Trumpas atsakymas: dirbtinio intelekto įmonė yra ta, kurios pagrindinis produktas, vertė ar konkurencinis pranašumas priklauso nuo dirbtinio intelekto – pašalinus dirbtinį intelektą, pasiūlymas žlugtų arba smarkiai pablogėtų. Jei dirbtinis intelektas rytoj suges, o jūs vis tiek galėtumėte teikti paslaugas naudodami skaičiuokles ar pagrindinę programinę įrangą, greičiausiai esate dirbtinio intelekto entuziastai, o ne dirbtinio intelekto savininkai. Tikros dirbtinio intelekto įmonės išsiskiria duomenimis, vertinimu, diegimu ir griežtais iteracijos ciklais.
Svarbiausios išvados:
Pagrindinė priklausomybė : jei DI pašalinimas sugadina produktą, jūs žiūrite į DI įmonę.
Paprastas testas : jei galite šlubčioti be dirbtinio intelekto, tikriausiai esate įgalintas dirbtinio intelekto.
Veikimo signalai : komandos, diskutuojančios apie dreifą, vertinimo rinkinius, delsą ir gedimų režimus, dažniausiai atlieka sunkų darbą.
Apsauga nuo netinkamo naudojimo : sukurkite apsauginius turėklus, stebėsenos ir panaikinimo planus, jei modeliai suges.
Pirkėjo kruopštumas : Venkite dirbtinio intelekto manipuliavimo, reikadami mechanizmų, metrikų ir aiškaus duomenų valdymo.
Terminas „dirbtinio intelekto įmonė“ vartojamas taip laisvai, kad rizikuojama vienu metu reikšti viską ir nieko. Vienas startuolis skelbiasi turintis dirbtinio intelekto statusą, nes pridėjo automatinio užbaigimo laukelį. Kita įmonė apmoko modelius, gamina įrankius, siunčia produktus ir diegia juos gamybinėje aplinkoje... ir vis tiek yra metama į tą patį kibirą.
Taigi, etiketei reikia aiškesnių ribų. Skirtumas tarp dirbtiniu intelektu pagrįsto verslo ir standartinio verslo, kuriame yra šiek tiek mašininio mokymosi, greitai išryškėja, kai tik žinai, ko ieškoti.
Straipsniai, kuriuos galbūt norėsite perskaityti po šio:
🔗 Kaip veikia dirbtinio intelekto didinimas
Sužinokite, kaip modeliai prideda detalių, kad vaizdai būtų švariai padidinti.
🔗 Kaip atrodo dirbtinio intelekto kodas?
Peržiūrėkite sugeneruoto kodo pavyzdžius ir jo struktūrą.
🔗 Kas yra dirbtinio intelekto algoritmas?
Supraskite algoritmus, kurie padeda dirbtiniam intelektui mokytis, numatyti ir optimizuoti.
🔗 Kas yra dirbtinio intelekto išankstinis apdorojimas?
Atraskite veiksmus, kurie valo, žymi ir formatuoja duomenis mokymui.
Kas yra dirbtinio intelekto įmonė: aiškus ir patikimas apibrėžimas ✅
Praktinis apibrėžimas:
Dirbtinio intelekto įmonė yra verslas, kurio pagrindinis produktas, vertė ar konkurencinis pranašumas priklauso nuo dirbtinio intelekto – tai reiškia, kad pašalinus dirbtinį intelektą, įmonės „reikalas“ sugrius arba smarkiai pablogės. ( EBPO , NIST AI RMF )
Ne „kartą panaudojome dirbtinį intelektą hakatone“. Ne „kontaktų puslapyje pridėjome pokalbių robotą“. Greičiau:
-
Produktas yra dirbtinio intelekto sistema (arba jį maitina vienas ištisinis įrenginys) ( EBPO )
-
Įmonės pranašumas kyla iš modelių, duomenų, vertinimo ir iteracijos ( „Google Cloud MLOps“ , „NIST AI RMF Playbook - Measure “).
-
Dirbtinis intelektas nėra funkcija – tai variklis 🧠⚙️
Štai paprastas žarnyno patikrinimas:
Įsivaizduokite, kad dirbtinis intelektas rytoj žlunga. Jei klientai vis tiek jums mokėtų, o jūs galėtumėte šlubčioti su skaičiuoklėmis ar pagrindine programine įranga, greičiausiai esate dirbtinio intelekto entuziastas, o ne jam pritaikytas.
