Küçük modelleri iyi değerlendirin ve büyük bir fark yaratın.
Orijinal kaynak: Makine Enerjisi
Görüntü kaynağı: Sınırsız AI tarafından oluşturuldu
Yapay zekanın kullanımı giderek daha yaygın hale geliyor ve bireyler tarafından kullanılmasıyla sınırlı değil. Ayrıca, iş akışlarını iyileştirmek ve işi ilerletmek için yapay zekayı kullanmak işletmelerde giderek daha popüler hale geliyor. Ancak, daha güçlü olanın genellikle daha büyük modeller olduğu ve bunun da kurumsal dağıtımda zorluklara neden olacağı belirtilmelidir. Silvio Saese bu sorun hakkındaki düşüncelerini yazdı, ** modeller daha büyük değil, daha iyi, küçük modeller iş içeriğini daha iyi idare edebilir. **
Aşağıdakiler, orijinal metnin orijinal anlamını değiştirmeden makine kalbi tarafından çevrilmesi ve düzenlenmesidir.
Orijinal adres:
Son aylarda, LLM'nin daha aktif, özerk bir çeşidi olan LAM (Büyük Eylem Modeli) dediğim şey hakkında çok şey yazdım. Yalnızca metin veya resim gibi içerik oluşturmakla kalmaz, aynı zamanda tüm görevleri tamamlayabilir ve hatta insanlarla veya kendi başınıza iş akışlarına katılabilir. Bu yıl, Dreamforce 2023'te Einstein Copilot'un piyasaya sürülmesiyle bu vizyon gerçeğe doğru büyük bir adım attı. Salesforce'un yapay zeka konuşma asistanı Einstein Copilot, Salesforce platformunda kullanıma sunulacak ve müşterilerin yaptığı hemen hemen her şeye entegre edilmeye hazır olacak.
Einstein Copilot: Üretken yapay zekanın geleceğine bir bakış
Kutudan çıkar çıkmaz Einstein Copilot ile etkilememek elde değil. Kullanıcılara hemen hemen her tür iş akışında yardımcı olarak güvenli bir şekilde üretken olacak şekilde sıfırdan tasarlanmıştır. Doğal dilde yayınlanan soruları işleyebilir ve şirket tarafından güvenli olan özel verilerden çıkarılan ilgili güvenilir yanıtlar sağlayabilir. Bu, yapay zekanın kuruluşta nereye gittiğine inandığımın net bir resmidir: günlük insan-bilgisayar etkileşimi etrafında tasarlanmış ve çeşitli görevlere yardımcı olabilecek tek, güvenilir bir arayüz. Teknolojinin işletmelerin ihtiyaçlarını karşılamasını sağlamak için yapay zekanın gücünü gösteriyor ve müşterilerin çalışma şeklini de değiştireceğinden hiç şüphem yok. Ve LAM, esneklik ve işlevsellik açısından geliştikçe, zaten çok güçlü olan bu gücü bir sonraki seviyeye taşıyacaktır.
Üretken yapay zeka modellerini "küçük ve büyük" hale getirin
Son zamanlarda, üretken yapay zekadaki konuların çoğu, LLM ve LAM'a güç veren model ölçeği ve model mimarisi etrafında dönüyor. OpenAI gibi şirketler, 100 milyarı aşan parametre sayısıyla ölçeğin sınırlarını zorlamaya devam ettikçe, daha büyük olanın daha iyi olduğu sonucuna varmak zor değil. Aslında, büyük modeller genellikle performanslarının başka türlü elde edilmesinin zor veya imkansız olmasıyla övünür. Modelin boyutu arttıkça, inanılmaz derecede karmaşık davranışlar ortaya çıkıyor ve bu da daha büyük ölçekli stratejilerin önemli faydalar sağlayabileceğini gösteriyor.
