաղալ՝ օգտագործելով աղյուսակներ կամ պարզ ծրագրեր, ապա դուք, հավանաբար, արհեստական բանականությամբ եք օժտված, այլ ոչ թե արհեստական բանականությամբ եք զբաղվող։.
Եվ այո, կա մշուշոտ միջին հատված։ Ինչպես մշուշոտ պատուհանի միջով նկարված լուսանկար... լավ փոխաբերություն չէ, բայց հասկացաք գաղափարը 😄
«Արհեստական բանականությամբ աշխատող ընկերություն» և «Արհեստական բանականությամբ աշխատող ընկերություն» տարբերությունները (այս մասը պահպանում է փաստարկները) 🥊
Ժամանակակից բիզնեսների մեծ մասն օգտագործում է արհեստական բանականության որևէ ձև։ Միայն դա նրանց արհեստական բանականության ընկերություն չի դարձնում։ ( OECD )
Սովորաբար արհեստական բանականության ընկերություն է
-
Անմիջապես վաճառում է արհեստական բանականության հնարավորություններ (մոդելներ, երկրորդ օդաչուներ, ինտելեկտուալ ավտոմատացում)
-
Կառուցում է սեփական արհեստական բանականության համակարգեր՝ որպես հիմնական արտադրանք
-
Որպես հիմնական գործառույթ ունի լուրջ արհեստական ինտելեկտի ինժեներիա, գնահատում և տեղակայում ( Google Cloud MLOps ):
-
Անընդհատ սովորում է տվյալներից և բարելավում է կատարողականը որպես հիմնական չափանիշ 📈 ( Google MLOps Whitepaper )
Սովորաբար արհեստական բանականությամբ աշխատող ընկերություն՝
-
Ներքին կերպով օգտագործում է արհեստական բանականություն՝ ծախսերը կրճատելու, աշխատանքային հոսքերը արագացնելու կամ թիրախավորումը բարելավելու համար
-
Դեռևս վաճառում է ինչ-որ այլ բան (մանրածախ ապրանքներ, բանկային ծառայություններ, լոգիստիկա, լրատվամիջոցներ և այլն):
-
Կարող է արհեստական բանականությունը փոխարինել ավանդական ծրագրային ապահովմամբ և միևնույն ժամանակ «լինել ինքն իրենը»։
Օրինակներ (միտումնավոր ընդհանուր, քանի որ ապրանքանիշի վերաբերյալ բանավեճերը որոշ մարդկանց համար հոբբի են)
-
Բանկ, որն օգտագործում է արհեստական բանականություն խարդախության հայտնաբերման համար՝ արհեստական բանականությամբ
-
Մանրածախ առևտրով զբաղվող ընկերություն, որն օգտագործում է արհեստական բանականություն պաշարների կանխատեսման համար՝ արհեստական բանականությամբ հագեցած
-
Ընկերություն, որի արտադրանքը արհեստական բանականության հաճախորդների աջակցության գործակալ է, հավանաբար արհեստական բանականության ընկերություն է
-
Մոդելի մոնիթորինգի, գնահատման և տեղակայման գործիքներ վաճառող հարթակ - արհեստական բանականության ընկերություն (ենթակառուցվածք) ( Google Cloud MLOps )
Այո՛… ձեր ատամնաբույժը կարող է օգտագործել արհեստական բանականություն հիշեցումներ պլանավորելու համար։ Դա նրանց արհեստական բանականության ընկերություն չի դարձնում 😬🦷
Ի՞նչն է արհեստական բանականության ընկերության լավ տարբերակը դարձնում 🏗️
Արհեստական բանականության բոլոր ընկերությունները նույն կերպ չեն կառուցված, և որոշները, ըստ էության, հիմնականում տրամադրված են և ռիսկային կապիտալ են ստեղծում։ լավ տարբերակը հակված է մի քանի ընդհանուր հատկանիշների, որոնք ի հայտ են գալիս անընդհատ.
