திறனுள்ள AI எழுச்சி: சிறிய மாதிரி AI

IBM கிரானைட்: எண்டர்பிரைஸ் AI-யில் செயல்திறனை மறுவரையறை செய்தல்

நிலையான AI-க்கான IBM-ன் அணுகுமுறை அதன் கிரானைட் 3.2 மாடல்களில் பொதிந்துள்ளது. இந்த மாதிரிகள் குறிப்பிட்ட வணிக பயன்பாடுகளுக்காக கவனமாக வடிவமைக்கப்பட்டுள்ளன, செயல்திறனில் சமரசம் செய்யாமல் செயல்திறனுக்கான அர்ப்பணிப்பை வெளிப்படுத்துகின்றன. இந்த மூலோபாய கவனம் கணிசமான நன்மைகளைத் தருகிறது:

• கணக்கீட்டு தேவைகளில் கணிசமான குறைப்பு: கிரானைட் தொடரில் உள்ள கார்டியன் பாதுகாப்பு மாதிரிகள் கணக்கீட்டு தேவைகளில் குறிப்பிடத்தக்க குறைப்பை பெருமைப்படுத்துகின்றன, 30% வரை குறைப்பை அடைகின்றன. இது கணிசமான ஆற்றல் சேமிப்பு மற்றும் செயல்பாட்டு செலவுகளைக் குறைக்கிறது.
• நெறிப்படுத்தப்பட்ட ஆவண செயலாக்கம்: கிரானைட் மாதிரிகள் சிக்கலான ஆவண புரிதல் பணிகளில் சிறந்து விளங்குகின்றன, குறைந்தபட்ச வள நுகர்வுடன் அதிக துல்லியத்தை அடைகின்றன. அதிக அளவு தரவுகளை கையாளும் வணிகங்களுக்கு இந்த திறன் முக்கியமானது.
• ‘செயின் ஆஃப் தாட்’ மூலம் உகந்த பகுத்தறிவு: IBM கிரானைட் மாடல்களுக்குள் ஒரு விருப்ப ‘செயின் ஆஃப் தாட்’ பகுத்தறிவு பொறிமுறையை வழங்குகிறது. இந்த அம்சம் சிக்கலான பகுத்தறிவு செயல்முறைகளை சிறிய, மேலும் சமாளிக்கக்கூடிய படிகளாக உடைப்பதன் மூலம் கணக்கீட்டு திறனை மேம்படுத்த அனுமதிக்கிறது.

கிரானைட் குடும்பத்தின் ஒரு தனித்துவமான அங்கமான TinyTimeMixers மாதிரிகள், சிறிய AI-யின் சக்தியை எடுத்துக்காட்டுகின்றன. இந்த மாதிரிகள் 10 மில்லியனுக்கும் குறைவான அளவுருக்கள் மூலம் ஈர்க்கக்கூடிய இரண்டு ஆண்டு முன்னறிவிப்பு திறன்களை அடைகின்றன. பாரம்பரிய பெரிய மொழி மாதிரிகளுடன் ஒப்பிடும்போது இது ஒரு நினைவுச்சின்னமான வித்தியாசமாகும், அவை பெரும்பாலும் நூற்றுக்கணக்கான பில்லியன் அளவுருக்களைக் கொண்டுள்ளன, இது IBM-ன் வள பயன்பாட்டைக் குறைப்பதற்கான அர்ப்பணிப்பை எடுத்துக்காட்டுகிறது.

மைக்ரோசாஃப்ட் ஃபை-4: மல்டிமாடல் AI-யின் புதிய சகாப்தத்தை அறிமுகப்படுத்துகிறது

மைக்ரோசாப்டின் ஃபை-4 குடும்பம் செயல்திறன் மற்றும் அணுகல்தன்மைக்கான இதேபோன்ற அர்ப்பணிப்பைப் பிரதிபலிக்கிறது, ஆனால் மல்டிமாடல் திறன்களில் தனித்துவமான கவனம் செலுத்துகிறது. ஃபை-4 தொடர், வள-கட்டுப்படுத்தப்பட்ட சூழல்களில் செழித்து வளர வடிவமைக்கப்பட்ட இரண்டு புதுமையான மாதிரிகளை அறிமுகப்படுத்துகிறது:

• ஃபை-4-மல்டிமாடல்: இந்த 5.6 பில்லியன் அளவுரு மாதிரி ஒரு அற்புதமான சாதனையாகும், இது ஒரே நேரத்தில் பேச்சு, பார்வை மற்றும் உரையை செயலாக்க வல்லது. இந்த மல்டிமாடல் திறமை மனித-கணினி தொடர்புகளுக்கு புதிய சாத்தியங்களைத் திறக்கிறது.
• ஃபை-4-மினி: உரை அடிப்படையிலான பணிகளுக்காக வடிவமைக்கப்பட்ட இந்த 3.8 பில்லியன் அளவுரு மாதிரி அதிகபட்ச செயல்திறனுக்காக உகந்ததாக உள்ளது. இதன் சிறிய அளவு மற்றும் செயலாக்க சக்தி ஸ்மார்ட்போன்கள் மற்றும் வாகனங்கள் போன்ற குறைந்த கணக்கீட்டு வளங்களைக் கொண்ட சாதனங்களில் பயன்படுத்த ஏற்றதாக அமைகிறது.

மைக்ரோசாப்டின் ஜெனரேட்டிவ் AI-யின் துணைத் தலைவர் வெய்சு சென், ஃபை-4-மல்டிமாடலின் முக்கியத்துவத்தை வலியுறுத்துகிறார்: “ஃபை-4-மல்டிமாடல் மைக்ரோசாப்டின் AI வளர்ச்சியில் ஒரு புதிய மைல்கல்லைக் குறிக்கிறது, இது எங்கள் முதல் மல்டிமாடல் மொழி மாதிரி.” அவர் மேலும் விளக்குகிறார், இந்த மாதிரி “மேம்பட்ட கிராஸ்-மாடல் கற்றல் நுட்பங்களை” பயன்படுத்துகிறது, சாதனங்கள் “ஒரே நேரத்தில் பல உள்ளீட்டு முறைகளை புரிந்து கொள்ளவும் பகுத்தறியவும்” உதவுகிறது. இந்த திறன் “மிகவும் திறமையான, குறைந்த தாமதமான அனுமானத்தை” எளிதாக்குகிறது, அதே நேரத்தில் “சாதனத்தில் செயல்படுத்துதல் மற்றும் குறைக்கப்பட்ட கணக்கீட்டு மேல்நிலை” ஆகியவற்றை மேம்படுத்துகிறது.

ப்ரூட் ஃபோர்ஸைத் தாண்டிய ஒரு பார்வை: AI-யின் நிலையான எதிர்காலம்

சிறிய மொழி மாதிரிகளை நோக்கிய மாற்றம் வெறும் அதிகரிக்கும் மேம்பாடுகளைப் பற்றியது மட்டுமல்ல; இது AI வளர்ச்சி தத்துவத்தில் ஒரு அடிப்படை மாற்றத்தை குறிக்கிறது. IBM மற்றும் மைக்ரோசாப்ட் இரண்டும் ஒரு பார்வையை ஆதரிக்கின்றன, அங்கு செயல்திறன், ஒருங்கிணைப்பு மற்றும் உண்மையான உலக தாக்கம் ஆகியவை மூல கணக்கீட்டு சக்தியை விட முன்னுரிமை பெறுகின்றன.

IBM AI ஆராய்ச்சியின் துணைத் தலைவர் ஸ்ரீராம் ராகவன், இந்த பார்வையை சுருக்கமாகப் படம்பிடிக்கிறார்: “AI-யின் அடுத்த சகாப்தம் செயல்திறன், ஒருங்கிணைப்பு மற்றும் உண்மையான உலக தாக்கம் பற்றியது - அங்கு நிறுவனங்கள் கணக்கீட்டில் அதிக செலவு செய்யாமல் சக்திவாய்ந்த முடிவுகளை அடைய முடியும்.” இந்த அறிக்கை நிலையான AI என்பது ஒரு சுற்றுச்சூழல் கட்டாயம் மட்டுமல்ல என்பதை வளர்ந்து வரும் அங்கீகாரத்தை அடிக்கோடிட்டுக் காட்டுகிறது; இது ஒரு வணிக கட்டாயமும் கூட.