Stratejik olarak küçülen modeller nasıl büyük faydalar sağlayabilir
Daha büyük modeller manşetlere hakim olmaya devam ederken, daha büyük modellerin peşinden gitmek en iyi strateji değildir. En açık şekilde, en büyük modeller artık hesaplama açısından pahalıdır ve birçok şirket erişilemez durumdadır. Ve bunları dağıtmayı göze alabilen işletmeler bile, vaat ettikleri yüksek kaliteli çıktının son derece yavaş olabileceğini kabul etmelidir. Buna ek olarak, tümü hiper ölçekli modellerin dayandığı büyük, küresel kaynaklı veri kümelerinden kaynaklanan güven, güvenlik, zararlılık ve telif hakkı gibi sahiplik iddialarıyla ilgili sorunlarla karşı karşıyayız.
Bu eksiklikler, küçük modelleri birçok alanda giderek daha çekici hale getiriyor. Nispeten uygun maliyetlidirler ve inanılmaz hızlara ayarlanabilirler. Bugün, özel olarak tasarlanmış LLM, son kullanıcıların mobil cihazları da dahil olmak üzere bazı durumlarda tamamen uçta çalışabilir. Ve daha az eğitim gerektirdikleri için müşteriler veri kümelerini hazırlarken daha aktif bir yönetim rolü üstlenebilirler. Bu noktada, veri setinde yer alan içeriğin kalitesi, güvenliği ve hatta yasal statüsü açısından büyük iyileştirmeler yapılabilir.
Daha dar alanlara odaklanarak, küçük model çıktısının kalitesi de "büyük kardeşleri" ile aynı seviyede olabilir. ChatGPT gibi modeller esasen herkes için tasarlanmıştır, ev ödevlerine, akşam yemeği tariflerine yardımcı olur, bilim, teknoloji, tarih ve popüler kültürle ilgili soruları yanıtlar. Buna karşılık, işletmeler için üretken yapay zeka daha küçük, daha alakalı sorun alanlarına odaklanabilir ve odaklanmalıdır. Bu açıkça bir kazan-kazan durumudur: çıktı kalitesinden ödün vermeden giriş engellerini azaltmak anlamına gelir. **
Küçük modellerin orkestrasyonu nasıl büyük bir potansiyel sunuyor
Küçük modeller bile büyük çözümler sağlayabilir, sadece ölçek hakkında farklı düşünmemiz gerekiyor. Modelin kendisini büyütmek yerine, daha üst düzey bir hedefe hizmet etmek için birden çok modeli iç içe geçirin. **Her model, belirli bir hedef göz önünde bulundurularak tasarlanmıştır ve özenle seçilmiş, titizlikle incelenmiş ve tescilli bir veri kümesi üzerinde eğitilmiştir. Einstein Copilot gibi yapay zeka ajanları, tıpkı birden fazla insanın bir ekip olarak bireysel olarak yapabileceklerinden daha fazla iş yapabilmesi gibi, birleştirilebilseydi veya koordine edilebilseydi ne olurdu? Örneğin, yalnızca ekip çalışmasıyla başarılabilecek bir organizasyon olan bir restoran, her üyenin kendi becerileri ve odak alanları vardır: garsonlar sipariş vermekten, şefler yemek hazırlamaktan sorumludur, resepsiyonistler rezervasyon ve siparişlerin işlenmesinden sorumludur ve sürücüler yemek teslim etmekten sorumludur. Peki, LAM benzer şekilde organize edildiğinde nasıl görünürdü?
Son zamanlarda orkestrasyon hakkında düşünüyorum ve bence en heyecan verici teknolojilerden biri, ama aynı zamanda en pratik olanı, kullanışlı, özerk ajanları güvenli ve verimli bir şekilde getirmek. En önemlisi, orkestrasyon, en iddialı çözümlerin bile şeffaf olması ve yaratıcılar ve onlarla birlikte çalışan kişiler tarafından bilinmesi anlamına gelir. Bu durumda, ölçeğin giderek daha büyük sinir ağlarından değil, insanlar için anlamlı olacak şekilde düzenlenmiş bağımsız, iyi tanımlanmış bileşenlerden geldiğini unutmayın. Örneğin, müşteri toplantı notlarını kaydetmek, sonuçlardan çıkarımlar yapmak, ilgili CRM kayıtlarını güncellemek ve ardından takip bilgilerini göndermek için dev bir modeli eğitmek yerine, bu görevlerin her birini ayrı olarak eğitilmiş bir modele atayın.