-
Հստակ խնդրի պատասխանատվություն . նրանք լուծում են որոշակի խնդիր, այլ ոչ թե «ամեն ինչի համար արհեստական բանականություն»
-
Չափելի արդյունքներ ՝ ճշգրտություն, խնայված ժամանակ, ծախսերի կրճատում, ավելի քիչ սխալներ, ավելի բարձր փոխակերպում - ընտրեք ինչ-որ բան և հետևեք դրան ( NIST AI RMF )
-
Տվյալների կարգապահություն . տվյալների որակը, թույլտվությունները, կառավարումը և հետադարձ կապի օղակները ընտրովի չեն ( NIST AI RMF ):
-
Գնահատման մշակույթ . նրանք մոդելները փորձարկում են մեծահասակների նման՝ չափորոշիչներով, բացառիկ դեպքերով և մոնիթորինգով 🔍 ( Google Cloud MLOps , Datadog )
-
Տեղակայման իրականություն . համակարգը գործում է անկարգ առօրյա պայմաններում, այլ ոչ թե միայն ցուցադրական տարբերակներում։
-
Պաշտպանելի առավելություն ՝ տիրույթի տվյալներ, բաշխում, աշխատանքային հոսքի ինտեգրացիա կամ սեփական գործիքակազմ (ոչ թե պարզապես «մենք API ենք անվանում»):
Զարմանալիորեն ազդեցիկ նշան
-
Եթե թիմը խոսում է լատենտության, շեղման, գնահատման հավաքածուների, հալյուցինացիաների և ձախողման ռեժիմների , ապա նրանք, հավանաբար, իրական արհեստական բանականության աշխատանք են կատարում: ( IBM - մոդելի շեղում , OpenAI - հալյուցինացիաներ , Google Cloud MLOps )
-
Եթե նրանք հիմնականում խոսում են «սիներգիայի հեղափոխության մասին՝ ինտելեկտուալ թրթռումների միջոցով», ապա… գիտեք, թե ինչպես է դա 😅
Համեմատական աղյուսակ. արհեստական ինտելեկտի ընկերությունների տարածված «տեսակները» և ինչ են նրանք վաճառում 📊🤝
Ստորև բերված է արագ, մի փոքր անկատար համեմատական աղյուսակ (ինչպես առօրյա բիզնեսում): Գները «տիպիկ գնագոյացման ոճեր» են, այլ ոչ թե ճշգրիտ թվեր, քանի որ դրանք շատ են տարբերվում:.
| Ընտրանք / «Տեսակ» | Լավագույն լսարանը | Գին (մոտավորապես միջին) | Ինչու է այն աշխատում |
|---|---|---|---|
| Հիմքի մոդելավորող | Մշակողներ, ձեռնարկություններ, բոլորը… մոտավորապես | Օգտագործման վրա հիմնված, մեծ պայմանագրեր | Ուժեղ ընդհանուր մոդելները դառնում են հարթակ՝ «օպերացիոն համակարգին նման» շերտ ( OpenAI API գնագոյացում ) |
| Ուղղահայաց արհեստական բանականության հավելված (իրավաբանական, բժշկական, ֆինանսական և այլն) | Հատուկ աշխատանքային հոսքեր ունեցող թիմեր | Բաժանորդագրություն + նստատեղերի գներ | Դոմեյնի սահմանափակումները նվազեցնում են քաոսը. ճշգրտությունը կարող է կտրուկ աճել (երբ ճիշտ է արվում): |
| Արհեստական բանականության օգնական՝ գիտելիքների աշխատանքի համար | Վաճառք, աջակցություն, վերլուծաբաններ, գործառնություններ | Ամսական մեկ օգտատիրոջ համար | Արագ խնայում է ժամանակ, ինտեգրվում է ամենօրյա գործիքների մեջ… կպչուն է, երբ լավն է ( Microsoft 365 Copilot-ի գնագոյացում ) |
| MLOps / մոդելային գործողությունների հարթակ | Արհեստական բանականության թիմերը արտադրության մեջ | Ձեռնարկության պայմանագիր (երբեմն ցավոտ) | Մոնիթորինգ, տեղակայում, կառավարում՝ ոչ սեքսուալ, բայց էական ( Google Cloud MLOps ) |
| Տվյալների + պիտակավորման ընկերություն | Մոդելավորողներ, ձեռնարկություններ | Ըստ առաջադրանքի, ըստ պիտակի, խառը | Ավելի լավ տվյալները զարմանալիորեն հաճախ գերազանցում են «ավելի նրբագեղ մոդելին» ( MIT Sloan / Andrew Ng տվյալների վրա կենտրոնացած արհեստական բանականության մասին ) |
| Edge AI / Սարքի վրա տեղադրված AI | Սարքավորումներ + Ինտերնետային իրերի ցանց, գաղտնիության վրա կենտրոնացած կազմակերպություններ | Յուրաքանչյուր սարքի համար, լիցենզավորում | Ցածր լատենտություն + գաղտնիություն; աշխատում է նաև անցանց (մեծ առավելություն) ( NVIDIA , IBM ) |
| Արհեստական բանականության խորհրդատվություն / ինտեգրատոր | Արհեստական բանականությանը չհամապատասխանող կազմակերպություններ | Նախագծի վրա հիմնված, պահպանողներ | Ավելի արագ է գործում, քան ներքին վարձումը, բայց գործնականում կախված է տաղանդից |
| Գնահատում / Անվտանգության գործիքավորում | Teams-ի առաքման մոդելներ | Բազմաստիճան բաժանորդագրություն | Օգնում է խուսափել լուռ ձախողումներից, և այո, դա շատ կարևոր է ( NIST AI RMF , OpenAI - հալյուցինացիաներ ) |
Ուշադրություն դարձրեք մի բանի։ «Արհեստական բանականության ընկերություն» տերմինը կարող է նշանակել շատ տարբեր բիզնեսներ։ Ոմանք վաճառում են մոդելներ։ Ոմանք վաճառում են թիակներ մոդելավորողների համար։ Ոմանք վաճառում են պատրաստի արտադրանք։ Նույն պիտակը, բոլորովին այլ իրականություն։.
