ਹੁਸ਼ਿਆਰ, ਛੋਟੇ AI ਮਾਡਲਾਂ ਨਾਲ ਉੱਦਮ ਕੁਸ਼ਲਤਾ

ਗ੍ਰੇਨਾਈਟ ਸੀਰੀਜ਼ ਨੂੰ ਰਿਫਾਈਨ ਕਰਨਾ: ਫੋਕਸਡ ਸਮਰੱਥਾ, ਘੱਟ ਪੈਰਾਂ ਦਾ ਨਿਸ਼ਾਨ

IBM ਦੇ ਗ੍ਰੇਨਾਈਟ 3.2 ਮਾਡਲ ਛੋਟੇ ਮਾਡਲਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਲਈ ਕੰਪਨੀ ਦੀ ਰਣਨੀਤੀ ਨੂੰ ਜਾਰੀ ਰੱਖਣ ਦੀ ਨੁਮਾਇੰਦਗੀ ਕਰਦੇ ਹਨ। ਇਹ ਮਾਡਲ ਕੰਪਿਊਟਿੰਗ ਸਰੋਤਾਂ ‘ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮੰਗਾਂ ਲਗਾਏ ਬਿਨਾਂ ਵਿਸ਼ੇਸ਼ ਸਮਰੱਥਾਵਾਂ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ। ਇਹ ਪਹੁੰਚ ਬਹੁਤ ਸਾਰੇ ਕਾਰੋਬਾਰਾਂ ਦੀਆਂ ਵਿਹਾਰਕ ਲੋੜਾਂ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ AI ਹੱਲਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਸ਼ਕਤੀਸ਼ਾਲੀ ਅਤੇ ਲਾਗਤ-ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਦੋਵੇਂ ਹੋਣ।

ਇਹ ਮਾਡਲ Hugging Face ‘ਤੇ Apache 2.0 ਲਾਇਸੰਸ ਦੇ ਅਧੀਨ ਖੁੱਲ੍ਹੇ ਤੌਰ ‘ਤੇ ਉਪਲਬਧ ਹਨ। ਚੁਣੇ ਹੋਏ ਸੰਸਕਰਣ IBM ਦੇ ਆਪਣੇ watsonx.ai ਪਲੇਟਫਾਰਮ, ਨਾਲ ਹੀ Ollama, Replicate, ਅਤੇ LM Studio ਰਾਹੀਂ ਵੀ ਪਹੁੰਚਯੋਗ ਹਨ। ਇਹ ਵਿਆਪਕ ਪਹੁੰਚਯੋਗਤਾ ਆਉਣ ਵਾਲੇ ਮਹੀਨਿਆਂ ਵਿੱਚ ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ Red Hat Enterprise Linux AI 1.5 ਵਿੱਚ ਜੋੜਨ ਦੀਆਂ ਯੋਜਨਾਵਾਂ ਦੁਆਰਾ ਹੋਰ ਵਧਾਈ ਗਈ ਹੈ, ਓਪਨ-ਸੋਰਸ AI ਲਈ IBM ਦੀ ਵਚਨਬੱਧਤਾ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦੀ ਹੈ।

ਦਸਤਾਵੇਜ਼ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਕ੍ਰਾਂਤੀ ਲਿਆਉਣਾ: ਗ੍ਰੇਨਾਈਟ ਵਿਜ਼ਨ ਮਾਡਲ

