ከቅድመ ሥልጠና እስከ AI ወኪሎች ቡድኖች፦ የJensen Huang አራቱ የማስፋፊያ ዑደቶች የስሌት ጥያቄውን ለምን ይቀይራሉ?

መግቢያ፦ ሰው ሠራሽ አስተውሎት ይበልጥ ችሎታ ሲኖረው ምን ያድጋል?

ስለ ሰው ሠራሽ አስተውሎት [AI] የሚደረግ ውይይት ብዙውን ጊዜ ከሞዴል [Model] መጠን ይጀምራል። ስንት መለኪያዎች [Parameters] አሉት? ለማሠልጠን ምን ያህል መረጃ ተጠቀመ? ከጀርባው የነበረው የስሌት ሥርዓት [Computing System] ምን ያህል ትልቅ ነበር?

እነዚህ ጥያቄዎች የሥርዓቱን አንድ ክፍል ብቻ ይገልጻሉ። የJensen Huang ሰፊ ሐሳብ AI በብዙ ደረጃዎች ሊያድግ ይችላል የሚል ነው፦ መሠረቱን ሲማር፣ ባህሪውን ሲያሻሽል፣ አንድን ችግር ለመፍታት ሲሠራ እና ሥራን በወኪሎች [Agents] መካከል ሲያከፋፍል። የእነዚህን ደረጃዎች ግንኙነት መረዳት ስለ ስሌት ፍላጎት [Computing Demand] የምናስብበትን መንገድ ይቀይራል።

ዋናው ልዩነት ሞዴል መገንባትና አስተዋይ ሥርዓት መጠቀም መካከል ነው። ተዛማጅ ተግባራት ቢሆኑም አንድ ዓይነት የሥራ ጫና [Workload] አይደሉም።

1. ቅድመ ሥልጠና መሠረት ይገነባል፣ የተሟላ ሠራተኛ አይደለም

ቅድመ ሥልጠና [Pre-training] ሞዴሉን ለብዙ መረጃ በማጋለጥ ሰፊ ችሎታዎቹን ያዳብራል። ሞዴሉ ለቀጣይ ሥራዎች የሚረዱ ቅጦችና ግንኙነቶችን ይማራል።

ተጨማሪ ውሂብና የስሌት ሀብት [Computing] እነዚህን መሠረቶች ሊያሻሽሉ ይችላሉ። ሆኖም ትልቅ የሥልጠና ሂደት [Training Run] ጠቃሚ አስተውሎትን ሙሉ በሙሉ አያብራራም። ሞዴል ሰፊ አጠቃላይ ዕውቀት ኖሮትም የተሻለ ውሳኔ፣ ለሥራው የተለየ ልምድ ወይም በሥልጠና ያላገኘው መረጃ ሊያስፈልገው ይችላል።

ስለዚህ ጥያቄው በሰው የተጻፈ ይዘት አቅርቦት በመጨረሻ ገደብ ይሆናልን በሚለው ላይ ሊቆም አይችልም። ቀጣይ ደረጃዎች ሥርዓቱ የሚማርበትን መንገድና የሚሠራውን ሥራ ሊቀይሩ ይችላሉ።

2. ድኅረ ሥልጠና መሠረቱ የሚጠቀምበትን መንገድ ይቀይራል

ድኅረ ሥልጠና [Post-training] ከመጀመሪያ ትምህርት በኋላ ሞዴልን ያሻሽላል። ትኩረቱ ወደ ባህሪ፣ ተግባራዊ ሥራዎችና ሰዎች ወደሚፈልጉት የምላሽ ዓይነት ይሄዳል።

ሰው ሠራሽ ውሂብ [Synthetic Data] በዚህ ሂደት ሊረዳ ይችላል። ሥርዓት ምሳሌዎችን ሊፈጥር፣ ልዩ ልዩ አማራጮችን ሊመረምርና ለተጨማሪ ትምህርት ጠቃሚ የሚሆን ይዘት ሊያዘጋጅ ይችላል። ዋጋው ያለው በሚገኘው ልምድ ጥራት እንጂ በማሽን ተፈጠረ በሚለው እውነታ አይደለም።