Արհեստական բանականության ընկերությունների հիմնական նախատիպերը (և ինչում են նրանք սխալվում) 🧩
Եկեք մի փոքր ավելի խորանանք, որովհետև սա այն տեղն է, որտեղ մարդիկ խճճվում են։.
1) Մոդելային առաջնահերթություն ունեցող ընկերություններ 🧠
Սրանք մոդելներ են կառուցում կամ ճշգրտում։ Դրանց ուժեղ կողմերը սովորաբար հետևյալն են
-
հետազոտական տաղանդ
-
հաշվարկային օպտիմալացում
-
գնահատման և իտերացիայի ցիկլեր
-
բարձր արդյունավետությամբ սպասարկման ենթակառուցվածք ( Google MLOps Whitepaper )
Հաճախակի թերություն
-
Նրանք ենթադրում են, որ «ավելի լավ մոդել» արտահայտությունը ավտոմատ կերպով նշանակում է «ավելի լավ ապրանք»։
Սակայն այդպես չէ։ Օգտատերերը մոդելներ չեն գնում, նրանք արդյունքներ են գնում։
2) Արտադրանքին նախապատվություն տվող արհեստական բանականության ընկերություններ 🧰
Սրանք արհեստական բանականություն են ներդնում աշխատանքային հոսքի մեջ։ Դրանք հաղթում են՝
-
բաշխում
-
UX և ինտեգրացիա
-
ուժեղ հետադարձ կապի օղակներ
-
հուսալիությունն ավելի շատ է, քան հում բանականությունը
Հաճախակի թերություն
-
Նրանք թերագնահատում են մոդելի վարքագիծը։ Իրական օգտատերերը կխափանեն ձեր համակարգը նոր և ստեղծագործական ձևերով։ Ամեն օր։.
3) Ենթակառուցվածքային արհեստական բանականության ընկերություններ ⚙️
Մտածեք մոնիթորինգի, տեղակայման, կառավարման, գնահատման, կազմակերպման մասին։ Դրանք հաղթում են հետևյալի միջոցով՝
-
վիրահատական ցավի նվազեցում
-
ռիսկերի կառավարում
-
արհեստական բանականությունը դարձնելով կրկնելի և անվտանգ ( NIST AI RMF , Google Cloud MLOps )
Հաճախակի թերություն
-
Նրանք կառուցում են առաջադեմ թիմերի համար և անտեսում են բոլորին, ապա զարմանում, թե ինչու է յուրացումը դանդաղ։.
4) Տվյալակենտրոն արհեստական բանականություն ստեղծող ընկերություններ 🗂️
Սրանք կենտրոնանում են տվյալների փոխանցման ուղիների, պիտակավորման, սինթետիկ տվյալների և տվյալների կառավարման վրա: Դրանք հաղթում են հետևյալի միջոցով
-
բարելավելով մարզման ազդանշանի որակը
-
աղմուկի նվազեցում
-
մասնագիտացման հնարավորություն ( MIT Sloan / Էնդրյու Նգ՝ տվյալակենտրոն արհեստական բանականության վերաբերյալ )
Հաճախակի թերություն
-
Նրանք չափազանցնում են «տվյալները լուծում են ամեն ինչ» գաղափարը։ Տվյալները հզոր են, բայց ձեզ դեռ անհրաժեշտ է լավ մոդելավորում և ուժեղ ապրանքային մտածողություն։.
Ինչ է գտնվում արհեստական բանականության ընկերության ներսում՝ մոտավորապես ամբողջ կառուցվածքը 🧱
Եթե նայեք վարագույրի ետևից, կտեսնեք, որ իրական արհեստական ինտելեկտի ընկերությունների մեծ մասն ունի նմանատիպ ներքին կառուցվածք։ Ոչ միշտ, բայց հաճախ։.