ਇਸ ਰੀਲੀਜ਼ ਦੀ ਇੱਕ ਸ਼ਾਨਦਾਰ ਵਿਸ਼ੇਸ਼ਤਾ ਇੱਕ ਨਵਾਂ ਵਿਜ਼ਨ ਲੈਂਗਵੇਜ ਮਾਡਲ ਹੈ ਜੋ ਵਿਸ਼ੇਸ਼ ਤੌਰ ‘ਤੇ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਸਮਝਣ ਦੇ ਕੰਮਾਂ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਮਾਡਲ ਇਸ ਗੱਲ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਤਰੱਕੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕਾਰੋਬਾਰ ਦਸਤਾਵੇਜ਼ਾਂ ਨਾਲ ਕਿਵੇਂ ਗੱਲਬਾਤ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਜਾਣਕਾਰੀ ਕੱਢ ਸਕਦੇ ਹਨ। IBM ਦੇ ਅੰਦਰੂਨੀ ਬੈਂਚਮਾਰਕ ਟੈਸਟਾਂ ਦੇ ਅਨੁਸਾਰ, ਇਹ ਨਵਾਂ ਮਾਡਲ ਵਿਸ਼ੇਸ਼ ਤੌਰ ‘ਤੇ ਐਂਟਰਪ੍ਰਾਈਜ਼-ਪੱਧਰ ਦੇ ਵਰਕਲੋਡਾਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਟੈਸਟਾਂ ‘ਤੇ ਬਹੁਤ ਵੱਡੇ ਪ੍ਰਤੀਯੋਗੀ ਮਾਡਲਾਂ ਦੇ ਬਰਾਬਰ ਜਾਂ ਇਸ ਤੋਂ ਵੀ ਵੱਧ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ।

ਇਸ ਸਮਰੱਥਾ ਦੇ ਵਿਕਾਸ ਵਿੱਚ IBM ਦੇ ਓਪਨ-ਸੋਰਸ ਡੌਕਲਿੰਗ ਟੂਲਕਿੱਟ ਦਾ ਲਾਭ ਲੈਣਾ ਸ਼ਾਮਲ ਹੈ। ਇਸ ਟੂਲਕਿੱਟ ਦੀ ਵਰਤੋਂ 85 ਮਿਲੀਅਨ PDF ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਲਈ ਕੀਤੀ ਗਈ ਸੀ, ਜਿਸ ਨਾਲ 26 ਮਿਲੀਅਨ ਸਿੰਥੈਟਿਕ ਸਵਾਲ-ਜਵਾਬ ਜੋੜੇ ਪੈਦਾ ਹੋਏ। ਇਹ ਵਿਆਪਕ ਤਿਆਰੀ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਮਾਡਲ ਦਸਤਾਵੇਜ਼-ਸੰਬੰਧੀ ਵਰਕਫਲੋਜ਼ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਚੰਗੀ ਤਰ੍ਹਾਂ ਤਿਆਰ ਹੈ ਜੋ ਕਿ ਬਹੁਤ ਸਾਰੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਵਾਤਾਵਰਣਾਂ, ਜਿਸ ਵਿੱਚ ਵਿੱਤ, ਸਿਹਤ ਸੰਭਾਲ, ਅਤੇ ਕਾਨੂੰਨੀ ਸੇਵਾਵਾਂ ਸ਼ਾਮਲ ਹਨ, ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਹਨ।

ਮੁੱਖ ਅੰਕੜੇ ਪੈਮਾਨੇ ਅਤੇ ਕੁਸ਼ਲਤਾ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹਨ:

• 85 ਮਿਲੀਅਨ: ਨਵੇਂ ਵਿਜ਼ਨ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ IBM ਦੇ ਡੌਕਲਿੰਗ ਟੂਲਕਿੱਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰੋਸੈਸ ਕੀਤੇ ਗਏ PDF ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਗਿਣਤੀ। ਇਹ ਵਿਸ਼ਾਲ ਡੇਟਾਸੈਟ ਅਸਲ-ਸੰਸਾਰ ਦਸਤਾਵੇਜ਼ ਪ੍ਰੋਸੈਸਿੰਗ ਚੁਣੌਤੀਆਂ ਲਈ ਮਾਡਲ ਦੀ ਤਿਆਰੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
• 30%: ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਪੱਧਰਾਂ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹੋਏ ਗ੍ਰੇਨਾਈਟ ਗਾਰਡੀਅਨ ਸੁਰੱਖਿਆ ਮਾਡਲਾਂ ਵਿੱਚ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ ਆਕਾਰ ਵਿੱਚ ਕਮੀ। ਇਹ ਸੁਰੱਖਿਆ ਦੀ ਕੁਰਬਾਨੀ ਕੀਤੇ ਬਿਨਾਂ ਕੁਸ਼ਲਤਾ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ IBM ਦੀ ਵਚਨਬੱਧਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
• 2 ਸਾਲ: IBM ਦੇ TinyTimeMixers ਮਾਡਲਾਂ ਦੀ ਅਧਿਕਤਮ ਪੂਰਵ ਅਨੁਮਾਨ ਸੀਮਾ, 10 ਮਿਲੀਅਨ ਤੋਂ ਘੱਟ ਪੈਰਾਮੀਟਰ ਹੋਣ ਦੇ ਬਾਵਜੂਦ। ਇਹ ਲੰਬੇ ਸਮੇਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲਈ ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ ਮਾਡਲਾਂ ਦੀ ਕਮਾਲ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

