En raison de toutes les promesses de l’IA, la plupart des entreprises qui l’utilisent n’offrent toujours pas de valeur réelle à leurs clients ou à eux-mêmes. Il est maintenant temps de cesser de généraliser et de commencer à penser plus petit, car les investisseurs veulent voir le retour sur investissement dans les investissements en IA.
Au lieu de construire un modèle épique visant à réaliser tous les exploits, les entreprises qui recherchent une argent d’or de l’IA devraient envisager de pivoter vers un modèle centralisé conçu pour une tâche particulière. En attaquant des problèmes singuliers avec de nouvelles solutions, les innovateurs peuvent créer des modèles puissants et innovants avec moins de paramètres, moins de données et moins de puissance.
Avec des milliards de dollars dépensés pour l’ingénierie de l’IA, l’écaillage, la formation et les centres de données, les petites formes d’IA peuvent déplacer l’industrie plus sûre, plus durable et plus efficacement. De plus, il est possible de fournir cette possibilité avec une variété de manières grâce à des services dans des modèles de produits généralistes, tels que les modèles généralistes de produits, les systèmes recherchés, les adaptations de faible rang et le réglage fin.
Qu’est-ce qui est si mal dans Big IA?
Bien que certains amateurs de technologie puissent s’ennuyer du mot «petit», en ce qui concerne l’IA, être petit ne signifie pas insignifiant et n’est pas nécessairement mieux. Des modèles comme le GPT-4 d’Openai, les Gémeaux de Google, Mistral Ai de Mistral, Meta’s Llama 3, ou le sacrifice de l’humanité de l’humanité à construire.
Malgré les grands acteurs qui dominent le domaine, leurs modèles de base généralisés sexy et fabriqués par la tête semblent bien fonctionner sur certains repères, mais il n’est pas clair si cette performance deviendra monnaie courante pour une valeur réelle en termes de productivité ou de similitude.
En revanche, l’IA ciblée répondant à un cas d’utilisation ou un problème particulier est moins cher, plus rapide et plus facile à construire. Il s’agit de comprendre comment les modèles d’IA réussis reposent sur des données de haute qualité, bien gérées et d’origine éthique, qui ont toutes un impact sur les performances du modèle. Ce défi est essentiel pour pourquoi plus de 80% des projets d’IA échouent, donc la formation d’un modèle plus ciblé nécessite moins de paramètres et beaucoup moins de données et de calculs de puissance.
Ce n’est pas une discussion sur l’IA verte, mais une discussion qui ramène le réalisme au cycle de battage médiatique de l’IA. Même si le modèle lui-même est grand et unique, plus il devient concentré, plus le nombre de sorties possibles à considérer et plus il est facile de gérer. Avec moins de longueur de jeton, les modèles optimisés pour une tâche particulière s’exécutent plus rapidement, avec moins de données, très robuste et performant.
Fournir une petite IA n’a pas à être contraint
L’IA dans l’agriculture étant déjà évaluée à plus d’un milliard de dollars par an, des innovateurs comme Bonsai Robotics débloquent de nouvelles efficacités en optimisant leur technologie pour lutter contre des cas d’utilisation spécifiques. Bonsai utilise des modèles d’IA brevetés, des données puissantes et des logiciels de vision informatique pour améliorer les systèmes autonomes pour la sélection et la sélection dans des environnements difficiles. L’algorithme de Bonsai repose sur un grand ensemble de données toujours mis à jour, mais ce blazer physique de la trail a été exploité comme solution d’agriculture de précision de la percée AgTech de cette année.
Même les principaux joueurs technologiques travaillent pour concentrer leurs produits d’IA sur des modèles plus petits et plus puissants.
Microsoft utilise actuellement Power Copilot, une suite de petits outils d’IA intégrés dans ses produits, en utilisant la technologie GPT d’OpenAI. Ces modèles sont davantage axés sur les logiciels, le codage et les modèles communs, ce qui les rend plus faciles à modifier et à mieux générer du contenu personnalisé, à résumer les fichiers, la reconnaissance des modèles et l’activité d’automatisation via des invites.
Lorsque vous publiez un agent Chatgpt de niveau PhD, OpenAI projette un grand retour, idéalement, un jour, nous utilisons tous nos données personnelles sans inciter. Malgré les problèmes de confidentialité et de sécurité, c’est un avenir ambitieux.
Le saut de l’endroit où nous sommes maintenant où nous pouvons aller semble être une chose énorme, mais la construire un peu est une approche à risque plus claire et plus faible que de supposer un grand monolithe est la réponse.
Au lieu d’assistants médiocres coûteux qui sont à la maison en fonction de la spécificité, qui sont grasses avec des paramètres, mangent de grands ensembles de données et ne peuvent toujours pas bien se faire, ils peuvent constituer une équipe croissante et agile de modèles spécialisés qui augmenteront notre travail de plus en plus.
Comment une petite IA empêche les bulles d’éclater
En créant des infrastructures informatiques plus légères axées sur les bonnes données, les entreprises peuvent maximiser pleinement le potentiel de résultats révolutionnaires de l’IA, ce qui réduit même les coûts économiques et environnementaux incommensurables de la technologie.
De tout le battage médiatique sur les énormes modèles de technologies de grande technologie qui se battent pour l’IA et les gros titres, le long arc de l’innovation s’est toujours appuyé sur les avancées progressives et pratiques. Avec des données au cœur des modèles qui changent réellement de notre monde, une petite et concentrée sur l’IA promet des solutions plus rapides, plus durables et rentables, ce qui entraîne à la fois les investisseurs et les utilisateurs fournissant un retour sur investissement indispensable de l’IA.
Les opinions exprimées dans le commentaire sur Fortune.com sont les vues de leurs auteurs et ne reflètent pas nécessairement les opinions et les croyances de la bonne fortune.