Ir taip, yra neryški vidurinė sritis. Tarsi nuotrauka, daryta pro aprasojusį langą... ne pati geriausia metafora, bet mintį suprantate 😄
Skirtumas tarp „DI įmonės“ ir „DI valdomos įmonės“ (ši dalis padeda išvengti ginčų) 🥊
Dauguma šiuolaikinių įmonių naudoja tam tikrą dirbtinio intelekto formą. Vien tai dar nepadaro jų dirbtinio intelekto įmonėmis. ( EBPO )
Paprastai dirbtinio intelekto įmonė:
-
Tiesiogiai parduoda dirbtinio intelekto galimybes (modelius, antruosius pilotus, išmaniąją automatizaciją)
-
Kuria patentuotas dirbtinio intelekto sistemas kaip pagrindinį produktą
-
Turi rimtą dirbtinio intelekto inžineriją, vertinimą ir diegimą kaip pagrindinę funkciją ( „Google Cloud MLOps “)
-
Nuolat mokosi iš duomenų ir gerina našumą kaip pagrindinį rodiklį 📈 ( „Google MLOps“ informacinis dokumentas )
Paprastai dirbtinio intelekto pagrindu veikianti įmonė:
-
Naudoja dirbtinį intelektą viduje, kad sumažintų išlaidas, pagreitintų darbo eigą arba pagerintų tikslinę analizę
-
Vis dar parduoda kažką kita (mažmeninės prekybos prekes, bankininkystės paslaugas, logistiką, žiniasklaidą ir kt.)
-
Galėtų pakeisti dirbtinį intelektą tradicine programine įranga ir vis tiek „būti savimi“
Pavyzdžiai (bendriniai tyčia, nes kai kuriems žmonėms debatai apie prekės ženklus yra hobis):
-
Bankas, naudojantis dirbtinį intelektą sukčiavimui aptikti – dirbtinis intelektas
-
Mažmenininkas, naudojantis dirbtinį intelektą atsargų prognozavimui – su dirbtiniu intelektu
-
Įmonė, kurios produktas yra dirbtinio intelekto klientų aptarnavimo agentas – greičiausiai dirbtinio intelekto įmonė
-
Modelių stebėjimo, vertinimo ir diegimo įrankių pardavimo platforma – dirbtinio intelekto įmonė (infrastruktūra) ( „Google Cloud MLOps “)
Taigi, taip… jūsų odontologas gali naudoti dirbtinį intelektą priminimams planuoti. Tai nepadaro jų dirbtinio intelekto įmone 😬🦷
Kas daro dirbtinio intelekto įmonę gerą 🏗️
Ne visos dirbtinio intelekto įmonės yra vienodos, o kai kurios iš tiesų daugiausia paremtos vibracija ir rizikos kapitalu. Gera dirbtinio intelekto įmonės versija paprastai turi keletą bruožų, kurie pasireiškia vėl ir vėl:
-
Aiškus problemos prisiėmimas : jie sprendžia konkrečią problemą, o ne „dirbtinis intelektas viskam“
-
Išmatuojami rezultatai : tikslumas, sutaupytas laikas, sumažintos išlaidos, mažiau klaidų, didesnis konversijos rodiklis – išsirinkite ką nors ir sekite ( NIST AI RMF )
-
Duomenų disciplina : duomenų kokybė, leidimai, valdymas ir grįžtamojo ryšio ciklai nėra pasirenkami ( NIST AI RMF )
-
Vertinimo kultūra : jie testuoja modelius kaip suaugusieji – naudodami etalonus, kraštutinius atvejus ir stebėseną 🔍 ( „Google Cloud MLOps“ , „Datadog “)
-
Diegimo realybė : sistema veikia netvarkingomis kasdienėmis sąlygomis, ne tik demonstracinėse versijose
-
Apsaugomas pranašumas : domeno duomenys, paskirstymas, darbo eigos integracija arba patentuoti įrankiai (ne tik „mes vadiname API“)
Netikėtai iškalbingas ženklas:
-
Jei komanda kalba apie delsą, dreifą, vertinimo rinkinius, haliucinacijas ir gedimų režimus , ji tikriausiai atlieka tikrą dirbtinio intelekto darbą. ( IBM – modelio dreifas , OpenAI – haliucinacijos , „Google Cloud MLOps “)
-
Jei jie dažniausiai kalba apie „sinergijos revoliuciją su intelektualiais vibracijomis“, na... žinote, kaip tai būna 😅
Palyginimo lentelė: dažniausiai pasitaikantys dirbtinio intelekto įmonių „tipai“ ir jų parduodami produktai 📊🤝
Žemiau pateikiama trumpa, šiek tiek netiksli palyginimo lentelė (kaip kasdienio verslo). Kainos yra „tipiniai kainodaros stiliai“, o ne tikslūs skaičiai, nes jie labai skiriasi.