Aslında, araştırma kariyerimin çoğunu robotikte geçirdim ve yardım edemem ama daha uzaklara bakıyorum, böyle bir koreografinin gerçek dünya alanında yapılabileceğini hayal ediyorum. Fabrikalarda, ofislerde, hastanelerde ve hatta restoranlarda maketler, çeşitli görevleri yerine getirmek için insanlarla yan yana çalışır. Kulağa yüce ve uzak geliyor, ancak şu anda orkestrasyon potansiyeli çok büyük.
Faydalarından bahsedelim. Her şeyden önce, orkestrasyon bizi yeterince büyük bir veri kümesini bir araya getirme ve etki alanları arası aracıların zorluklarını çözmek için tek bir modeli bu kadar esnek hale getirme zorluğundan kurtarır ve ayrıca büyük miktarda çok farklı veriyi tek bir eğitim kümesine koyma riskini ortadan kaldırır. **Ek olarak, her model RLHF tarafından daha da ince ayar yapılabilir. Bu nedenle, bu sistemde, her bileşen çok uzmanlaşmıştır ve daha büyük bir görevde kritik ancak yönetilebilir adımları tamamlamak için kullanılır.
İster devreye alma ister üretim sırasında sorunlar ortaya çıktığında, sorunları daha iyi anlamak ve çözmek için tek bir özel model aracılığıyla daha kolay tanımlanabilir. Ciddi arızalar bile daha sağlam ve modüler bir şekilde ele alınabilir. Ve birden fazla model birlikte çalışır, arızaların kontrol edilmesi ve izole edilmesi daha kolaydır ve tek bir bileşen arızalandığında süreklilik için daha fazla fırsat vardır.
Üretken Yapay Zeka için Art Nouveau: Birden Çok Modelde Tasarım
Daha da önemlisi, kurumsal yapay zeka modellerinin oluşturulmasını tamamen teknik bir görevden, iş süreçlerini insan paydaşların anlayabileceği şekilde modelleme görevine yükseltir. Tıpkı iyi bir yöneticinin bir sorunu çözmesi için bir ekibe ayırması gibi, bir yapay zeka düzenleyicisi de bir sorunu bir dizi amaca yönelik modele ayırma yeteneğine sahip olacaktır.
Bu vizyonla ilgili özellikle heyecan verici olan şey, yeni bir beceriye işaret etmesi, hatta buna gelişmekte olan bir sanat bile denebilir ve bunun girişimde geliştiğini görmek için sabırsızlanıyorum. LAM orkestrasyon uzmanları, işletmenin ihtiyaçlarını sadece bir teknoloji platformu olarak değil, bir iş olarak ele alarak yüksek düzeyde düşünecek ve bu içgörüyü, büyük, anlamlı görevleri LAM "ekipleri" tarafından çözülecek bir dizi daha küçük göreve bölmek için kullanacaktır.
Çalışmaları altyapı, veri bilimi ve insan-makine arayüzü tasarımını iç içe geçiriyor. İlki, bu model ekiplerinin güvenli ve verimli bir şekilde konuşlandırılabilmesini sağlarken, ikincisi daha küçük, daha az belirsiz sorunları çözmek için benzersiz veri kümeleri toplamaya çalışır. Başka bir deyişle, orkestrasyon uzmanları, sinir ağlarının özelliklerine daha az ve sağlam, sağlam sistemlerin nasıl oluşturulacağına daha fazla odaklanarak kurumsal yapay zekanın yeni yüzleri haline gelebilir.