ਵਧਿਆ ਹੋਇਆ ਤਰਕ: ਵਿਚਾਰਾਂ ਦੀ ਲੜੀ ਅਤੇ ਅਨੁਮਾਨ ਸਕੇਲਿੰਗ

IBM ਨੇ ਗ੍ਰੇਨਾਈਟ 3.2 ਦੇ 2B ਅਤੇ 8B ਪੈਰਾਮੀਟਰ ਸੰਸਕਰਣਾਂ ਵਿੱਚ “ਵਿਚਾਰਾਂ ਦੀ ਲੜੀ” ਤਰਕ ਨੂੰ ਵੀ ਸ਼ਾਮਲ ਕੀਤਾ ਹੈ। ਇਹ ਵਿਸ਼ੇਸ਼ਤਾ ਮਾਡਲਾਂ ਨੂੰ ਇੱਕ ਢਾਂਚਾਗਤ, ਵਿਧੀਗਤ ਢੰਗ ਨਾਲ ਸਮੱਸਿਆਵਾਂ ਤੱਕ ਪਹੁੰਚਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ, ਉਹਨਾਂ ਨੂੰ ਉਹਨਾਂ ਕਦਮਾਂ ਵਿੱਚ ਵੰਡਦੀ ਹੈ ਜੋ ਮਨੁੱਖੀ ਤਰਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਇਹ ਮਾਡਲਾਂ ਦੀ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਨਾਲ ਨਜਿੱਠਣ ਦੀ ਯੋਗਤਾ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਲਈ ਤਰਕਪੂਰਨ ਕਟੌਤੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ, ਉਪਭੋਗਤਾਵਾਂ ਕੋਲ ਕੰਮ ਦੀ ਗੁੰਝਲਤਾ ਦੇ ਅਧਾਰ ‘ਤੇ ਇਸ ਸਮਰੱਥਾ ਨੂੰ ਕਿਰਿਆਸ਼ੀਲ ਜਾਂ ਅਕਿਰਿਆਸ਼ੀਲ ਕਰਨ ਦੀ ਲਚਕਤਾ ਹੈ। ਇਹ ਅਨੁਕੂਲਤਾ ਇੱਕ ਮੁੱਖ ਅੰਤਰ ਹੈ, ਜੋ ਸੰਸਥਾਵਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀਆਂ ਖਾਸ ਲੋੜਾਂ ਦੇ ਅਧਾਰ ‘ਤੇ ਸਰੋਤ ਉਪਯੋਗਤਾ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਸਰਲ ਕੰਮਾਂ ਲਈ, ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਨੂੰ ਬਚਾਉਣ ਲਈ ਵਿਚਾਰਾਂ ਦੀ ਲੜੀ ਦੇ ਤਰਕ ਨੂੰ ਅਯੋਗ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਸਮੱਸਿਆਵਾਂ ਲਈ, ਇਸਨੂੰ ਮਾਡਲ ਦੀ ਪੂਰੀ ਤਰਕ ਸਮਰੱਥਾ ਦਾ ਲਾਭ ਲੈਣ ਲਈ ਸਮਰੱਥ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਇਹਨਾਂ ਸੁਧਾਰਾਂ ਨੇ ਨਿਰਦੇਸ਼-ਅਨੁਸਰਣ ਬੈਂਚਮਾਰਕਾਂ ‘ਤੇ 8B ਮਾਡਲ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਸੁਧਾਰ ਕੀਤੇ ਹਨ, ਪਿਛਲੇ ਸੰਸਕਰਣਾਂ ਨੂੰ ਪਛਾੜਦੇ ਹੋਏ। ਨਵੀਨਤਾਕਾਰੀ “ਅਨੁਮਾਨ ਸਕੇਲਿੰਗ” ਵਿਧੀਆਂ ਰਾਹੀਂ, IBM ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਇਹ ਮੁਕਾਬਲਤਨ ਛੋਟਾ ਮਾਡਲ ਵੀ ਗਣਿਤ ਦੇ ਤਰਕ ਬੈਂਚਮਾਰਕਾਂ ‘ਤੇ ਬਹੁਤ ਵੱਡੇ ਸਿਸਟਮਾਂ ਨਾਲ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਮੁਕਾਬਲਾ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਖਾਸ ਡੋਮੇਨਾਂ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਛੋਟੇ, ਅਨੁਕੂਲਿਤ ਮਾਡਲਾਂ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ।