| Pasirinkimas / „Tipas“ | Geriausia auditorija | Kaina (įprasta) | Kodėl tai veikia |
|---|---|---|---|
| Fondo modelių kūrimo priemonė | Kūrėjai, įmonės, visi... kažkaip | Naudojimo pagrindu sudarytos didelės sutartys | Stiprūs bendrieji modeliai tampa platforma – „operacinės sistemos“ sluoksniu ( „OpenAI API“ kainodara ). |
| Vertikali dirbtinio intelekto programėlė (teisinė, medicininė, finansinė ir kt.) | Komandos su specifiniais darbo eigomis | Prenumeratos + vietų kainos | Domeno apribojimai mažina chaosą; tikslumas gali išaugti (kai daroma teisingai) |
| DI antrinis pilotas žinių darbui | Pardavimai, palaikymas, analitikai, operacijos | Vienam vartotojui per mėnesį | Greitai taupo laiką, integruojasi į kasdienius įrankius... lipnu, kai gerai ( „Microsoft 365 Copilot“ kainodara ) |
| MLOps / Model Ops platforma | Dirbtinio intelekto komandos gamyboje | Įmonės sutartis (kartais skausminga) | Stebėjimas, diegimas, valdymas – neseksualu, bet būtina ( „Google Cloud MLOps “) |
| Duomenų + ženklinimo įmonė | Modelių kūrėjai, įmonės | Pagal užduotį, pagal etiketę, sumaišytas | Geresni duomenys stebėtinai dažnai lenkia „įmantresnį modelį“ ( MIT Sloan / Andrew Ng apie duomenimis pagrįstą dirbtinį intelektą ) |
| Dirbtinis intelektas krašte / Dirbtinis intelektas įrenginyje | Aparatinė įranga + daiktų internetas, privatumo srityje veikiančios organizacijos | Įrenginiui taikomos licencijos | Mažas delsos laikas + privatumas; veikia ir neprisijungus (puikus pasiūlymas) ( NVIDIA , IBM ) |
| Dirbtinio intelekto konsultacijos / integratorius | Ne dirbtinio intelekto pagrindu sukurtos organizacijos | Projektu paremti, nuolatiniai darbuotojai | Veikia greičiau nei samdant iš vidaus, bet praktiškai priklauso nuo talentų |
| Vertinimo / saugos įrankiai | Komandų siuntimo modeliai | Pakopinė prenumerata | Padeda išvengti tylių gedimų – ir taip, tai labai svarbu ( NIST AI RMF , OpenAI – haliucinacijos ) |
Atkreipkite dėmesį. „DI įmonė“ gali reikšti labai skirtingas įmones. Vieni parduoda modelius. Kiti parduoda kastuvus modelių kūrėjams. Dar kiti parduoda gatavus produktus. Ta pati etiketė, visiškai skirtinga realybė.
Pagrindiniai dirbtinio intelekto įmonių archetipai (ir kokios jų klaidos) 🧩
Pasigilinkime šiek tiek giliau, nes būtent čia žmonės ir užklumpa.
1) Į modelius orientuotos įmonės 🧠
Šie modeliai kuriami arba tikslinami. Jų stipriosios pusės paprastai yra:
-
tyrimų talentas
-
skaičiavimo optimizavimas
-
vertinimo ir iteracijos ciklai
-
didelio našumo aptarnavimo infrastruktūra ( „Google MLOps“ informacinis dokumentas )
Dažnas spąstas:
-
Jie mano, kad „geresnis modelis“ automatiškai reiškia „geresnį produktą“.