Aslında, nihayetinde umduğum şey, bu becerinin ne nadir ne de özel olması, aksine yaygın olması ve LAM'ın orkestrasyonunu profesyonel yaşamlarımızda giderek daha önemli bir rol oynayacak güçlü, kişiselleştirilmiş bir çözüme dönüştürmesidir. Pazar ortaya çıktıkça, giriş engeli daha da azaltılabilir ve dünyaya, üretken yapay zekaya inanılmaz ölçekte güç veren yardımcı pilot benzeri bir LAM orkestrasyon çözümü getirilebilir.
Bazıları bu pazar çözümünü doğrudan kullanacak ve LAM orkestrasyonunu gerçeğe dönüştürecek. Diğerleri bunları modüller olarak ele alacak ve ihtiyaçlarına göre çeşitli boyutlarda çözümler oluşturmak için diğer modüllerle birleştirecektir. Ancak her iki durumda da beni en çok heyecanlandıran şey, üretken yapay zekanın seçkin küçük bir teknoloji uzmanı grubu tarafından değil, çeşitli alanlardaki profesyonellerin yaratıcılığı ve vizyonu tarafından şekillendirilmesidir.
Aslında, işin geleceğine ilişkin vizyonum, yapay zekanın insan becerilerini desteklediği ve daha yüksek bir seviyede düşünmemize izin verdiği, bizi farklı kılan yaratıcılığı, stili ve bakış açısını korurken yaptığımız her şeyi basitleştirdiği bir dünyadır.
Özet
Herhangi bir yeni vizyonun gerçekleştirilmesi aşamalıdır ve LAM da bir istisna değildir. Ancak son yıllar, yolun her adımının dönüştürücü olacağını göstermiştir. En erken başlangıcından bu yana, LLM bozulma ve yenilik için nadir bir potansiyel göstermiştir. Einstein Copilot gibi yardımcı ajanlar, sezgisel bir arayüz, güçlü güven ve güvenlik özellikleri ve geleneksel yardımcı pilot sistemleriyle sorunsuz entegrasyon ile bu çıtayı bir sonraki seviyeye taşıyor.
View Original
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
1+1_2, kurumsal çalışma daha esnek ve verimli olması için küçük model orkestrasyonu
Orijinal kaynak: Makine Enerjisi
Yapay zekanın kullanımı giderek daha yaygın hale geliyor ve bireyler tarafından kullanılmasıyla sınırlı değil. Ayrıca, iş akışlarını iyileştirmek ve işi ilerletmek için yapay zekayı kullanmak işletmelerde giderek daha popüler hale geliyor. Ancak, daha güçlü olanın genellikle daha büyük modeller olduğu ve bunun da kurumsal dağıtımda zorluklara neden olacağı belirtilmelidir. Silvio Saese bu sorun hakkındaki düşüncelerini yazdı, ** modeller daha büyük değil, daha iyi, küçük modeller iş içeriğini daha iyi idare edebilir. **
Aşağıdakiler, orijinal metnin orijinal anlamını değiştirmeden makine kalbi tarafından çevrilmesi ve düzenlenmesidir.
Son aylarda, LLM'nin daha aktif, özerk bir çeşidi olan LAM (Büyük Eylem Modeli) dediğim şey hakkında çok şey yazdım. Yalnızca metin veya resim gibi içerik oluşturmakla kalmaz, aynı zamanda tüm görevleri tamamlayabilir ve hatta insanlarla veya kendi başınıza iş akışlarına katılabilir. Bu yıl, Dreamforce 2023'te Einstein Copilot'un piyasaya sürülmesiyle bu vizyon gerçeğe doğru büyük bir adım attı. Salesforce'un yapay zeka konuşma asistanı Einstein Copilot, Salesforce platformunda kullanıma sunulacak ve müşterilerin yaptığı hemen hemen her şeye entegre edilmeye hazır olacak.
