Πώς «αλλάζει» η τεχνητή νοημοσύνη από την καινοτομία μοντέλων στην καινοτομία προϊόντων

Της Sage Lazzaro

Οι περισσότερες εταιρείες έχουν σταματήσει να κατασκευάζουν μοντέλα τεχνητής νοημοσύνης.

Τι σημαίνει αυτό αναφορικά με την απόκτηση ανταγωνιστικού πλεονεκτήματος στην τεχνητή νοημοσύνη; Καταρχάς, ιδού ένα συγκλονιστικό στατιστικό στοιχείο: σύμφωνα με μια πρόσφατη έρευνα της Menlo Ventures με τη συμμετοχή περισσότερων από 450 στελεχών επιχειρήσεων, σχεδόν το 95% των δαπανών τεχνητής νοημοσύνης αφορούν πλέον το inference ή την εκτέλεση μοντέλων τεχνητής νοημοσύνης, σε αντίθεση με την εκπαίδευσή τους.

«Οι άνθρωποι πλέον δεν κατασκευάζουν μοντέλα από την αρχή ως επί το πλείστον», είπε στο Eye on AI ο Tim Tully, μηχανολόγος και συνεργάτης της Menlo Ventures. «Το βλέπουμε εμπειρικά. Το βλέπετε μέσα από τα δεδομένα της έρευνας. Το βλέπουμε όταν μιλάμε με εταιρείες. Είναι προφανές».

Η δημιουργία ενός μοντέλου από την αρχή απαιτεί μεγάλη ένταση πόρων και βαθιά τεχνογνωσία, ενώ η σύνδεση με την OpenAI ή το API της Anthropic είναι απλούστερη. Αυτό οδήγησε σε μια μαζική μετατόπιση από ένα τοπίο τεχνητής νοημοσύνης που αφορούσε την καινοτομία των μοντέλων σε ένα που αφορά την καινοτομία προϊόντων, όπου οι εταιρείες αξιοποιούν κυρίως υπάρχοντα μοντέλα και προχωρούν απευθείας στον οδικό χάρτη προϊόντων. Μέχρι το 2027, η συνολική αξία των API συγκεκριμένα για λογισμικό τεχνητής νοημοσύνης θα φτάσει τα 5,4 τρισεκατομμύρια δολάρια, αντιπροσωπεύοντας μια αύξηση 76% μέσα σε πέντε χρόνια, σύμφωνα με έκθεση της εταιρείας API ανοιχτού κώδικα Kong.

Αυτή η αλλαγή είναι απίστευτα προσοδοφόρα για εταιρείες όπως η OpenAI, αλλά για όλους τους άλλους είναι μια τεράστια αλλαγή που έχει αναγκάσει πολλές εταιρείες να προβούν σε αλλαγές. Για παράδειγμα, η εταιρεία TrueEra, η οποία παρείχε δυνατότητες παρατηρητικότητας μηχανικής μάθησης σε εταιρείες που εκπαιδεύουν μοντέλα εσωτερικά, αναγκάστηκε να αναθεωρήσει πλήρως τη στρατηγική προϊόντων της όταν οι πελάτες της άρχισαν να χρησιμοποιούν υπάρχοντα μοντέλα αντί να κατασκευάζουν τα δικά τους, σύμφωνα με τον Tully.

Υπάρχει ένα επιχείρημα ότι αυτή η μετατόπιση εξισώνει τους όρους ανταγωνισμού, επιτρέποντας σε οποιαδήποτε εταιρεία οποιουδήποτε μεγέθους να έχει πρόσβαση και να αναπτύξει προηγμένη τεχνητή νοημοσύνη. Σε τελική ανάλυση, όλοι είναι πλέον μόνο ένα API μακριά από τα καλύτερα μοντέλα στην κατηγορία τους. Αλλά αν όλοι χρησιμοποιούν τα ίδια μοντέλα, ποιο θα είναι το στοιχείο που θα προσφέρει ανταγωνιστικό πλεονέκτημα;

Μια πτυχή είναι το πόσο καλά μπορείτε να προτρέψετε τον μηχανικό, κάτι που εξηγεί τη βιασύνη της έρευνας στο prompt engineering, την εκπαίδευση και τη δημιουργία ρόλων prompt engineering υψηλής προτεραιότητας με μισθούς άνω των 300.000 δολαρίων. Αλλά όπως συμβαίνει στην τεχνητή νοημοσύνη, όλα καταλήγουν στα δεδομένα, και ιδιαίτερα στα ιδιόκτητα δεδομένα στα οποία έχετε πρόσβαση και πόσο καλά μπορείτε να τα ενσωματώσετε.

«Τι είδους αρχεία μπορείτε να βρείτε; Πόσο καλά μπορείτε να αναλύσετε και να εξαγάγετε δεδομένα από αυτά τα αρχεία; Πώς μπορείτε να μετατρέψετε τα μη δομημένα δεδομένα σε δομημένα;» σημειώνει ο Tully.

Ένα πρόσφατο άρθρο στο Harvard Business Review σχετικά με το πώς οι εταιρείες μπορούν να μετατρέψουν τη γενετική τεχνητή νοημοσύνη σε ανταγωνιστικό πλεονέκτημα εστιάζει ομοίως στην υιοθέτηση δημοσίως διαθέσιμων εργαλείων και στον εμπλουτισμό τους με δικά σας δεδομένα.

ΔΙΑΒΑΣΤΕ ΠΕΡΙΣΣΟΤΕΡΕΣ ΕΙΔΗΣΕΙΣ:

• «Το παρατράβηξε»: Αγριεύει η κόντρα Τραμπ – Χέιλι για το χρίσμα των Ρεπουμπλικάνων
• Υπό κατάρρευση η Evergrande – Δικαστική εντολή να τεθεί υπό εκκαθάριση