Taip nėra. Vartotojai neperka modelių, jie perka rezultatus.
2) Į produktą orientuotos dirbtinio intelekto įmonės 🧰
Jie įterpia dirbtinį intelektą į darbo eigą. Jie laimi dėl:
-
platinimas
-
UX ir integracija
-
stiprios grįžtamojo ryšio kilpos
-
patikimumas svarbiau nei grynas intelektas
Dažnas spąstas:
-
Jie nepakankamai įvertina modelio elgesį realiomis sąlygomis. Tikri vartotojai jūsų sistemą sugadins naujais ir kūrybiškais būdais. Kasdien.
3) Infrastruktūros dirbtinio intelekto įmonės ⚙️
Pagalvokite apie stebėjimą, diegimą, valdymą, vertinimą, orkestravimą. Jie laimi, nes:
-
sumažinti operacinį skausmą
-
rizikos valdymas
-
dirbtinio intelekto pakartojamumo ir saugumo užtikrinimas ( NIST AI RMF , „Google Cloud MLOps “)
Dažnas spąstas:
-
Jie kuria pažangioms komandoms ir ignoruoja visus kitus, o tada stebisi, kodėl diegimas vyksta lėtai.
4) Duomenimis paremtos dirbtinio intelekto įmonės 🗂️
Jie daugiausia dėmesio skiria duomenų srautams, ženklinimui, sintetiniams duomenims ir duomenų valdymui. Jie laimi dėl:
-
gerinant mokymo signalo kokybę
-
triukšmo mažinimas
-
specializacijos įgalinimas ( MIT Sloan / Andrew Ng apie duomenimis pagrįstą dirbtinį intelektą )
Dažnas spąstas:
-
Jie pervertina teiginį, kad „duomenys viską išsprendžia“. Duomenys yra galingi, bet vis tiek reikia gero modeliavimo ir stipraus mąstymo apie produktą.
Kas slypi dirbtinio intelekto įmonės viduje po gaubtu: maždaug 🧱
Žvilgtelėjus už uždangos, dauguma tikrų dirbtinio intelekto įmonių turi panašią vidinę struktūrą. Ne visada, bet dažnai.
Duomenų sluoksnis 📥
-
surinkimas ir nurijimas
-
ženklinimas arba silpna priežiūra
-
privatumas, leidimai, saugojimas
-
grįžtamojo ryšio ciklai (vartotojo pataisymai, rezultatai, žmogaus atliekama peržiūra) ( NIST AI RMF )
Modelio sluoksnis 🧠
-
bazinių modelių pasirinkimas (arba mokymas nuo nulio)
-
tikslus derinimas, distiliavimas, greitas inžinerijos darbas (taip, vis dar svarbu)
-
paieškos sistemos (paieška + reitingavimas + vektorinės duomenų bazės) ( RAG straipsnis (Lewis ir kt., 2020) , „Oracle“ – vektorinė paieška )
-
vertinimo paketai ir testų rinkiniai ( „Google Cloud MLOps “)
Produkto sluoksnis 🧑💻
-
UX, kuri susidoroja su neapibrėžtumu (pasitikėjimo signalai, „peržiūros“ būsenos)
-
Apsauginiai turėklai (politika, atsisakymas, saugus užbaigimas) ( NIST AI RMF )
-
darbo eigos integracija (el. paštas, CRM, dokumentai, bilietų pardavimas ir kt.)
Operacijų sluoksnis 🛠️
-
dreifo ir degradacijos stebėjimas ( IBM – modelio dreifas , „Google Cloud MLOps “)
-
Reagavimas į incidentus ir jų atšaukimas ( „Uber“ – diegimo saugumas )
-
sąnaudų valdymas (skaičiavimai gali būti alkanas mažas monstras)
-
valdymas, auditai, prieigos kontrolė ( NIST AI RMF , ISO/IEC 42001 apžvalga )
Ir ta dalis, kurios niekas nereklamuoja:
-
žmogiškieji procesai – recenzentai, eskalavimas, kokybės užtikrinimas ir klientų atsiliepimų srautai.