ਸੁਰੱਖਿਆ ਅਤੇ ਸੂਖਮਤਾ: ਗ੍ਰੇਨਾਈਟ ਗਾਰਡੀਅਨ ਅੱਪਡੇਟ

ਗ੍ਰੇਨਾਈਟ ਗਾਰਡੀਅਨ ਸੁਰੱਖਿਆ ਮਾਡਲ, ਜੋ ਕਿ AI ਦੁਆਰਾ ਤਿਆਰ ਸਮੱਗਰੀ ਨਾਲ ਜੁੜੇ ਸੰਭਾਵੀ ਜੋਖਮਾਂ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਅਤੇ ਘਟਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ, ਵਿੱਚ ਵੀ ਮਹੱਤਵਪੂਰਨ ਅੱਪਡੇਟ ਹੋਏ ਹਨ। ਇਹਨਾਂ ਮਾਡਲਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਪੱਧਰਾਂ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹੋਏ ਆਕਾਰ ਵਿੱਚ 30% ਘਟਾ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਇਹ ਅਨੁਕੂਲਤਾ ਵਧੇਰੇ ਕੁਸ਼ਲਤਾ ਅਤੇ ਘੱਟ ਸਰੋਤਾਂ ਦੀ ਖਪਤ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦੀ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹਨਾਂ ਮਾਡਲਾਂ ਵਿੱਚ ਹੁਣ “ਜ਼ੁਬਾਨੀ ਵਿਸ਼ਵਾਸ” ਨਾਮਕ ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਸ਼ਾਮਲ ਹੈ। ਇਹ ਵਿਸ਼ੇਸ਼ਤਾ ਸੁਰੱਖਿਆ ਨਿਗਰਾਨੀ ਵਿੱਚ ਅਨਿਸ਼ਚਿਤਤਾ ਦੀਆਂ ਡਿਗਰੀਆਂ ਨੂੰ ਸਵੀਕਾਰ ਕਰਕੇ ਇੱਕ ਵਧੇਰੇ ਸੂਖਮ ਜੋਖਮ ਮੁਲਾਂਕਣ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਸਿਰਫ਼ ਇੱਕ ਬਾਈਨਰੀ ਸੁਰੱਖਿਅਤ/ਅਸੁਰੱਖਿਅਤ ਵਰਗੀਕਰਨ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਬਜਾਏ, ਮਾਡਲ ਆਪਣੇ ਮੁਲਾਂਕਣਾਂ ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਦੇ ਵੱਖ-ਵੱਖ ਪੱਧਰਾਂ ਨੂੰ ਪ੍ਰਗਟ ਕਰ ਸਕਦੇ ਹਨ, ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਇੱਕ ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਭਰਪੂਰ ਅਤੇ ਪਾਰਦਰਸ਼ੀ ਮੁਲਾਂਕਣ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।