Einstein Copilot: Üretken yapay zekanın geleceğine bir bakış
Kutudan çıkar çıkmaz Einstein Copilot ile etkilememek elde değil. Kullanıcılara hemen hemen her tür iş akışında yardımcı olarak güvenli bir şekilde üretken olacak şekilde sıfırdan tasarlanmıştır. Doğal dilde yayınlanan soruları işleyebilir ve şirket tarafından güvenli olan özel verilerden çıkarılan ilgili güvenilir yanıtlar sağlayabilir. Bu, yapay zekanın kuruluşta nereye gittiğine inandığımın net bir resmidir: günlük insan-bilgisayar etkileşimi etrafında tasarlanmış ve çeşitli görevlere yardımcı olabilecek tek, güvenilir bir arayüz. Teknolojinin işletmelerin ihtiyaçlarını karşılamasını sağlamak için yapay zekanın gücünü gösteriyor ve müşterilerin çalışma şeklini de değiştireceğinden hiç şüphem yok. Ve LAM, esneklik ve işlevsellik açısından geliştikçe, zaten çok güçlü olan bu gücü bir sonraki seviyeye taşıyacaktır.
Üretken yapay zeka modellerini "küçük ve büyük" hale getirin
Son zamanlarda, üretken yapay zekadaki konuların çoğu, LLM ve LAM'a güç veren model ölçeği ve model mimarisi etrafında dönüyor. OpenAI gibi şirketler, 100 milyarı aşan parametre sayısıyla ölçeğin sınırlarını zorlamaya devam ettikçe, daha büyük olanın daha iyi olduğu sonucuna varmak zor değil. Aslında, büyük modeller genellikle performanslarının başka türlü elde edilmesinin zor veya imkansız olmasıyla övünür. Modelin boyutu arttıkça, inanılmaz derecede karmaşık davranışlar ortaya çıkıyor ve bu da daha büyük ölçekli stratejilerin önemli faydalar sağlayabileceğini gösteriyor.
Stratejik olarak küçülen modeller nasıl büyük faydalar sağlayabilir
Daha büyük modeller manşetlere hakim olmaya devam ederken, daha büyük modellerin peşinden gitmek en iyi strateji değildir. En açık şekilde, en büyük modeller artık hesaplama açısından pahalıdır ve birçok şirket erişilemez durumdadır. Ve bunları dağıtmayı göze alabilen işletmeler bile, vaat ettikleri yüksek kaliteli çıktının son derece yavaş olabileceğini kabul etmelidir. Buna ek olarak, tümü hiper ölçekli modellerin dayandığı büyük, küresel kaynaklı veri kümelerinden kaynaklanan güven, güvenlik, zararlılık ve telif hakkı gibi sahiplik iddialarıyla ilgili sorunlarla karşı karşıyayız.
Bu eksiklikler, küçük modelleri birçok alanda giderek daha çekici hale getiriyor. Nispeten uygun maliyetlidirler ve inanılmaz hızlara ayarlanabilirler. Bugün, özel olarak tasarlanmış LLM, son kullanıcıların mobil cihazları da dahil olmak üzere bazı durumlarda tamamen uçta çalışabilir. Ve daha az eğitim gerektirdikleri için müşteriler veri kümelerini hazırlarken daha aktif bir yönetim rolü üstlenebilirler. Bu noktada, veri setinde yer alan içeriğin kalitesi, güvenliği ve hatta yasal statüsü açısından büyük iyileştirmeler yapılabilir.