Dirbtinis intelektas nėra „nustatyk ir pamiršk“. Tai labiau panašu į sodininkystę. Arba į naminį meškėną. Tai gali būti miela, bet jei nežiūrėsite, tai visiškai sugadins jūsų virtuvę 😬🦝
Verslo modeliai: kaip dirbtinio intelekto įmonės uždirba pinigus 💸
Dirbtinio intelekto įmonės paprastai skirstomos į kelias įprastas pajamų gavimo formas:
-
Naudojimo pagrindu (už užklausą, už žetoną, už minutę, už vaizdą, už užduotį) ( „OpenAI“ API kainodara , „OpenAI“ – žetonai )
-
Vietų prenumeratos (vienam vartotojui per mėnesį) ( „Microsoft 365 Copilot“ kainodara )
-
Rezultatais pagrįsta kainodara (reta, bet veiksminga – mokama už konversiją arba išspręstą užklausą)
-
Įmonės sutartys (palaikymas, atitiktis, SLA, individualus diegimas)
-
Licencijavimas (įrenginyje, integruotas, OEM stiliaus) ( NVIDIA )
Įtampa, su kuria susiduria daugelis dirbtinio intelekto įmonių:
-
Klientai nori nuspėjamų išlaidų 😌
-
Dirbtinio intelekto kainos gali svyruoti priklausomai nuo naudojimo ir modelio pasirinkimo 😵
Taigi, geros dirbtinio intelekto įmonės labai gerai atlieka šiuos veiksmus:
-
nukreipti užduotis į pigesnius modelius, kai įmanoma
-
talpyklos rezultatai
-
paketinių užklausų
-
konteksto dydžio valdymas
-
kurti vartotojo patirtį, kuri atgrasytų nuo „begalinių raginimų spiralių“ (mes visi tai darėme...)
Esminis klausimas: kas daro dirbtinio intelekto įmonę pateisinamą 🏰
Štai ir pikantiškiausia dalis. Daugelis žmonių mano, kad gynybinis griovys reiškia „mūsų modelis geresnis“. Kartais taip yra, bet dažnai... ne.
Įprasti ginamieji pranašumai:
-
Nuosavybės teise saugomi duomenys (ypač susiję su konkrečia sritimi)
-
Paskirstymas (įterptas į darbo eigą, kurioje jau gyvena vartotojai)
-
Perėjimo išlaidos (integracijos, procesų pakeitimai, komandos įpročiai)
-
Pasitikėjimas prekės ženklu (ypač didelės rizikos domenams)
-
Veiklos meistriškumas (sunku dideliu mastu pristatyti patikimą dirbtinį intelektą) ( „Google Cloud MLOps “)
-
Žmogui kontroliuojamos sistemos (hibridiniai sprendimai gali pranokti gryną automatizavimą) ( NIST AI RMF , ES DI įstatymas – žmogaus priežiūra (14 straipsnis) )
Šiek tiek nemaloni tiesa:
dvi įmonės gali naudoti tą patį pagrindinį modelį ir vis tiek gauti labai skirtingus rezultatus. Skirtumas paprastai slypi visuose su modeliu susijusiuose aspektuose – produkto dizaine, vertinimuose, duomenų kilpose ir tai, kaip jos tvarko gedimus.
Kaip atpažinti dirbtinio intelekto skleidimą (dar vadinamą „pridėjome spindesio ir pavadinome tai intelektu“) 🚩
Jei vertinate, kokia dirbtinio intelekto įmonė yra realiame gyvenime, atkreipkite dėmesį į šiuos įspėjamuosius ženklus:
-
Nėra aiškių dirbtinio intelekto galimybių aprašymų : daug rinkodaros, nėra mechanizmo
-
Demonstracinė magija : įspūdinga demonstracinė versija, nė vieno paminėjimo apie kraštutinius atvejus
-
Nėra vertinimo istorijos : jie negali paaiškinti, kaip tikrina patikimumą ( „Google Cloud MLOps “)
-
Rankomis pateikti atsakymai į duomenis : neaišku, iš kur gaunami duomenys arba kaip jie tvarkomi ( NIST AI RMF )
-
Nėra stebėjimo plano : jie elgiasi taip, lyg modeliai nedreifuotų ( IBM – modelio dreifas )
-
Jie negali paaiškinti gedimų režimų : viskas yra „beveik tobula“ (niekas nėra) ( OpenAI – haliucinacijos )
Žalios vėliavos (ramina priešingybė) ✅:
-
Jie parodo, kaip jie matuoja našumą
-
Jie kalba apie apribojimus be panikos
-
Jiems taikomos žmogaus atliekamos peržiūros ir eskalavimo procedūros ( NIST dirbtinio intelekto rizikos valdymo sistema , ES dirbtinio intelekto įstatymas – žmogaus priežiūra (14 straipsnis) ).