TinyTimeMixers: ਰਣਨੀਤਕ ਯੋਜਨਾਬੰਦੀ ਲਈ ਲੰਬੀ-ਸੀਮਾ ਦੀ ਭਵਿੱਖਬਾਣੀ

ਗ੍ਰੇਨਾਈਟ ਅੱਪਡੇਟ ਤੋਂ ਇਲਾਵਾ, IBM ਨੇ ਆਪਣੇ TinyTimeMixers ਮਾਡਲਾਂ ਦੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਵੀ ਜਾਰੀ ਕੀਤੀ ਹੈ। ਇਹ ਮਾਡਲ ਕਮਾਲ ਦੇ ਛੋਟੇ ਹਨ, ਜਿਸ ਵਿੱਚ 10 ਮਿਲੀਅਨ ਤੋਂ ਘੱਟ ਪੈਰਾਮੀਟਰ ਹਨ - ਉਦਯੋਗ ਦੇ ਕਈ ਹੋਰ ਮਾਡਲਾਂ ਦੇ ਆਕਾਰ ਦਾ ਇੱਕ ਹਿੱਸਾ। ਉਹਨਾਂ ਦੇ ਸੰਖੇਪ ਆਕਾਰ ਦੇ ਬਾਵਜੂਦ, ਇਹ ਵਿਸ਼ੇਸ਼ ਮਾਡਲ ਦੋ ਸਾਲਾਂ ਤੱਕ ਦੇ ਸਮੇਂ ਦੀ ਲੜੀ ਦੇ ਡੇਟਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹਨ।

ਇਹ ਸਮਰੱਥਾ ਖਾਸ ਤੌਰ ‘ਤੇ ਵਪਾਰਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਇੱਕ ਸ਼੍ਰੇਣੀ ਲਈ ਕੀਮਤੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

• ਵਿੱਤੀ ਰੁਝਾਨ ਵਿਸ਼ਲੇਸ਼ਣ: ਮਾਰਕੀਟ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਅਤੇ ਨਿਵੇਸ਼ ਦੇ ਮੌਕਿਆਂ ਦੀ ਪਛਾਣ ਕਰਨਾ।
• ਸਪਲਾਈ ਚੇਨ ਯੋਜਨਾਬੰਦੀ: ਵਸਤੂ ਸੂਚੀ ਦੇ ਪੱਧਰਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣਾ ਅਤੇ ਮੰਗ ਦੇ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ।
• ਪ੍ਰਚੂਨ ਵਸਤੂ ਪ੍ਰਬੰਧਨ: ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਘੱਟ ਕਰਦੇ ਹੋਏ ਗਾਹਕਾਂ ਦੀ ਮੰਗ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਸਟਾਕ ਪੱਧਰਾਂ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ।

ਇਹ ਸਾਰੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲੰਬੇ ਸਮੇਂ ਦੇ ਅਨੁਮਾਨਾਂ ਦੇ ਅਧਾਰ ‘ਤੇ ਸੂਚਿਤ ਫੈਸਲੇ ਲੈਣ ਦੀ ਯੋਗਤਾ ‘ਤੇ ਨਿਰਭਰ ਕਰਦੀਆਂ ਹਨ, ਜਿਸ ਨਾਲ TinyTimeMixers ਮਾਡਲ ਰਣਨੀਤਕ ਵਪਾਰਕ ਯੋਜਨਾਬੰਦੀ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਾਧਨ ਬਣ ਜਾਂਦੇ ਹਨ।