Տվյալների շերտ 📥
-
հավաքագրում և ընդունում
-
պիտակավորում կամ թույլ վերահսկողություն
-
գաղտնիություն, թույլտվություններ, պահպանում
-
հետադարձ կապի ցիկլեր (օգտատիրոջ ուղղումներ, արդյունքներ, մարդկային վերանայում) ( NIST AI RMF )
Մոդելի շերտ 🧠
-
բազային մոդելների ընտրություն (կամ զրոյից ուսուցում)
-
նուրբ կարգավորում, թորում, արագ մշակում (այո, դեռևս հաշվվում է)
-
որոնման համակարգեր (որոնում + դասակարգում + վեկտորային տվյալների բազաներ) ( RAG հոդված (Լյուիս և այլք, 2020) , Oracle - վեկտորային որոնում )
-
գնահատման փաթեթներ և թեստային հավաքածուներ ( Google Cloud MLOps )
Արտադրանքի շերտ 🧑💻
-
UX, որը կարգավորում է անորոշությունը (վստահության ազդանշաններ, «վերանայման» վիճակներ)
-
պաշտպանիչ ցանկապատեր (քաղաքականություն, մերժում, անվտանգ ավարտ) ( NIST AI RMF )
-
աշխատանքային հոսքի ինտեգրում (էլ. փոստ, CRM, փաստաթղթեր, տոմսերի վաճառք և այլն)
Գործողությունների շերտ 🛠️
-
շեղման և վատթարացման մոնիթորինգ ( IBM - մոդելի շեղում , Google Cloud MLOps )
-
միջադեպերի արձագանք և չեղարկում ( Uber - տեղակայման անվտանգություն )
-
ծախսերի կառավարում (հաշվարկները կարող են լինել քաղցած փոքրիկ հրեշ)
-
կառավարում, աուդիտներ, մուտքի վերահսկողություն ( NIST AI RMF , ISO/IEC 42001 ակնարկ )
Եվ այն մասը, որը ոչ ոք չի գովազդում
-
մարդկային գործընթացներ ՝ գրախոսողներ, արձագանքի բարձրացում, որակի ապահովման և հաճախորդների արձագանքի ուղիներ:
Արհեստական բանականությունը «կարգավորել և մոռանալ» գործընթաց չէ: Այն ավելի շատ նման է այգեգործությանը: Կամ ինչպես ընտանի կենդանի ջրարջ պահելը: Այն կարող է խելոք լինել, բայց այն բացարձակապես կքանդի ձեր խոհանոցը, եթե դուք չեք դիտում 😬🦝
Բիզնես մոդելներ. ինչպես են արհեստական բանականության ընկերությունները գումար վաստակում 💸
Արհեստական ինտելեկտի ընկերությունները հակված են ընկնել մի քանի տարածված դրամայնացման ձևերի մեջ
-
Օգտագործման վրա հիմնված (մեկ հարցման, մեկ թոքենի, մեկ րոպեի, մեկ պատկերի, մեկ առաջադրանքի համար) ( OpenAI API գնագոյացում , OpenAI - թոքեններ )
-
Տեղերի հիման վրա բաժանորդագրություններ (մեկ օգտատիրոջ համար ամսական) ( Microsoft 365 Copilot-ի գնագոյացում )
-
Արդյունքի վրա հիմնված գնագոյացում (հազվադեպ, բայց հզոր՝ վճարվում է յուրաքանչյուր կոնվերսիայի կամ լուծված տոմսի համար)
-
Ձեռնարկության պայմանագրեր (աջակցություն, համապատասխանություն, SLA, անհատական տեղակայում)
-
Լիցենզավորում (սարքի վրա, ներդրված, OEM ոճով) ( NVIDIA )
Լարվածություն, որի առջև կանգնած են բազմաթիվ արհեստական բանականության ընկերություններ
-
Հաճախորդները ցանկանում են կանխատեսելի ծախսեր 😌
-
Արհեստական բանականության արժեքը կարող է տատանվել օգտագործման և մոդելի ընտրության հետ կապված 😵
Այսպիսով, լավ արհեստական բանականության ընկերությունները շատ լավ են սովորում
-
հնարավորության դեպքում առաջադրանքները ուղղորդել ավելի էժան մոդելների
-
քեշավորման արդյունքներ
-
խմբաքանակային հարցումներ
-
համատեքստի չափի վերահսկում
-
UX-ի նախագծում, որը կանխում է «անվերջ արագընթաց պարույրները» (մենք բոլորս էլ դա արել ենք…)
Խրամատային հարց. ի՞նչն է արհեստական բանականության ընկերությունը դարձնում պաշտպանելի 🏰
Սա է ամենակծու մասը։ Շատերը ենթադրում են, որ խրամատը «մեր մոդելն ավելի լավն է»։ Երբեմն այդպես է, բայց հաճախ… ոչ։.