-
Jie supranta privatumo ir atitikties poreikius ( NIST AI RMF , ES DI įstatymo apžvalga )
-
Jie gali pasakyti „mes to nedarome“ ir emociškai nesugriūti 😅
Jei kuriate tokią: praktinis kontrolinis sąrašas, kaip tapti dirbtinio intelekto įmone 🧠📝
Jei bandote pereiti nuo „DI valdomos“ prie „DI įmonės“, štai tinkamas kelias:
-
Pradėkite nuo vieno darbo eigos, kuri žmonėms sukelia tiek daug žalos, kad jie sumokės už jos ištaisymą
-
Instrumentų rezultatai anksti (prieš pradedant mastelio keitimą)
-
Sukurkite vertinimo rinkinį iš realių naudotojų atvejų ( „Google Cloud MLOps “)
-
Pridėkite grįžtamojo ryšio ciklus nuo pirmos dienos
-
Apsauginius turėklus paverskite projekto dalimi, o ne vėliau kaip po jo ( NIST AI RMF )
-
Nepersistenkite – naudokite siaurą, patikimą pleištą
-
Diegimą traktuokite kaip produktą, o ne kaip paskutinį žingsnį ( „Google Cloud MLOps “)
Taip pat, nelogiški patarimai, kurie veikia:
-
Daugiau laiko skirkite tam, kas nutinka, kai dirbtinis intelektas klysta, nei tam, kas nutinka, kai jis teisus.
Štai čia ir įgyjamas arba prarandamas pasitikėjimas. ( NIST AI RMF )
Baigiamoji santrauka 🧠✨
Taigi… tai, kas yra dirbtinio intelekto įmonė, susiveda į paprastą esmę:
Tai įmonė, kurioje dirbtinis intelektas yra variklis , o ne puošmena. Jei pašalinus dirbtinį intelektą produktas praranda prasmę (arba pranašumą), tikriausiai susiduriate su tikra dirbtinio intelekto įmone. Jei dirbtinis intelektas yra tik vienas iš daugelio įrankių, tiksliau būtų jį vadinti dirbtinio intelekto valdomu.
Ir abu yra puikūs. Pasauliui reikia abiejų. Tačiau etiketė svarbi, kai investuojate, samdote darbuotojus, perkate programinę įrangą arba bandote išsiaiškinti, ar jums parduodamas robotas, ar kartoninė iškarpa su išskleistomis akimis 🤖👀
DUK
Kas laikoma dirbtinio intelekto įmone, o kas – dirbtinio intelekto valdoma įmone?
Dirbtiniu intelektu paremta įmonė yra tokia, kurios pagrindinis produktas, vertė ar konkurencinis pranašumas priklauso nuo dirbtinio intelekto – pašalinus dirbtinį intelektą, pasiūlymas žlugtų arba smarkiai pablogėtų. Dirbtiniu intelektu paremta įmonė naudoja dirbtinį intelektą operacijoms stiprinti (pvz., prognozavimui ar sukčiavimo aptikimui), tačiau vis tiek parduoda kažką iš esmės ne dirbtinio intelekto pagrindu. Paprastas testas: jei dirbtinis intelektas rytoj sugenda, o jūs vis dar galite veikti su pagrindine programine įranga, greičiausiai jūsų įmonėje veikia dirbtinis intelektas.
Kaip greitai sužinoti, ar įmonė tikrai yra dirbtinio intelekto įmonė?