ਅਸਲ-ਸੰਸਾਰ ਵਪਾਰਕ ਰੁਕਾਵਟਾਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਨਾ

ਗ੍ਰੇਨਾਈਟ ਮਾਡਲਾਂ ਦੇ ਅੰਦਰ ਤਰਕ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਟੌਗਲ ਕਰਨ ਦੀ ਯੋਗਤਾ AI ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਇੱਕ ਵਿਹਾਰਕ ਚੁਣੌਤੀ ਨੂੰ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਸੰਬੋਧਿਤ ਕਰਦੀ ਹੈ। ਕਦਮ-ਦਰ-ਕਦਮ ਤਰਕ ਪਹੁੰਚ, ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੋਣ ਦੇ ਬਾਵਜੂਦ, ਕਾਫ਼ੀ ਕੰਪਿਊਟਿੰਗ ਪਾਵਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਹਮੇਸ਼ਾ ਜ਼ਰੂਰੀ ਨਹੀਂ ਹੁੰਦੀ। ਇਸ ਵਿਸ਼ੇਸ਼ਤਾ ਨੂੰ ਵਿਕਲਪਿਕ ਬਣਾ ਕੇ, IBM ਸੰਸਥਾਵਾਂ ਨੂੰ ਸਰਲ ਕੰਮਾਂ ਲਈ ਕੰਪਿਊਟਿੰਗ ਲਾਗਤਾਂ ਨੂੰ ਘਟਾਉਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ ਜਦੋਂ ਕਿ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਸਮੱਸਿਆਵਾਂ ਲਈ ਉੱਨਤ ਤਰਕ ਦੇ ਵਿਕਲਪ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦਾ ਹੈ।

ਇਹ ਪਹੁੰਚ ਅਸਲ-ਸੰਸਾਰ ਵਪਾਰਕ ਰੁਕਾਵਟਾਂ ਦੀ ਡੂੰਘੀ ਸਮਝ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਜਿੱਥੇ ਕੁਸ਼ਲਤਾ ਅਤੇ ਲਾਗਤ-ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਅਕਸਰ ਕੱਚੇ ਪ੍ਰਦਰਸ਼ਨ ਜਿੰਨੀ ਹੀ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦੀ ਹੈ। IBM ਦਾ ਵਿਹਾਰਕ ਹੱਲ ਪ੍ਰਦਾਨ ਕਰਨ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ ਜੋ ਕਿ ਖਾਸ ਵਪਾਰਕ ਲੋੜਾਂ ਅਨੁਸਾਰ ਤਿਆਰ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਵੱਧ ਰਹੇ ਭੀੜ-ਭੜੱਕੇ ਵਾਲੇ AI ਬਾਜ਼ਾਰ ਵਿੱਚ ਇੱਕ ਮੁੱਖ ਅੰਤਰ ਹੈ।

ਕਰਸ਼ਣ ਪ੍ਰਾਪਤ ਕਰਨਾ: ਵਿਹਾਰਕ ਪ੍ਰਭਾਵ ਦਾ ਸਬੂਤ

ਛੋਟੇ, ਵਿਸ਼ੇਸ਼ ਮਾਡਲਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਦੀ IBM ਦੀ ਰਣਨੀਤੀ ਬਾਜ਼ਾਰ ਨਾਲ ਗੂੰਜਦੀ ਜਾਪਦੀ ਹੈ। ਪਿਛਲੇ ਗ੍ਰੇਨਾਈਟ 3.1 8B ਮਾਡਲ ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਗਾਹਕ ਸੰਬੰਧ ਪ੍ਰਬੰਧਨ (CRM) ਲਈ ਸੇਲਸਫੋਰਸ LLM ਬੈਂਚਮਾਰਕ ‘ਤੇ ਮਜ਼ਬੂਤ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ। ਇਹ ਬੈਂਚਮਾਰਕ ਵਿਸ਼ੇਸ਼ ਤੌਰ ‘ਤੇ CRM ਨਾਲ ਸੰਬੰਧਿਤ ਕੰਮਾਂ ‘ਤੇ LLMs ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਵੇਂ ਕਿ ਗਾਹਕਾਂ ਦੇ ਆਪਸੀ ਤਾਲਮੇਲ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਵਿਅਕਤੀਗਤ ਸਮੱਗਰੀ ਉਤਪਾਦਨ।