Ընդհանուր պաշտպանողական առավելություններ
-
Սեփականատիրական տվյալներ (հատկապես տիրույթին հատուկ)
-
Բաշխում (ներդրված է աշխատանքային հոսքում, որում օգտատերերն արդեն ապրում են)
-
Փոխանցման ծախսեր (ինտեգրացիաներ, գործընթացների փոփոխություններ, թիմի սովորույթներ)
-
Բրենդի վստահություն (հատկապես բարձր ռիսկային դոմեյնների համար)
-
Գործառնական գերազանցություն (հուսալի արհեստական բանականություն մեծ մասշտաբով մատակարարելը դժվար է) ( Google Cloud MLOps )
-
Մարդկային միջավայրում գործող համակարգեր (հիբրիդային լուծումները կարող են գերազանցել մաքուր ավտոմատացմանը) ( NIST AI RMF , ԵՄ AI ակտ - մարդկային վերահսկողություն (հոդված 14) )
Մի փոքր անհարմար ճշմարտություն.
երկու ընկերություններ կարող են օգտագործել նույն հիմքում ընկած մոդելը և միևնույն ժամանակ ունենալ խիստ տարբեր արդյունքներ: Տարբերությունը սովորաբար մոդելի շուրջ ամեն ինչ է՝ արտադրանքի դիզայնը, գնահատումները, տվյալների ցիկլերը և այն, թե ինչպես են նրանք կարգավորում ձախողումները:
Ինչպես հայտնաբերել արհեստական բանականության լվացումը (այսինքն՝ «մենք ավելացրինք փայլ և անվանեցինք այն ինտելեկտ») 🚩
Եթե գնահատում եք, թե ինչ է իրենից ներկայացնում արհեստական բանականության ընկերությունը, ուշադրություն դարձրեք այս վտանգի նշաններին
-
Արհեստական բանականության հստակ հնարավորություններ չեն նկարագրված . շատ մարքեթինգ, ոչ մի մեխանիզմ
-
Դեմո մոգություն . տպավորիչ դեմո, եզրային պատյանների մասին առանց հիշատակման
-
Գնահատման պատմություն չկա . նրանք չեն կարող բացատրել, թե ինչպես են ստուգում հուսալիությունը ( Google Cloud MLOps ):
-
Ձեռքի ալիքավոր տվյալների պատասխաններ . անհասկանալի է, թե որտեղից են գալիս տվյալները կամ ինչպես են դրանք կառավարվում ( NIST AI RMF )
-
Մոնիթորինգի պլան չկա . նրանք գործում են այնպես, կարծես մոդելները չեն շեղվում ( IBM - Model drift )
-
Նրանք չեն կարող բացատրել ձախողման եղանակները . ամեն ինչ «գրեթե կատարյալ է» (ոչինչ կատարյալ չէ) ( OpenAI - հալյուցինացիաներ )
Կանաչ դրոշներ (հանգստացնող հակադրություն) ✅:
-
Նրանք ցույց են տալիս, թե ինչպես են չափում կատարողականը
-
Նրանք խոսում են սահմանափակումների մասին՝ առանց խուճապի մատնվելու
-
Դրանք ունեն մարդկային վերանայման ուղիներ և աստիճանական բարձրացում ( NIST AI RMF , EU AI Act - մարդկային վերահսկողություն (հոդված 14) ):
-
Նրանք հասկանում են գաղտնիության և համապատասխանության կարիքները ( NIST AI RMF , EU AI Act-ի ակնարկ ):
-
Նրանք կարող են ասել «մենք դա չենք անում»՝ առանց հուզականորեն փլուզվելու 😅
Եթե դուք կառուցում եք մեկը. գործնական ստուգաթերթիկ՝ արհեստական բանականության ընկերություն դառնալու համար 🧠📝
Եթե փորձում եք «արհեստական բանականությամբ հագեցած»-ից անցնել «արհեստական բանականությամբ աշխատող ընկերության», ահա մի իրագործելի ուղի
-
Սկսեք մեկ աշխատանքային հոսքից, որը բավականաչափ վնաս կհասցնի մարդկանց, որ նրանք կվճարեն այն շտկելու համար
-
Գործիքային արդյունքներ վաղ փուլում (մինչև մասշտաբի հասնելը)
-
Կառուցեք գնահատման հավաքածու իրական օգտատերերի դեպքերից ( Google Cloud MLOps )
-
Ավելացրեք հետադարձ կապի ցիկլեր առաջին օրվանից
-
Պաշտպանիչ ճաղաշարերը դարձրեք դիզայնի մաս, այլ ոչ թե երկրորդական մտածողություն ( NIST AI RMF )
-
Մի՛ չափազանցեք կառուցապատումը՝ ուղարկեք նեղ, հուսալի սեպ
-