ልዩነቱ አስፈላጊ ነው። ተጨማሪ ይዘት መፍጠር ይዘቱ ትክክል መሆኑን በራሱ አያረጋግጥም። ጠቃሚው ዑደት ሊቀመጡ የሚገቡ ልምዶችን መርጦ ቀጣይ ባህሪን ለማሻሻል ይጠቀምባቸዋል። ያለ ምርጫ የሚጨምር መጠን ድክመቶችን ከማረም ይልቅ ሊደግማቸው ይችላል።

3. በፈተና ጊዜ የሚደረግ ስሌት የምላሽ ማመንጨትን ችግር ያከብዳል

ምላሽ ማመንጨት [Inference] አንዳንድ ጊዜ እንደ ቀላል የመጨረሻ ደረጃ ይታሰባል፦ ሞዴሉ ቀድሞ ተምሯልና መልስ ለማዘጋጀት ትንሽ ተጨማሪ ሥራ ብቻ ሊያስፈልግ ይገባል የሚል ግምት ነው።

በፈተና ጊዜ ማስፋፋት [Test-time Scaling] ይህን ግምት ይፈትናል። ከባድ ሥራ ሥርዓቱ ችግርን ወደ ትናንሽ ክፍሎች እንዲከፍል፣ መንገዶችን እንዲያወዳድር፣ መረጃ እንዲፈልግና ያልተሳካ ሙከራን እንደገና እንዲያስብ ሊጠይቅ ይችላል።

የስሌት ፍላጎቱ [Computing Requirement] ጠቃሚ መልስ ከመመለሱ በፊት ሥርዓቱ ማድረግ በሚኖርበት ሥራ ይወሰናል። አጭር ምላሽ እንኳን ብዙ ሥራን ተከትሎ ሊመጣ ይችላል። በተቃራኒው ረጅም ምላሽ ጥንቃቄ የተሞላ ማመዛዘን ማስረጃ አይደለም።

ለንግድ ድርጅት ይህ የምላሽ መዘግየትን [Latency]፣ የመልስ ጥራትንና የሥራ ማስኬጃ ወጪን ተያያዥ ምርጫዎች ያደርጋቸዋል። በጣም ርካሹ ፈጣን ምላሽ ሁልጊዜ በትንሹ ወጪ የተሳካ ሥራ አይሆንም።

4. በወኪሎች ማስፋፋት በችሎታ ላይ ቅንጅትን ይጨምራል

በወኪሎች ማስፋፋት [Agentic Scaling] ሌላ መንገድ ያስተዋውቃል፦ አንድ ሞዴል ሁሉንም በተራ እንዲሠራ ከመጠየቅ ይልቅ ሥርዓቱ ሥራን በብዙ ወኪሎች [Agents] መካከል ሊያከፋፍል ይችላል።

አንድ ወኪል መዝገቦችን ሲመረምር ሌላው አማራጮችን ሊያወዳድር ይችላል። ግኝቶቻቸው ለጋራ ውጤት ሊረዱ ይችላሉ። ይህ አንድን ሞዴል ከማሳደግ ወይም ተጨማሪ ጊዜ ከመስጠት የተለየ የዕድገት መንገድ ነው።

ከድርጅት ጋር የሚደረግ ንጽጽር ጠቃሚ ነው። ብዙ ሠራተኞች አቅምን ሊያሳድጉ ይችላሉ፣ ግን ኃላፊነት፣ ግንኙነትና የመጨረሻ ውሳኔ ግልጽ ሲሆኑ ብቻ ነው። ብዙ ወኪሎችም ቅንጅት፣ ግኝቶችን ማስማማትና ማረጋገጥ የሚጠይቅ ሥራ ይፈጥራሉ። ቁጥራቸው ግብዓት እንጂ የስኬት መለኪያ አይደለም።