இந்த நிலையான அணுகுமுறையின் நன்மைகள் பன்முகத்தன்மை கொண்டவை:

• கடுமையாக குறைக்கப்பட்ட ஆற்றல் நுகர்வு: சிறிய மாதிரிகள் இயல்பாகவே பயிற்சி மற்றும் இயக்க குறைந்த ஆற்றல் தேவைப்படுகிறது. இது கணிசமான செலவு சேமிப்பு மற்றும் குறைக்கப்பட்ட சுற்றுச்சூழல் தாக்கத்திற்கு வழிவகுக்கிறது.
• குறைக்கப்பட்ட கார்பன் தடம்: கணக்கீட்டு தேவைகளில் குறைவு கிரீன்ஹவுஸ் வாயு வெளியேற்றத்தை குறைப்பதற்கு நேரடியாக பங்களிக்கிறது, AI வளர்ச்சியை உலகளாவிய நிலைத்தன்மை இலக்குகளுடன் இணைக்கிறது.
• மேம்படுத்தப்பட்ட அணுகல்தன்மை: சிறிய, அதிக திறன் கொண்ட மாதிரிகள் AI தீர்வுகளை சிறிய நிறுவனங்களுக்கு மிகவும் மலிவு மற்றும் அடையக்கூடியதாக ஆக்குகின்றன, இந்த மாற்றும் தொழில்நுட்பத்திற்கான அணுகலை ஜனநாயகப்படுத்துகின்றன.
• நெகிழ்வான வரிசைப்படுத்தல் விருப்பங்கள்: எட்ஜ் சாதனங்கள் மற்றும் வள-கட்டுப்படுத்தப்பட்ட சூழல்களில் மேம்பட்ட AI-ஐ இயக்கும் திறன், ஸ்மார்ட் வீடுகள் முதல் ரிமோட் சென்சிங் வரை AI பயன்பாடுகளுக்கான புதிய சாத்தியக்கூறுகளைத் திறக்கிறது.

மைக்ரோசாப்ட் மற்றும் IBM-ஆல் SLM-களின் வளர்ச்சி ஒரு தொழில்நுட்ப முன்னேற்றம் மட்டுமல்ல; அது ஒரு அறிக்கை. இது AI-க்கான மிகவும் பொறுப்பான மற்றும் நிலையான அணுகுமுறையை நோக்கிய ஒரு நகர்வைக் குறிக்கிறது, இது செயல்திறன் மற்றும் அணுகல்தன்மைக்கு முன்னுரிமை அளிக்கிறது. இந்த முன்னுதாரண மாற்றம் AI நிலப்பரப்பை மறுவடிவமைக்கத் தயாராக உள்ளது, அதை மேலும் உள்ளடக்கியதாகவும், சுற்றுச்சூழல் உணர்வுள்ளதாகவும், இறுதியில், அதிக தாக்கத்தை ஏற்படுத்துவதாகவும் ஆக்குகிறது. AI-யின் எதிர்காலம் பெரியதைப் பற்றியது அல்ல; இது புத்திசாலித்தனமான, அதிக திறன் கொண்ட மற்றும் நிலையான தீர்வுகளைப் பற்றியது.

IBM-ன் கிரானைட் மாடல்களின் ஆழமான பார்வை

IBM-ன் கிரானைட் 3.2 மாதிரிகள் திறமையான AI-க்கான தேடலில் ஒரு குறிப்பிடத்தக்க படியை முன்வைக்கின்றன. சில முக்கிய அம்சங்கள் மற்றும் நன்மைகளை இன்னும் விரிவாக ஆராய்வோம்:

இலக்கு வைக்கப்பட்ட வணிக பயன்பாடுகள்: பொது நோக்கத்திற்கான பெரிய மொழி மாதிரிகளைப் போலல்லாமல், கிரானைட் மாதிரிகள் குறிப்பாக குறிப்பிட்ட வணிக பயன்பாட்டு நிகழ்வுகளுக்காக வடிவமைக்கப்பட்டுள்ளன. இந்த இலக்கு அணுகுமுறை கட்டமைப்பு முதல் பயிற்சி தரவு வரை ஒவ்வொரு மட்டத்திலும் மேம்படுத்த அனுமதிக்கிறது. இதன் விளைவாக, அதன் நோக்கம் கொண்ட களத்தில் சிறந்து விளங்கும் ஒரு மாதிரி தேவையற்ற கணக்கீட்டு மேல்நிலையை குறைக்கிறது.

கார்டியன் பாதுகாப்பு மாதிரிகள்: இந்த மாதிரிகள், கணக்கீட்டு தேவைகளில் 30% வரை குறைப்பை அனுபவிக்கின்றன, உணர்திறன் பயன்பாடுகளில் AI-யின் பாதுகாப்பான மற்றும் நம்பகமான வரிசைப்படுத்தலை உறுதி செய்வதற்கு முக்கியமானவை. கணக்கீட்டு சுமையை குறைப்பதன் மூலம், IBM வணிகங்கள் அதிக செலவு செய்யாமல் வலுவான பாதுகாப்பு நடவடிக்கைகளை செயல்படுத்துவதை எளிதாக்குகிறது.