Տեղակայմանը վերաբերվեք որպես ապրանքի, այլ ոչ թե վերջին քայլի ( Google Cloud MLOps )
Նաև հակաինտուիտիվ խորհուրդ, որը գործում է
-
Ավելի շատ ժամանակ ծախսեք այն բանի վրա, թե ինչ է կատարվում, երբ արհեստական բանականությունը սխալվում է, քան թե ճիշտ է լինում։
Ահա թե որտեղ է վստահությունը ձեռք բերվում կամ կորչում։ ( NIST AI RMF )
Ամփոփում 🧠✨
Այսպիսով… արհեստական բանականության ընկերությունը պարզ ողնաշարի է վերածվում
Սա մի ընկերություն է, որտեղ արհեստական բանականությունը շարժիչն է , այլ ոչ թե զարդարանքը։ Եթե դուք հեռացնեք արհեստական բանականությունը, և ապրանքը դադարի իմաստ ունենալուց (կամ կորցնի իր առավելությունը), ապա, հավանաբար, իրական արհեստական բանականության ընկերություն եք դիտարկում։ Եթե արհեստական բանականությունը շատերի մեջ ընդամենը մեկ գործիք է, ապա ավելի ճիշտ կլինի այն անվանել արհեստական բանականությամբ աշխատող։
Եվ երկուսն էլ լավ են։ Աշխարհը երկուսին էլ կարիք ունի։ Բայց պիտակը կարևոր է, երբ դուք ներդրում եք կատարում, վարձում եք, գնում եք ծրագրային ապահովում կամ փորձում եք հասկանալ, թե ձեզ ռոբոտ են վաճառում, թե՞ ստվարաթղթե կտրվածք՝ գուգլի աչքերով 🤖👀
Հաճախակի տրվող հարցեր
Ի՞նչն է համարվում արհեստական բանականության ընկերություն՝ արհեստական բանականության վրա հիմնված ընկերության համեմատությամբ։
Արհեստական բանականությամբ զբաղվող ընկերությունը այն ընկերությունն է, որի հիմնական արտադրանքը, արժեքը կամ մրցակցային առավելությունը կախված է արհեստական բանականությունից։ Եթե հեռացնեք արհեստական բանականությունը, առաջարկը կփլուզվի կամ կվատանա։ Արհեստական բանականությամբ զբաղվող ընկերությունը օգտագործում է արհեստական բանականությունը՝ գործողությունները հզորացնելու համար (օրինակ՝ կանխատեսում կամ խարդախության հայտնաբերում), բայց դեռևս վաճառում է սկզբունքորեն ոչ արհեստական բան։ Պարզ թեստ. եթե արհեստական բանականությունը վաղը ձախողվի, և դուք դեռ կարող եք գործել հիմնական ծրագրային ապահովմամբ, ապա, հավանաբար, արհեստական բանականությամբ զբաղվող ընկերություն եք։.
Ինչպե՞ս կարող եմ արագ հասկանալ, թե արդյոք բիզնեսը իսկապես արհեստական բանականության ընկերություն է։
Մտածեք, թե ինչ կպատահի, եթե արհեստական բանականությունը դադարի աշխատել։ Եթե հաճախորդները դեռ վճարեն, իսկ բիզնեսը կարողանա կաղալ աղյուսակների կամ ավանդական ծրագրային ապահովման միջոցով, ապա դա, հավանաբար, արհեստական բանականությանը չի համապատասխանում։ Իսկական արհեստական բանականության ընկերությունները նաև հակված են խոսել կոնկրետ գործառնական տերմիններով՝ գնահատման հավաքածուներ, լատենտություն, շեղում, հալյուցինացիաներ, մոնիթորինգ և ձախողման ռեժիմներ։ Եթե դա ամբողջությամբ մարքեթինգ է և մեխանիզմ չկա, դա կարմիր դրոշ է։.
Արդյո՞ք պետք է մարզեք ձեր սեփական մոդելին՝ արհեստական բանականության ընկերություն դառնալու համար։
Ոչ։ Շատ արհեստական բանականություն ստեղծող ընկերություններ կառուցում են ուժեղ արտադրանք՝ հիմնվելով առկա մոդելների վրա և դեռևս որակվում են որպես արհեստական բանականության համար նախատեսված, երբ արհեստական բանականությունը արտադրանքի շարժիչ ուժն է։ Կարևորը այն է, թե արդյոք մոդելները, տվյալները, գնահատումը և իտերացիոն ցիկլերը խթանում են արդյունավետությունը և տարբերակումը։ Սեփականատիրական տվյալները, աշխատանքային հոսքի ինտեգրումը և խիստ գնահատումը կարող են իրական առավելություն ստեղծել նույնիսկ առանց զրոյից ուսուցման։.