5. አራቱ ደረጃዎች የመማር ዑደት ይፈጥራሉ

በጣም አስፈላጊው ግንኙነት ሥርዓቱ ከሠራ በኋላ የሚሆነው ነው። የወኪሎች ጠቃሚ ልምዶች ለቀጣይ ሥልጠና ይዘት ሊሆኑ ይችላሉ። የተሻሻሉ ሞዴሎችም የተሻለ ማመዛዘንንና ይበልጥ ውጤታማ ወኪሎችን ሊደግፉ ይችላሉ።

ስለዚህ ቅድመ ሥልጠና [Pre-training]፣ ድኅረ ሥልጠና [Post-training]፣ የፈተና ጊዜ ሥራ [Test-time Work] እና የወኪሎች እንቅስቃሴ [Agentic Activity] በተለዩ ሳጥኖች መቆየት አያስፈልጋቸውም። እርስ በርሳቸው ሊመጋገቡ ይችላሉ።

ይህ የመሠረተ ልማት [Infrastructure] ጥያቄንም ይቀይራል። ሞዴል ማሠልጠን፣ በፋይሎች ውስጥ መፈለግና ብዙ ሠራተኞችን ማቀናጀት በአቀናባሪዎች [Processors]፣ ማህደረ ትውስታ [Memory]፣ ማከማቻ [Storage] እና አውታረ መረብ [Networking] ላይ የተለያዩ ፍላጎቶችን ያስቀምጣሉ። በአንድ ጠባብ የአፈጻጸም ሙከራ [Benchmark] ዙሪያ የተነደፈ ሥርዓት ከሙሉ የሥራ ፍሰት [Workflow] ጋር ላይስማማ ይችላል።

መደምደሚያ፦ ሞዴሉን ብቻ ሳይሆን ሥራውን ይለኩ

የHuang ባለአራት ክፍል ማዕቀፍ AI እድገት ማለት በትልቅ የውሂብ ስብስብ [Dataset] አንድ ጊዜ የሠለጠነ ትልቅ ሞዴል ብቻ ነው ከሚለው ሐሳብ በላይ ውይይቱን ያራምዳል።

ተግባራዊው ትምህርት ተጨማሪ ስሌት [Computing] የተሻለ ውጤት የሚያመጣበትን ቦታ መለየት ነው። ሥራው የተሻለ መሠረት፣ ጠቃሚ ማሻሻያ፣ ረዘም ያለ ችግር ፈቺ ሂደት ወይስ የተቀናጀ የሥራ ክፍፍል ያስፈልገዋል?

ድርጅት መልሱን በተጠናቀቁ ሥራዎች፣ ጥራት፣ ጊዜና ጠቅላላ ወጪ መመዘን አለበት። ይህ መለኪያዎችን [Parameters] ወይም ወኪሎችን [Agents] ብቻ ከመቁጠር የተሻለ መነሻ ነው። የወደፊቱ የስሌት ጥያቄ ሙሉውን የመማርና የመሥራት ሥርዓት የሚመለከት ነው።

By Keshavan Thiagaraja

የግል ሰው ሰራሽ ብልህነት ሞዴል አልሚ [Private AI Model Developer] እና የሰው ሰራሽ ብልህነት ደህንነት አማካሪ [AI Security Consultant]። ትንንሽ፣ መካከለኛና ትላልቅ ኩባንያዎች ደህንነቱ የተጠበቀ የሰው ሰራሽ ብልህነት [AI] መፍትሔዎችን እንዲገነቡ ይረዳሉ። ሲድኒ፣ አውስትራሊያ።

(B.Sc. Computer Science, Mathematics and Statistics)

(M.Sc. Information Technology)

(E-Commerce Professional)