சிக்கலான ஆவண புரிதல்: கிரானைட் மாதிரிகள் சிக்கலான ஆவணங்களை திறமையாக செயலாக்கும் திறன் தரவு பகுப்பாய்வை பெரிதும் நம்பியிருக்கும் தொழில்களுக்கு ஒரு கேம்-சேஞ்சர் ஆகும். சட்ட ஆவணங்கள், நிதி அறிக்கைகள் அல்லது அறிவியல் ஆவணங்கள் என எதுவாக இருந்தாலும், கிரானைட் மாதிரிகள் நுண்ணறிவுகளைப் பிரித்தெடுக்கலாம் மற்றும் பணிப்பாய்வுகளை குறிப்பிடத்தக்க வேகம் மற்றும் துல்லியத்துடன் தானியக்கமாக்கலாம், இவை அனைத்தும் குறைந்தபட்ச வளங்களை உட்கொள்ளும்.

செயின் ஆஃப் தாட் பகுத்தறிவு: இந்த விருப்ப அம்சம் திறமையான AI பகுத்தறிவின் எதிர்காலத்தைப் பற்றிய ஒரு கண்கவர் பார்வையை வழங்குகிறது. சிக்கலான சிக்கல்களை சிறிய, மேலும் சமாளிக்கக்கூடிய படிகளாக உடைப்பதன் மூலம், ‘செயின் ஆஃப் தாட்’ அணுகுமுறை கிரானைட் மாதிரிகள் அவற்றின் கணக்கீட்டு செயல்முறைகளை மேம்படுத்த அனுமதிக்கிறது. இது ஆற்றல் நுகர்வை குறைப்பது மட்டுமல்லாமல், மாதிரியின் பகுத்தறிவின் விளக்கத்தையும் மேம்படுத்துகிறது, மனிதர்கள் அதன் வெளியீடுகளை புரிந்துகொள்வதையும் நம்புவதையும் எளிதாக்குகிறது.

TinyTimeMixers: 10 மில்லியனுக்கும் குறைவான அளவுருக்கள் மூலம் இரண்டு ஆண்டு முன்னறிவிப்பை அடையும் TinyTimeMixers-ன் குறிப்பிடத்தக்க திறன்கள், அதிக சிறப்பு வாய்ந்த, சிறிய மாதிரிகளின் திறனை எடுத்துக்காட்டுகின்றன. பாரம்பரிய பெரிய மொழி மாதிரிகளின் பாரிய அளவைப் பயன்படுத்தாமல் ஈர்க்கக்கூடிய செயல்திறனை அடைய முடியும் என்பதை இது நிரூபிக்கிறது.

மைக்ரோசாப்டின் ஃபை-4 குடும்பத்தை இன்னும் விரிவாக ஆராய்தல்

மைக்ரோசாப்டின் ஃபை-4 குடும்பம் திறமையான AI-க்கு வேறுபட்ட, ஆனால் சமமான கட்டாய அணுகுமுறையை எடுக்கிறது. இந்த மாதிரிகளின் தனித்துவமான பண்புகளை ஆழமாக ஆராய்வோம்:

மல்டிமாடல் திறன்கள்: ஃபை-4-மல்டிமாடலின் பேச்சு, பார்வை மற்றும் உரையை ஒரே நேரத்தில் செயலாக்கும் திறன் ஒரு குறிப்பிடத்தக்க திருப்புமுனையாகும். இது மனித-கணினி தொடர்புக்கு ஒரு புதிய எல்லையைத் திறக்கிறது, மேலும் இயற்கையான மற்றும் உள்ளுணர்வு இடைமுகங்களை அனுமதிக்கிறது. உங்கள் பேசும் கட்டளைகளைப் புரிந்துகொள்ளக்கூடிய, உங்கள் காட்சி குறிப்புகளை விளக்கும் மற்றும் எழுதப்பட்ட தகவல்களை ஒரே நேரத்தில் செயலாக்கும் ஒரு சாதனத்தை கற்பனை செய்து பாருங்கள். இது மல்டிமாடல் AI-யின் சக்தி.