Daha dar alanlara odaklanarak, küçük model çıktısının kalitesi de "büyük kardeşleri" ile aynı seviyede olabilir. ChatGPT gibi modeller esasen herkes için tasarlanmıştır, ev ödevlerine, akşam yemeği tariflerine yardımcı olur, bilim, teknoloji, tarih ve popüler kültürle ilgili soruları yanıtlar. Buna karşılık, işletmeler için üretken yapay zeka daha küçük, daha alakalı sorun alanlarına odaklanabilir ve odaklanmalıdır. Bu açıkça bir kazan-kazan durumudur: çıktı kalitesinden ödün vermeden giriş engellerini azaltmak anlamına gelir. **
Küçük modellerin orkestrasyonu nasıl büyük bir potansiyel sunuyor
Küçük modeller bile büyük çözümler sağlayabilir, sadece ölçek hakkında farklı düşünmemiz gerekiyor. Modelin kendisini büyütmek yerine, daha üst düzey bir hedefe hizmet etmek için birden çok modeli iç içe geçirin. **Her model, belirli bir hedef göz önünde bulundurularak tasarlanmıştır ve özenle seçilmiş, titizlikle incelenmiş ve tescilli bir veri kümesi üzerinde eğitilmiştir. Einstein Copilot gibi yapay zeka ajanları, tıpkı birden fazla insanın bir ekip olarak bireysel olarak yapabileceklerinden daha fazla iş yapabilmesi gibi, birleştirilebilseydi veya koordine edilebilseydi ne olurdu? Örneğin, yalnızca ekip çalışmasıyla başarılabilecek bir organizasyon olan bir restoran, her üyenin kendi becerileri ve odak alanları vardır: garsonlar sipariş vermekten, şefler yemek hazırlamaktan sorumludur, resepsiyonistler rezervasyon ve siparişlerin işlenmesinden sorumludur ve sürücüler yemek teslim etmekten sorumludur. Peki, LAM benzer şekilde organize edildiğinde nasıl görünürdü?
Son zamanlarda orkestrasyon hakkında düşünüyorum ve bence en heyecan verici teknolojilerden biri, ama aynı zamanda en pratik olanı, kullanışlı, özerk ajanları güvenli ve verimli bir şekilde getirmek. En önemlisi, orkestrasyon, en iddialı çözümlerin bile şeffaf olması ve yaratıcılar ve onlarla birlikte çalışan kişiler tarafından bilinmesi anlamına gelir. Bu durumda, ölçeğin giderek daha büyük sinir ağlarından değil, insanlar için anlamlı olacak şekilde düzenlenmiş bağımsız, iyi tanımlanmış bileşenlerden geldiğini unutmayın. Örneğin, müşteri toplantı notlarını kaydetmek, sonuçlardan çıkarımlar yapmak, ilgili CRM kayıtlarını güncellemek ve ardından takip bilgilerini göndermek için dev bir modeli eğitmek yerine, bu görevlerin her birini ayrı olarak eğitilmiş bir modele atayın.
Aslında, araştırma kariyerimin çoğunu robotikte geçirdim ve yardım edemem ama daha uzaklara bakıyorum, böyle bir koreografinin gerçek dünya alanında yapılabileceğini hayal ediyorum. Fabrikalarda, ofislerde, hastanelerde ve hatta restoranlarda maketler, çeşitli görevleri yerine getirmek için insanlarla yan yana çalışır. Kulağa yüce ve uzak geliyor, ancak şu anda orkestrasyon potansiyeli çok büyük.
Faydalarından bahsedelim. Her şeyden önce, orkestrasyon bizi yeterince büyük bir veri kümesini bir araya getirme ve etki alanları arası aracıların zorluklarını çözmek için tek bir modeli bu kadar esnek hale getirme zorluğundan kurtarır ve ayrıca büyük miktarda çok farklı veriyi tek bir eğitim kümesine koyma riskini ortadan kaldırır. **Ek olarak, her model RLHF tarafından daha da ince ayar yapılabilir. Bu nedenle, bu sistemde, her bileşen çok uzmanlaşmıştır ve daha büyük bir görevde kritik ancak yönetilebilir adımları tamamlamak için kullanılır.
İster devreye alma ister üretim sırasında sorunlar ortaya çıktığında, sorunları daha iyi anlamak ve çözmek için tek bir özel model aracılığıyla daha kolay tanımlanabilir. Ciddi arızalar bile daha sağlam ve modüler bir şekilde ele alınabilir. Ve birden fazla model birlikte çalışır, arızaların kontrol edilmesi ve izole edilmesi daha kolaydır ve tek bir bileşen arızalandığında süreklilik için daha fazla fırsat vardır.
