Kutoka mafunzo ya awali hadi timu za mawakala wa AI: Kwa nini mizunguko minne ya upanuzi ya Jensen Huang inabadilisha swali la ukokotoaji
Utangulizi: Nini huongezeka akili unde inapokuwa na uwezo zaidi?
Majadiliano kuhusu akili unde [AI] mara nyingi huanza na ukubwa wa modeli. Ina vigezo vingapi? Taarifa kiasi gani zilitumiwa kuifunza? Mfumo wa ukokotoaji uliokuwa nyuma yake ulikuwa mkubwa kiasi gani?
Maswali hayo yanaeleza sehemu tu ya mfumo. Hoja pana ya Jensen Huang ni kwamba AI inaweza kukua katika hatua kadhaa: inapojifunza misingi yake, inapoboresha tabia yake, inaposhughulikia tatizo fulani na inapogawa kazi kati ya mawakala. Kuelewa uhusiano wa hatua hizo kunabadilisha jinsi tunavyofikiria mahitaji ya ukokotoaji.
Tofauti muhimu ni kati ya kujenga modeli na kutumia mfumo wenye akili. Shughuli hizo zinahusiana, lakini si mzigo uleule wa kazi [Workload].
1. Mafunzo ya awali hujenga msingi, si mfanyakazi aliyekamilika
Mafunzo ya awali [Pre-training] hukuza uwezo mpana wa modeli kwa kuikutanisha na taarifa nyingi. Modeli hujifunza mifumo na mahusiano yanayoweza kusaidia kazi za baadaye.
Data zaidi na ukokotoaji zaidi vinaweza kuboresha misingi hiyo. Hata hivyo, zoezi kubwa zaidi la mafunzo si maelezo kamili ya akili yenye manufaa. Modeli inaweza kuwa na maarifa mengi ya jumla lakini bado ikahitaji uamuzi bora, uzoefu wa kazi mahususi au ufikiaji wa taarifa ambazo haikukutana nazo wakati wa mafunzo.
Ndiyo maana swali haliwezi kuishia katika iwapo upatikanaji wa maandishi ya binadamu hatimaye utakuwa kikwazo. Hatua zinazofuata zinaweza kubadilisha namna mfumo unavyojifunza na kazi inayofanya.
2. Mafunzo ya baadae hubadilisha matumizi ya msingi
Mafunzo ya baadae [Post-training] huboresha modeli baada ya kujifunza kwa awali. Msisitizo huhamia kwenye tabia, kazi za vitendo na aina za majibu ambayo watu wanahitaji.
Data zinazozalishwa kwa njia bandia [Synthetic Data] zinaweza kusaidia mchakato huu. Mfumo unaweza kutengeneza mifano, kuchunguza tofauti na kuzalisha nyenzo zenye manufaa kwa mafunzo zaidi. Thamani imo katika ubora wa uzoefu unaopatikana, si katika ukweli tu kwamba mashine imeuzalisha.
Tofauti hiyo ni muhimu. Kuzalisha nyenzo zaidi hakuthibitishi moja kwa moja kuwa ni sahihi. Mzunguko wenye manufaa huchagua uzoefu unaostahili kuhifadhiwa na kuutumia kuboresha tabia ya baadaye. Wingi bila uchaguzi unaweza kurudia udhaifu badala ya kuurekebisha.
3. Ukokotoaji wakati wa matumizi hufanya inferensi kuwa tatizo gumu zaidi
Inferensi [Inference] wakati mwingine hufikiriwa kuwa hatua rahisi ya mwisho: modeli tayari imejifunza, kwa hiyo kutoa jibu kunapaswa kuhitaji kazi kidogo tu ya ziada.
Upanuzi wakati wa upimaji [Test-time Scaling] unapinga taswira hiyo. Kazi ngumu inaweza kuhitaji mfumo kugawa tatizo katika sehemu ndogo, kulinganisha mbinu zinazowezekana, kutafuta taarifa na kufikiria upya jaribio lisilofanikiwa.
Mahitaji ya ukokotoaji basi hutegemea kile mfumo unachopaswa kufanya kabla ya kutoa jibu lenye manufaa. Jibu fupi linaweza kufuata kazi kubwa. Kwa upande mwingine, jibu refu si uthibitisho wa kufikiri kwa makini.
Kwa biashara, hili linaunganisha maamuzi kuhusu muda wa kujibu [Latency], ubora wa jibu na gharama za uendeshaji. Jibu la papo hapo la bei ya chini zaidi si daima kazi iliyokamilishwa kwa mafanikio kwa gharama ya chini zaidi.
4. Upanuzi wa mawakala huongeza uratibu katika uwezo
Upanuzi wa mawakala [Agentic Scaling] huleta njia nyingine: mfumo unaweza kugawa kazi kati ya mawakala kadhaa [Agents] badala ya kuomba modeli moja ifanye kila kitu kwa mfuatano.
Wakala mmoja anaweza kukagua rekodi huku mwingine akilinganisha chaguo. Matokeo yao yanaweza kusaidia matokeo ya pamoja. Huu ni ukuaji tofauti na kuongeza ukubwa wa modeli moja au kuipa muda zaidi.
Ulinganisho na shirika una manufaa. Wafanyakazi zaidi wanaweza kuongeza uwezo, lakini tu pale majukumu, mawasiliano na uamuzi wa mwisho vinapokuwa wazi. Vilevile, mawakala zaidi huleta kazi ya uratibu, kusuluhisha tofauti na uhakiki. Idadi yao ni nyenzo ya kuingiza, si kipimo cha mafanikio.
5. Hatua nne huunda mzunguko wa kujifunza
Uhusiano muhimu zaidi ni kile kinachotokea baada ya mfumo kufanya kazi. Uzoefu wenye manufaa wa mawakala unaweza kuwa nyenzo ya mafunzo ya baadaye. Modeli zilizoboreshwa zinaweza kisha kusaidia kufikiri vizuri zaidi na mawakala wenye ufanisi zaidi.
Kwa hiyo, mafunzo ya awali, mafunzo ya baadae, kazi wakati wa matumizi na shughuli za mawakala si lazima zibaki katika visanduku tofauti. Zinaweza kulishana.
Hili pia hubadilisha swali la miundombinu. Kufunza modeli, kutafuta katika faili na kuratibu wafanyakazi kadhaa huweka mahitaji tofauti kwa vichakataji, kumbukumbu, hifadhi na mitandao. Mfumo uliobuniwa kwa kipimo finyu cha utendaji [Benchmark] unaweza kutofaa mtiririko mzima wa kazi [Workflow].
Hitimisho: Pima kazi, si modeli pekee
Mfumo wa Huang wa sehemu nne unasogeza mjadala zaidi ya wazo kwamba maendeleo ya AI yanamaanisha tu modeli kubwa zaidi iliyofunzwa mara moja kwa mkusanyiko mkubwa zaidi wa data [Dataset].
Funzo la vitendo ni kutambua mahali ambapo ukokotoaji wa ziada huzalisha matokeo bora. Je, kazi inahitaji misingi bora, uboreshaji wenye manufaa zaidi, muda mrefu wa kutatua tatizo au mgawanyo wa kazi ulioratibiwa?
Biashara inapaswa kutathmini jibu kwa kazi zilizokamilika, ubora, muda na gharama ya jumla. Huo ni mwanzo wenye manufaa zaidi kuliko kuhesabu vigezo au mawakala pekee. Swali la ukokotoaji la baadaye linahusu mfumo mzima wa kujifunza na kufanya kazi.
Powered By K7