Pagalvokite, kas nutiktų, jei dirbtinis intelektas nustotų veikti. Jei klientai vis tiek mokėtų, o verslas galėtų šlubčioti naudodamas skaičiuokles ar tradicinę programinę įrangą, ji greičiausiai nėra pritaikyta dirbtiniam intelektui. Tikros dirbtinio intelekto įmonės taip pat linkusios kalbėti konkrečiais operaciniais terminais: vertinimo rinkiniai, delsa, dreifas, haliucinacijos, stebėjimas ir gedimų režimai. Jei tai tik rinkodara ir nėra jokio mechanizmo, tai yra įspėjamasis ženklas.
Ar turite apmokyti savo modelį, kad būtumėte dirbtinio intelekto įmonė?
Ne. Daugelis dirbtinio intelekto įmonių kuria stiprius produktus, remdamosi esamais modeliais, ir vis tiek laikomi sukurtais dirbtiniam intelektui, kai dirbtinis intelektas yra produkto variklis. Svarbu tai, ar modeliai, duomenys, vertinimas ir iteracijos ciklai skatina našumą ir diferenciaciją. Nuosavybės teise saugomi duomenys, darbo eigos integravimas ir griežtas vertinimas gali sukurti tikrą pranašumą net ir be mokymų nuo nulio.
Kokie yra pagrindiniai dirbtinio intelekto įmonių tipai ir kuo jie skiriasi?
Įprasti tipai apima pamatinių modelių kūrimo įrankius, vertikalias dirbtinio intelekto programas (pvz., teisinius ar medicininius įrankius), žinių darbo antrines pilotines programas, daugiapakopes operacines sistemas (MLOps) / modelių operacijų platformas, duomenų ir ženklinimo įmones, periferinį / įrenginyje veikiantį dirbtinį intelektą, konsultavimo / integravimo įmones ir vertinimo / saugos įrankių teikėjus. Visos jos gali būti „dirbtinio intelekto įmonės“, tačiau jos parduoda labai skirtingus dalykus: modelius, gatavus produktus arba infrastruktūrą, kuri užtikrina gamybinio dirbtinio intelekto patikimumą ir valdymą.
Kaip atrodo tipiškas dirbtinio intelekto įmonės tinklas po gaubtu?
Daugelis dirbtinio intelekto įmonių turi bendrą apytikslį elementų rinkinį: duomenų sluoksnį (rinkimas, ženklinimas, valdymas, grįžtamojo ryšio ciklai), modelio sluoksnį (bazinio modelio pasirinkimas, tikslus derinimas, RAG/vektorių paieška, vertinimo paketai), produkto sluoksnį (UX neapibrėžtumui, apsauginiai barjerai, darbo eigos integravimas) ir operacijų sluoksnį (pokyčių stebėjimas, reagavimas į incidentus, sąnaudų kontrolė, auditai). Žmogiškieji procesai – recenzentai, eskalavimas, kokybės užtikrinimas – dažnai yra nepatrauklus pagrindas.
Kokie rodikliai rodo, kad dirbtinio intelekto įmonė atlieka „tikrą darbą“, o ne tik demonstracines versijas?
Stipresnis signalas yra išmatuojami rezultatai, susiję su produktu: tikslumas, sutaupytas laikas, sumažintos išlaidos, mažiau klaidų arba didesnis konversijos rodiklis – kartu su aiškiu šių rodiklių vertinimo ir stebėjimo metodu. Tikros komandos kuria etalonus, testuoja pažangiausius atvejus ir stebi našumą po įdiegimo. Jos taip pat planuoja, kada modelis yra neteisingas, o ne tik kada teisingas, nes pasitikėjimas priklauso nuo gedimų valdymo.
Kaip dirbtinio intelekto įmonės paprastai uždirba pinigus ir į kokius kainų spąstus pirkėjai turėtų atkreipti dėmesį?
Įprasti modeliai apima kainodarą pagal naudojimą (už užklausą / prieigos raktą / užduotį), prenumeratas pagal vietas, kainodarą pagal rezultatus (rečiau), įmonių sutartis su SLA ir įterptojo arba įrenginyje esančio dirbtinio intelekto licencijavimą. Pagrindinė įtampa yra nuspėjamumas: klientai nori stabilių išlaidų, o dirbtinio intelekto išlaidos gali svyruoti priklausomai nuo naudojimo ir modelio pasirinkimo. Stiprūs tiekėjai tai valdo nukreipdami duomenis į pigesnius modelius, kaupdami duomenis talpykloje, grupuodami duomenis ir kontroliuodami konteksto dydį.