Որո՞նք են արհեստական բանականության ընկերությունների հիմնական տեսակները, և ինչո՞վ են դրանք տարբերվում։
Տարածված տեսակների թվում են՝ հիմքի մոդելների կառուցողները, ուղղահայաց արհեստական ինտելեկտի հավելվածները (ինչպիսիք են իրավաբանական կամ բժշկական գործիքները), գիտելիքների աշխատանքի համար նախատեսված օդաչուները, MLOps/մոդելային օպերացիոն հարթակները, տվյալների և պիտակավորման բիզնեսները, եզրային/սարքի վրա աշխատող արհեստական ինտելեկտը, խորհրդատվական/ինտեգրատորները և գնահատման/անվտանգության գործիքների մատակարարները: Դրանք բոլորը կարող են լինել «արհեստական ինտելեկտի ընկերություններ», բայց վաճառում են շատ տարբեր բաներ՝ մոդելներ, պատրաստի արտադրանք կամ ենթակառուցվածքներ, որոնք արտադրական արհեստական ինտելեկտը դարձնում են հուսալի և կառավարելի:.
Ինչպիսի՞ն է արհեստական բանականության ընկերությունների տիպիկ կառուցվածքը ներսից։
Շատ արհեստական բանականության ընկերություններ ունեն ընդհանուր կառուցվածք՝ տվյալների շերտ (հավաքագրում, պիտակավորում, կառավարում, հետադարձ կապի ցիկլեր), մոդելի շերտ (բազային մոդելի ընտրություն, նուրբ կարգավորում, RAG/վեկտորային որոնում, գնահատման փաթեթներ), արտադրանքի շերտ (անորոշության համար օգտագործողի փորձ, պաշտպանիչ ցանկապատեր, աշխատանքային հոսքի ինտեգրում) և գործառնությունների շերտ (շեղումների մոնիթորինգ, միջադեպերի արձագանք, ծախսերի վերահսկում, աուդիտներ): Մարդկային գործընթացները՝ վերանայողները, էսկալացիան, որակի ապահովման ծառայությունը, հաճախ կազմում են աննշան հիմքը:.
Ո՞ր չափանիշներն են ցույց տալիս, որ արհեստական բանականության ընկերությունը կատարում է «իրական աշխատանք», այլ ոչ թե պարզապես ցուցադրություններ։
Ավելի ուժեղ ազդանշանը ապրանքին կապված չափելի արդյունքներն են՝ ճշգրտություն, խնայված ժամանակ, ծախսերի կրճատում, սխալների ավելի քիչ քանակ կամ ավելի բարձր փոխակերպում՝ զուգորդված այդ չափանիշները գնահատելու և վերահսկելու հստակ մեթոդի հետ։ Իրական թիմերը կառուցում են չափորոշիչներ, փորձարկում են առավելությունները և հետևում են կատարողականին տեղակայումից հետո։ Նրանք նաև պլանավորում են, թե երբ է մոդելը սխալ, այլ ոչ թե միայն երբ է այն ճիշտ, քանի որ վստահությունը կախված է ձախողումների կառավարումից։.
Ինչպե՞ս են արհեստական բանականության ընկերությունները սովորաբար գումար վաստակում, և ի՞նչ գնային թակարդների պետք է ուշադրություն դարձնեն գնորդները։
Տարածված մոդելներից են օգտագործման վրա հիմնված գնագոյացումը (յուրաքանչյուր հարցման/թոքենի/առաջադրանքի համար), նստատեղերի վրա հիմնված բաժանորդագրությունները, արդյունքի վրա հիմնված գնագոյացումը (ավելի հազվադեպ), SLA-ներով ձեռնարկությունների պայմանագրերը և ներդրված կամ սարքի վրա հիմնված արհեստական բանականության լիցենզավորումը: Հիմնական լարվածությունը կանխատեսելիությունն է. հաճախորդները ցանկանում են կայուն ծախսեր, մինչդեռ արհեստական բանականության ծախսերը կարող են տատանվել օգտագործման և մոդելի ընտրության հետ մեկտեղ: Հզոր մատակարարները կարգավորում են սա՝ ուղղորդելով դեպի ավելի էժան մոդելներ, քեշավորելով, խմբաքանակավորելով և վերահսկելով համատեքստի չափը:.
Ի՞նչն է արհեստական բանականության ընկերությունը պաշտպանելի դարձնում, եթե բոլորը կարող են օգտագործել նմանատիպ մոդելներ։
Հաճախ խրամատը պարզապես «ավելի լավ մոդել» չէ: Պաշտպանվածությունը կարող է գալ սեփական տիրույթի տվյալներից, աշխատանքային հոսքի ներսում բաշխումից, որտեղ օգտատերերն արդեն ապրում են, ինտեգրացիաներից և սովորություններից անցման ծախսերից, բարձր ռիսկային ոլորտներում ապրանքանիշի վստահությունից և հուսալի արհեստական բանականության ներդրման գործառնական գերազանցությունից: Մարդկային համակարգը կարող է նաև գերազանցել մաքուր ավտոմատացմանը: Երկու թիմ կարող են օգտագործել նույն մոդելը և ստանալ շատ տարբեր արդյունքներ՝ հիմնվելով դրա շուրջ եղած ամեն ինչի վրա:.