Üretken Yapay Zeka için Art Nouveau: Birden Çok Modelde Tasarım
Daha da önemlisi, kurumsal yapay zeka modellerinin oluşturulmasını tamamen teknik bir görevden, iş süreçlerini insan paydaşların anlayabileceği şekilde modelleme görevine yükseltir. Tıpkı iyi bir yöneticinin bir sorunu çözmesi için bir ekibe ayırması gibi, bir yapay zeka düzenleyicisi de bir sorunu bir dizi amaca yönelik modele ayırma yeteneğine sahip olacaktır.
Bu vizyonla ilgili özellikle heyecan verici olan şey, yeni bir beceriye işaret etmesi, hatta buna gelişmekte olan bir sanat bile denebilir ve bunun girişimde geliştiğini görmek için sabırsızlanıyorum. LAM orkestrasyon uzmanları, işletmenin ihtiyaçlarını sadece bir teknoloji platformu olarak değil, bir iş olarak ele alarak yüksek düzeyde düşünecek ve bu içgörüyü, büyük, anlamlı görevleri LAM "ekipleri" tarafından çözülecek bir dizi daha küçük göreve bölmek için kullanacaktır.
Çalışmaları altyapı, veri bilimi ve insan-makine arayüzü tasarımını iç içe geçiriyor. İlki, bu model ekiplerinin güvenli ve verimli bir şekilde konuşlandırılabilmesini sağlarken, ikincisi daha küçük, daha az belirsiz sorunları çözmek için benzersiz veri kümeleri toplamaya çalışır. Başka bir deyişle, orkestrasyon uzmanları, sinir ağlarının özelliklerine daha az ve sağlam, sağlam sistemlerin nasıl oluşturulacağına daha fazla odaklanarak kurumsal yapay zekanın yeni yüzleri haline gelebilir.
Aslında, nihayetinde umduğum şey, bu becerinin ne nadir ne de özel olması, aksine yaygın olması ve LAM'ın orkestrasyonunu profesyonel yaşamlarımızda giderek daha önemli bir rol oynayacak güçlü, kişiselleştirilmiş bir çözüme dönüştürmesidir. Pazar ortaya çıktıkça, giriş engeli daha da azaltılabilir ve dünyaya, üretken yapay zekaya inanılmaz ölçekte güç veren yardımcı pilot benzeri bir LAM orkestrasyon çözümü getirilebilir.
Bazıları bu pazar çözümünü doğrudan kullanacak ve LAM orkestrasyonunu gerçeğe dönüştürecek. Diğerleri bunları modüller olarak ele alacak ve ihtiyaçlarına göre çeşitli boyutlarda çözümler oluşturmak için diğer modüllerle birleştirecektir. Ancak her iki durumda da beni en çok heyecanlandıran şey, üretken yapay zekanın seçkin küçük bir teknoloji uzmanı grubu tarafından değil, çeşitli alanlardaki profesyonellerin yaratıcılığı ve vizyonu tarafından şekillendirilmesidir.
Aslında, işin geleceğine ilişkin vizyonum, yapay zekanın insan becerilerini desteklediği ve daha yüksek bir seviyede düşünmemize izin verdiği, bizi farklı kılan yaratıcılığı, stili ve bakış açısını korurken yaptığımız her şeyi basitleştirdiği bir dünyadır.
Özet
Herhangi bir yeni vizyonun gerçekleştirilmesi aşamalıdır ve LAM da bir istisna değildir. Ancak son yıllar, yolun her adımının dönüştürücü olacağını göstermiştir. En erken başlangıcından bu yana, LLM bozulma ve yenilik için nadir bir potansiyel göstermiştir. Einstein Copilot gibi yardımcı ajanlar, sezgisel bir arayüz, güçlü güven ve güvenlik özellikleri ve geleneksel yardımcı pilot sistemleriyle sorunsuz entegrasyon ile bu çıtayı bir sonraki seviyeye taşıyor.