A mesterséges intelligenciával felturbózott jövő óriási ígéreteket hordoz életünk gyakorlatilag minden területén, az orvostudománytól az oktatásig, az iparon át a pénzügyekig. De ennek ára van – szó szerint. A GPT-4 kiképzése 100 millió dollárba került, állította Sam Altman, az OpenAI vezérigazgatója.
Bár néhány chatbotot ingyenesen kínálnak, a chatbot-szolgáltatást létrehozni kívánó kisvállalkozásoknak körülbelül 4000 dollárt kellene fizetniük egy felmérés szerin. A „Figure Eight” nevű AI-vállalat szerint pedig a gépi tanuláshoz szükséges adathalmaz létrehozása feladatonként akár 100 dollárba is kerülhet. A Stanford Egyetem tanulmánya szerint egyetlen képi adathalmaz gépi tanuláshoz történő címkézése képenként 3,50 dollárba kerül. A szükséges felhőalapú számítástechnikai platformok bérleti díja meghaladhatja az 5 dollárt óránként. A takarékosság tehát az MI potenciális alkalmazói számára kulcsfontosságú lehet.
A University College London és az Edinburgh-i Egyetem kutatói olyan mérőrendszert terveztek, amely összehasonlította a hagyományos gépi tanulási megközelítések eredményeit és a vállalatok költségcsökkentő, alternatív eszközeit. Megállapították, hogy az alternatív gépi tanulási kísérletei csak minimális megtakarításokkal jártak.
A hatékonysági modellek három fő kategóriájának több változatával végeztek kutatást. „A legtöbb esetben ezek a módszerek, amelyek gyakran meglehetősen bonyolultak és nagy erőfeszítést igényelnek a megvalósítás során, a kísérleteinkben nem igazán eredményeztek jelentős javulást”, mondta Oscar Key, a University College London munkatársa, a jelentés egyik társszerzője.
Három kategóriát vizsgált a csapat:
Kötegelt kiválasztás, amely az adatok csoportos feldolgozását jelenti, ahelyett, hogy egyesével módosítanák az adatokat. Mondjuk egyetlen szót kell hozzáadni nagyszámú digitális fénykép fájlneveihez, hogy egyértelműbbé váljon az azonosításuk. Kötegelt művelettel, amely egy pillanat alatt átnevezi az összes fájlnevet, gyorsabban és végső soron olcsóbban elvégezhető a feladat, mint a nevek egyenkénti módosításával.
Rétegelés, amely az adatok egymás utáni feldolgozása során a neurális hálózati egységek több rétegét alkalmazza. Ez lehetővé teszi, hogy a modellek kifinomult nyelvi mintákat és kapcsolatokat tanuljanak. A modellek például a nyelvi bemenetben a nyelvtan, a szemantika és az érzelmek felismerésére használják az egymásra épülést, és ennek megfelelően valós időben alakíthatják a kimenetet. A stílus, a hangnem és a hangszín a különböző neurális hálózati rétegeken megjelenő felszólításoknak megfelelően módosul.
Hatékony optimalizálók: ezek, mint a nevük is mutatja, olyan algoritmusok, amelyek célja a keresési funkciók felgyorsítása, a pazarló műveletek minimalizálása, a tanulási folyamat felgyorsítása és ideális esetben jobb megoldások elérése. A kutatók a viszonylag új Sophia optimalizálót használták, amely állítólag kétszer olyan gyors, mint az általánosan használt, korszerű Adam optimalizáló.
Annak ellenére, hogy sikeresen kihagyták az irreleváns adatokat, figyelmen kívül hagyták a kevésbé releváns adatokat és optimalizálták a hasznos és releváns adatokat, ezek a megközelítések rosszabb kimenetet eredményeztek.
A rétegelés volt az egyetlen olyan eljárás, amely „képzési és validálási” nyereséget eredményezett, bár a jelentés szerint ez minimális volt. Az ilyen nyereség azonban eltűnik, ahogy hosszabb ideig tart a képzés.
Tehát a gépi tanulás optimalizálása kevesebb számítási teljesítményt használhat és kevésbé költséges lehet, de az eredmények gyengébbek, és csak további képzéssel és költségekkel javíthatók. „A modellek továbbképzése ahhoz, hogy akár csak elfogadható teljesítményt érjünk el, általában nagyon költséges”, mondja Jean Kaddour, a jelentés másik szerzője.
| Sejtettük, hogy a mesterséges intelligencia nem ingyenes. Tudjuk, hogy a megvalósult kereskedelmi digitális segítők működése meglehetősen sok kívánnivalót hagy maga után a szubjektív, indulatos reakciók visszametszése után is. A fenti cikkből is úgy tűnik, hogy a jobb minőségű digitális ügyfélszolgálat működtetése nehezen fog lejutni a kkv-szintre. – A szerk. |