Ինչպե՞ս նկատել արհեստական բանականության լվացումը մատակարարին կամ ստարտափին գնահատելիս։
Ուշադրություն դարձրեք անորոշ պնդումներին՝ առանց արհեստական բանականության հստակ հնարավորությունների, «ցուցադրական մոգությանը»՝ առանց եզրահանգումների, և գնահատման, տվյալների կառավարման, մոնիթորինգի կամ ձախողման ռեժիմները բացատրելու անկարողությանը: «Գրեթե կատարյալ»-ի նման չափազանց ինքնավստահ պնդումները մեկ այլ նախազգուշացնող նշան են: Կանաչ դրոշները ներառում են թափանցիկ չափում, հստակ սահմանափակումներ, շեղումների մոնիթորինգի պլաններ և լավ սահմանված մարդկային վերանայման կամ էսկալացիայի ուղիներ: Այն ընկերությունը, որը կարող է ասել՝ «մենք դա չենք անում», հաճախ ավելի վստահելի է, քան այն ընկերությունը, որը խոստանում է ամեն ինչ:.
Հղումներ
-
Տնտեսական համագործակցության և զարգացման կազմակերպություն - oecd.ai
-
Տնտեսական համագործակցության և զարգացման կազմակերպություն - oecd.org
-
Ստանդարտների և տեխնոլոգիաների ազգային ինստիտուտ (NIST) - NIST AI RMF (AI 100-1) - nist.gov
-
NIST արհեստական բանականության ռիսկերի կառավարման շրջանակի (AI RMF) ձեռնարկ - Չափումներ - nist.gov
-
Google Cloud - MLOps. Մեքենայական ուսուցման անընդհատ մատակարարում և ավտոմատացման ուղիներ - google.com
-
Google - Մասնագետի ուղեցույց MLOps-ների համար (սպիտակ թուղթ) - google.com
-
Google Cloud - Ի՞նչ է MLOps-ը: - google.com
-
Datadog - Իրավագիտության բակալավրի գնահատման շրջանակի լավագույն փորձը - datadoghq.com
-
IBM - Մոդելի շեղում - ibm.com
-
OpenAI - Ինչու են լեզվական մոդելները հալյուցինացիաներ առաջացնում - openai.com
-
OpenAI - API-ի գնագոյացում - openai.com
-
OpenAI օգնության կենտրոն - Ի՞նչ են տոկենները և ինչպես հաշվել դրանք - openai.com
-
Microsoft - Microsoft 365 Copilot-ի գնագոյացում - microsoft.com
-
MIT Sloan School of Management - Ինչու է ժամանակն տվյալների վրա կենտրոնացած արհեստական բանականության - mit.edu
-
NVIDIA - Ի՞նչ է եզրային արհեստական բանականությունը: - nvidia.com
-
IBM - Edge vs. ամպային արհեստական բանականություն - ibm.com
-
Uber - Բարձրացնում ենք ML մոդելի տեղակայման անվտանգության չափանիշը - uber.com
-
Ստանդարտացման միջազգային կազմակերպություն (ISO) - ISO/IEC 42001-ի ակնարկ - iso.org
-
arXiv - Վերականգնման-ընդլայնված գեներացիա գիտելիքների վրա հիմնված NLP առաջադրանքների համար (Լյուիս և այլք, 2020) - arxiv.org
-
Oracle - Վեկտորային որոնում - oracle.com
-
Արհեստական բանականության մասին օրենք (ԵՄ) - Մարդկային վերահսկողություն (հոդված 14) - artificialintelligenceact.eu
-
Եվրոպական հանձնաժողով - Արհեստական բանականության վերաբերյալ կարգավորող շրջանակ (Արհեստական բանականության մասին օրենքի ակնարկ) - europa.eu
-
YouTube - youtube.com
-
Արհեստական բանականության օգնականների խանութ - Ինչպես է աշխատում արհեստական բանականության արդիականացումը - aiassistantstore.com
-
Արհեստական բանականության օգնականների խանութ - Ինչ տեսք ունի արհեստական բանականության կոդը - aiasssistantstore.com
-
Արհեստական բանականության օգնականների խանութ - Ի՞նչ է արհեստական բանականության ալգորիթմը - aiassistantstore.com
-
Արհեստական բանականության օգնականների խանութ - Ի՞նչ է արհեստական բանականության նախնական մշակումը - aiasssistantstore.com