Kas daro dirbtinio intelekto įmonę pateisinamą, jei visi gali naudoti panašius modelius?
Dažnai pranašumas nėra vien „geresnis modelis“. Apsauga gali atsirasti iš patentuotų srities duomenų, paskirstymo darbo eigoje, kurioje jau gyvena vartotojai, perėjimo prie integracijų ir įpročių išlaidų, pasitikėjimo prekės ženklu svarbiose srityse ir veiklos meistriškumo teikiant patikimą dirbtinį intelektą. Žmogus-in-loop sistemos taip pat gali pranokti gryną automatizavimą. Dvi komandos gali naudoti tą patį modelį ir gauti labai skirtingus rezultatus, remdamosi viskuo, kas jį supa.
Kaip pastebėti dirbtinio intelekto plovimą vertinant tiekėją ar startuolį?
Stebėkite neaiškius teiginius be aiškių dirbtinio intelekto galimybių, „demonstracines magijas“ be kraštutinių atvejų ir nesugebėjimą paaiškinti vertinimo, duomenų valdymo, stebėjimo ar gedimų režimų. Pernelyg pasitikintys savimi teiginiai, tokie kaip „beveik tobuli“, yra dar vienas įspėjamasis ženklas. Žaliosios vėliavėlės apima skaidrų matavimą, aiškius apribojimus, stebėjimo planus, skirtus nukrypimams išvengti, ir aiškiai apibrėžtus žmogaus atliekamos peržiūros ar eskalavimo kelius. Įmonė, kuri gali pasakyti „mes to nedarome“, dažnai yra patikimesnė nei ta, kuri žada viską.
Nuorodos
-
EBPO - oecd.ai
-
EBPO – oecd.org
-
Nacionalinis standartų ir technologijų institutas (NIST) – NIST AI RMF (AI 100-1) – nist.gov
-
NIST dirbtinio intelekto rizikos valdymo sistemos (AI RMF) vadovas – Priemonė – nist.gov
-
„Google Cloud“ – MLOps: Nuolatinio teikimo ir automatizavimo procesai mašininio mokymosi srityje – google.com
-
„Google“ – MLOps praktinis vadovas (informacinė medžiaga) – google.com
-
„Google Cloud“ – kas yra MLOps? – google.com
-
„Datadog“ – LLM vertinimo sistemos geriausios praktikos – datadoghq.com
-
IBM – Modelio poslinkis – ibm.com
-
„OpenAI“ – kodėl kalbos modeliai haliucina – openai.com
-
OpenAI – API kainodara – openai.com
-
„OpenAI“ pagalbos centras – Kas yra žetonai ir kaip juos skaičiuoti – openai.com
-
„Microsoft“ – „Microsoft 365 Copilot“ kainodara – microsoft.com
-
MIT Sloan vadybos mokykla – Kodėl atėjo laikas duomenimis pagrįstam dirbtiniam intelektui – mit.edu
-
NVIDIA – Kas yra kraštinis dirbtinis intelektas? – nvidia.com
-
IBM – Edge ir debesijos dirbtinis intelektas – ibm.com
-
„Uber“ – kelia kartelę ML modelių diegimo saugos srityje – uber.com
-
Tarptautinė standartizacijos organizacija (ISO) – ISO/IEC 42001 apžvalga – iso.org
-
arXiv – paieškos papildyta generacija žiniomis pagrįstoms NLP užduotims (Lewis ir kt., 2020) – arxiv.org
-
„Oracle“ – vektorių paieška – oracle.com
-
Dirbtinio intelekto įstatymas (ES) – žmogaus priežiūra (14 straipsnis) – artificialintelligenceact.eu
-
Europos Komisija – Dirbtinio intelekto reguliavimo sistema (Dirbtinio intelekto įstatymo apžvalga) – europa.eu
-
„YouTube“ – youtube.com
-
AI asistento parduotuvė – kaip veikia AI didinimas – aiassistantstore.com
-
AI asistento parduotuvė – kaip atrodo AI kodas – aiassistantstore.com
-
DI asistento parduotuvė – kas yra DI algoritmas – aiassistantstore.com
-
AI asistentų parduotuvė – kas yra AI išankstinis apdorojimas – aiassistantstore.com