Zašto je era univerzalnih AI modela zapravo gotova
Specijalizacija donosi vrijednost, dok masovni modeli postaju preskupi
Svi smo vidjeli nevjerojatne prezentacije u kojima jedan jezični model bez problema rješava matematičke probleme, piše poeziju i programira aplikacije od nule. Industrija nas je snažno uvjerila da je prava budućnost umjetne inteligencije u izgradnji sve većih, masovnijih i sveznajućih sustava. Prema tom pogledu, jedino što trebamo činiti je dodavati još više podataka i računarske snage. No, stvarni svijet razvoja umjetne inteligencije pokazuje nam potpuno drugačiju sliku. Umjesto nezaustavljivog širenja općih modela, industrija se tiho, ali sigurno, okreće prema manjim, visoko specijaliziranim rješenjima. Svi znakovi upućuju na to da smo dosegli točku u kojoj gola veličina više ne donosi korist.
Prevladavajuća priča
Glavna priča koju neprestano slušamo posljednjih nekoliko godina je zapravo vrlo jednostavna i zavodljiva: što više parametara ima model i što više podataka unesemo u njega tijekom treniranja, to je on automatski bolji i sposobniji. Velike tehnološke kompanije diljem svijeta otvoreno se natječu u stvaranju ultimativnog umjetnog uma. Prema tom snažno guranom narativu, današnje kompanije trebaju samo uzeti jedan takav ogromni API od poznatog pružatelja usluga, spojiti ga na svoje interne poslovne sustave i apsolutno svi njihovi poslovni problemi bit će magično i trajno riješeni.
Očekuje se da će taj jedan te isti univerzalni model s lakoćom analizirati financijske izvještaje, odgovarati na tisuće upita korisnika i dijagnosticirati softverske kvarove. Smatra se da će takav model biti jedino sučelje koje će kompaniji ikada trebati, jer posjeduje svo znanje cijelog interneta sažeto u golemim matricama brojeva. Zagovornici ovog pristupa tvrde da je svako ulaganje u manje i specifične alate potpuno besmisleno gubljenje vremena i novca.
Zašto je ta priča pogrešna ili nepotpuna
Ovakav pristup, iako teoretski iznimno privlačan, u praksi se pokazao kao iznimno neefikasan i pun skrivenih nedostataka. Prvo i osnovno ograničenje je gola ekonomija. Ogromni univerzalni modeli su nepodnošljivo preskupi za svakodnevnu upotrebu na velikoj skali. Kada prosječan korisnik postavi potpuno jednostavno pitanje o radnom vremenu lokalne poslovnice, ne postoji nikakva stvarna potreba pokretati model koji je sposoban razumjeti kvantnu fiziku. To masovno rasipanje računarskih resursa postaje bolno očito kada se mjesečni troškovi cloud infrastrukture počnu eksponencijalno gomilati, jedući profitnu maržu proizvoda.
Drugo, univerzalni modeli inherentno pate od problema halucinacija i nedostatka specifičnog konteksta. Pokušaj da model zna apsolutno sve o svemu rezultira time da on zapravo često ne zna ništa dovoljno duboko, precizno i pouzdano. U strogo reguliranim industrijama poput bankarstva ili prava, vi definitivno ne želite kreativnog asistenta koji će izmisliti jako uvjerljiv, ali potpuno netočan odgovor. Vi želite precizan alat koji radi isključivo jednu stvar, ali ju radi apsolutno savršeno. Zbog toga se manji, specijalizirani modeli u stvarnosti pokazuju znatno pouzdanijima i mnogo lakšima za kontroliranje.
Treće, pitanja privatnosti i sigurnosti podataka vrlo brzo postaju nepremostiva prepreka za primjenu velikih univerzalnih modela. Većina ozbiljnih kompanija nije spremna slati svoje poslovne tajne, podatke o klijentima i interne procedure preko interneta ravno u tuđe masovne cloud sustave. Te kompanije očajnički žele modele koje mogu instalirati i pokrenuti lokalno, u svom izoliranom mrežnom okruženju i pod vlastitim strogim uvjetima.
Posljedice u stvarnom svijetu
Ako je ova teza doista točna, a svakodnevna praksa ukazuje da itekako jest, posljedice za tržište tehnologije i poslovanja su zbilja ogromne. Dugoročni dobitnici u ovoj novoj fazi razvoja neće biti isključivo oni najveći tehnološki divovi koji mogu priuštiti spaljivanje milijardi dolara na treniranje masovnih modela. Pravi pobjednici bit će one agilne kompanije koje uspiju stvoriti iznimno učinkovite i jeftine alate za brzo prilagođavanje manjih modela za specifične potrebe određenih industrija. Startupi i razvojni timovi koji danas ciljano razvijaju usko specijalizirane AI sustave isključivo za odvjetnike, inženjere ili računovođe, imat će neusporedivo jasniji i održiviji poslovni model.
S druge strane, jasni gubitnici u ovoj tranziciji bit će svi oni tehnološki poduzetnici i tvrtke koji su cijeli svoj poslovni model izgradili kao vrlo tanki sloj korisničkog sučelja povrh tuđih općih i velikih modela. Kako specijalizirana rješenja otvorenog koda postaju jeftinija, moćnija i dostupnija, vrijednost pukog preoblikovanja upita masovnim modelima pada. Tvrtke će vrlo brzo shvatiti da umjesto plaćanja visokih cijena za API pozive kod svakog jednostavnog zadatka, mogu potpuno besplatno na svojim serverima vrtjeti vlastite modele.
Završni stav
Budućnost primjene umjetne inteligencije u ozbiljnom poslovnom svijetu ne leži u stvaranju jednog gigantskog mozga koji ima odgovore na sva zamisliva pitanja. Naprotiv, budućnost je u bogatom i raznolikom ekosustavu manjih, bržih, visoko specijaliziranih i lokalno vođenih alata koji bez greške rješavaju konkretne probleme unutar točno određenih domena. Umjesto da slijepo pokušavamo stvoriti sustav koji razumije sve, vrijeme je da se industrija i stručnjaci fokusiraju na stvaranje pouzdanih, predvidljivih i sigurnih digitalnih asistenata. Era masovnih AI modela možda nije završila u istraživačkim laboratorijima najvećih korporacija, ali na stvarnom slobodnom tržištu i u svakodnevnoj poslovnoj praksi, pametna specijalizacija je već odnijela pobjedu.
Komentar objavljen na portalu Umjetna Inteligencija Blog by ShtefAI, autor: Shtef