கணக்கீடு-கட்டுப்படுத்தப்பட்ட சூழல்கள்: ஃபை-4-மல்டிமாடல் மற்றும் ஃபை-4-மினி இரண்டும் குறிப்பாக குறைந்த கணக்கீட்டு வளங்களைக் கொண்ட சாதனங்களுக்காக வடிவமைக்கப்பட்டுள்ளன. சக்திவாய்ந்த தரவு மையங்களுக்கு அப்பால் AI-யின் வரம்பை விரிவுபடுத்துவதற்கும் அன்றாட பயனர்களின் கைகளில் கொண்டு செல்வதற்கும் இது முக்கியமானது. ஸ்மார்ட்போன்கள், வாகனங்கள், அணியக்கூடிய சாதனங்கள் மற்றும் தொழில்துறை சென்சார்கள் கூட இப்போது மேம்பட்ட AI திறன்களால் பயனடையலாம்.

கிராஸ்-மாடல் கற்றல்: வெய்சு சென் குறிப்பிட்ட “மேம்பட்ட கிராஸ்-மாடல் கற்றல் நுட்பங்கள்” ஃபை-4-மல்டிமாடலின் திறன்களின் மையத்தில் உள்ளன. இந்த நுட்பங்கள் மாதிரி வெவ்வேறு முறைகளுக்கு இடையிலான உறவுகளைக் கற்றுக்கொள்ள அனுமதிக்கின்றன, இது பேச்சு, பார்வை மற்றும் உரையை ஒரு ஒருங்கிணைந்த வழியில் புரிந்துகொள்ளவும் பகுத்தறியவும் உதவுகிறது. இது AI அமைப்புகளை உருவாக்குவதற்கான ஒரு குறிப்பிடத்தக்க படியாகும், அவை உலகை மனிதனைப் போன்ற முறையில் உணரவும் தொடர்பு கொள்ளவும் முடியும்.

குறைந்த தாமத அனுமானம்: “குறைந்த தாமத அனுமானம்” மீதான முக்கியத்துவம் நிகழ்நேர பயன்பாடுகளுக்கு முக்கியமானது. இதன் பொருள் ஃபை-4 மாதிரிகள் தகவல்களை செயலாக்கலாம் மற்றும் பதில்களை விரைவாக உருவாக்கலாம், இது குரல் உதவியாளர்கள், தன்னாட்சி ஓட்டுநர் மற்றும் நிகழ்நேர மொழிபெயர்ப்பு போன்ற பதிலளிப்புத்திறன் முக்கியமான பயன்பாடுகளுக்கு ஏற்றதாக அமைகிறது.

சாதனத்தில் செயல்படுத்துதல்: ஃபை-4 மாதிரிகளை கிளவுட் சர்வர்களை நம்பாமல் நேரடியாக சாதனங்களில் இயக்கும் திறன் பல நன்மைகளை வழங்குகிறது. இது தாமதத்தை குறைக்கிறது, தனியுரிமையை மேம்படுத்துகிறது மற்றும் நம்பகத்தன்மையை மேம்படுத்துகிறது, ஏனெனில் மாதிரிகள் இணைய இணைப்பு இல்லாமலும் தொடர்ந்து செயல்பட முடியும்.

SLM-களின் வளர்ச்சி AI-யின் பரிணாம வளர்ச்சியில் ஒரு முக்கியமான திருப்புமுனையை குறிக்கிறது. இது “பெரியது எப்போதும் சிறந்தது” என்ற மனநிலையிலிருந்து விலகி, மிகவும் நுணுக்கமான மற்றும் நிலையான அணுகுமுறையை நோக்கிய ஒரு நகர்வு. செயல்திறன், அணுகல்தன்மை மற்றும் உண்மையான உலக தாக்கம் ஆகியவற்றிற்கு முன்னுரிமை அளிப்பதன் மூலம், மைக்ரோசாப்ட் மற்றும் IBM போன்ற நிறுவனங்கள் AI சக்திவாய்ந்ததாக மட்டுமல்லாமல் பொறுப்பானதாகவும் உள்ளடக்கியதாகவும் இருக்கும் ஒரு எதிர்காலத்திற்கு வழி வகுக்கின்றன. இந்த மாற்றம் வெறும் தொழில்நுட்ப முன்னேற்றம் மட்டுமல்ல; இது AI அனைவருக்கும் பயனளிக்கும் ஒரு எதிர்காலத்தை வடிவமைப்பதைப் பற்றியது, அதே நேரத்தில் அதன் சுற்றுச்சூழல் தடத்தை குறைக்கிறது. இது பாடுபட வேண்டிய ஒரு எதிர்காலம், மற்றும் மைக்ரோசாப்ட் மற்றும் IBM-ன் பணி அந்த திசையில் ஒரு குறிப்பிடத்தக்க படியாகும்.