ਇਸ ਬੈਂਚਮਾਰਕ ‘ਤੇ ਗ੍ਰੇਨਾਈਟ 3.1 8B ਮਾਡਲ ਦਾ ਮਜ਼ਬੂਤ ਪ੍ਰਦਰਸ਼ਨ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਛੋਟੇ, ਵਿਸ਼ੇਸ਼ ਮਾਡਲ ਅਸਲ ਵਿੱਚ ਖਾਸ ਵਪਾਰਕ ਲੋੜਾਂ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪੂਰਾ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਇਸ ਗੱਲ ਦਾ ਹੋਰ ਸਬੂਤ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਕਿ IBM ਦੀ ਪਹੁੰਚ ਨਾ ਸਿਰਫ਼ ਸਿਧਾਂਤਕ ਤੌਰ ‘ਤੇ ਸਹੀ ਹੈ, ਸਗੋਂ ਵਿਹਾਰਕ ਤੌਰ ‘ਤੇ ਵੀ ਵਿਵਹਾਰਕ ਹੈ।

ਕੁਸ਼ਲਤਾ, ਏਕੀਕਰਣ, ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਪ੍ਰਭਾਵ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰੋ

ਸ੍ਰੀਰਾਮ ਰਾਘਵਨ, IBM AI ਰਿਸਰਚ ਦੇ ਉਪ ਪ੍ਰਧਾਨ, ਕੰਪਨੀ ਦੇ ਫਲਸਫੇ ਦਾ ਸੰਖੇਪ ਵਿੱਚ ਵਰਣਨ ਕਰਦੇ ਹਨ: “AI ਦਾ ਅਗਲਾ ਯੁੱਗ ਕੁਸ਼ਲਤਾ, ਏਕੀਕਰਣ, ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਪ੍ਰਭਾਵ ਬਾਰੇ ਹੈ - ਜਿੱਥੇ ਉੱਦਮ ਕੰਪਿਊਟ ‘ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਖਰਚ ਕੀਤੇ ਬਿਨਾਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ। IBM ਦੇ ਨਵੀਨਤਮ ਗ੍ਰੇਨਾਈਟ ਵਿਕਾਸ ਓਪਨ ਹੱਲਾਂ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਨ, ਜੋ ਆਧੁਨਿਕ ਉੱਦਮਾਂ ਲਈ AI ਨੂੰ ਵਧੇਰੇ ਪਹੁੰਚਯੋਗ, ਲਾਗਤ-ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਅਤੇ ਕੀਮਤੀ ਬਣਾਉਣ ਵਿੱਚ ਇੱਕ ਹੋਰ ਕਦਮ ਅੱਗੇ ਵਧਾਉਂਦੇ ਹਨ।”

ਇਹ ਬਿਆਨ AI ਹੱਲਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਲਈ IBM ਦੀ ਵਚਨਬੱਧਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜੋ ਨਾ ਸਿਰਫ਼ ਤਕਨੀਕੀ ਤੌਰ ‘ਤੇ ਉੱਨਤ ਹਨ, ਸਗੋਂ ਵਿਹਾਰਕ, ਪਹੁੰਚਯੋਗ, ਅਤੇ ਕਾਰੋਬਾਰਾਂ ਦੀਆਂ ਅਸਲ-ਸੰਸਾਰ ਲੋੜਾਂ ਨਾਲ ਵੀ ਜੁੜੇ ਹੋਏ ਹਨ। ਓਪਨ ਹੱਲਾਂ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ AI ਭਾਈਚਾਰੇ ਦੇ ਅੰਦਰ ਸਹਿਯੋਗ ਅਤੇ ਨਵੀਨਤਾ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਲਈ IBM ਦੇ ਸਮਰਪਣ ਨੂੰ ਹੋਰ ਰੇਖਾਂਕਿਤ ਕਰਦਾ ਹੈ। ਜ਼ੋਰ ਸਿਰਫ਼ ਸਭ ਤੋਂ ਵੱਡੇ ਮਾਡਲਾਂ ਨੂੰ ਬਣਾਉਣ ਤੋਂ ਲੈ ਕੇ AI ਟੂਲ ਬਣਾਉਣ ਵੱਲ ਤਬਦੀਲ ਹੋ ਰਿਹਾ ਹੈ ਜੋ ਠੋਸ ਮੁੱਲ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ ਅਤੇ ਕਾਰੋਬਾਰਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਰਣਨੀਤਕ ਉਦੇਸ਼ਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।