مقدمه: چرا سانفرانسیسکو هنوز قلب تپنده هوش مصنوعی است؟
در سه روز فشرده در سانفرانسیسکو، با مهندسان، بنیانگذاران استارتآپ و مدیران محصول شرکتهای بزرگ دیدار کردم. هر گفتگو یک لایه جدید از واقعیتهای بازار هوش مصنوعی را آشکار کرد؛ از هزینههای پنهان آموزش مدلها تا تغییر الگوی استخدام در شرکتهای فناوری.
ده نکتهای که در ۷۲ ساعت شنیدم
اینجا خلاصهای از مهمترین حرفهایی است که بارها تکرار شد و میتواند راهنمای تصمیمگیری تیمهای محصول و سرمایهگذاران باشد.
- بیشتر استارتآپها به جای آموزش مدل از پایه، از API مدلهای بزرگ استفاده میکنند تا هزینه و زمان بازار را کاهش دهند.
- سرمایهگذاران به جای «اندازه مدل» به «هزینه استنتاج به ازای هر کاربر» توجه میکنند.
- شرکتهای بزرگ در حال ساخت «لایه واسط» اختصاصی هستند تا وابستگیشان به ارائهدهندگان مدل کم شود.
- استخدام مهندس یادگیری ماشین سختتر شده، اما تقاضا برای مهندس «ارزیابی و ایمنی مدل» به شدت بالا رفته است.
- بسیاری از تیمها معتقدند «سرعت تکرار» مهمتر از «دقت مطلق» مدل است.
- نگرانی اصلی مدیران محصول، «قابلیت توضیحپذیری» خروجی مدل به ذینفعان غیرفنی است.
- چند شرکت در حال آزمایش مدلهای متنباز برای کاهش هزینه مجوز و کنترل بیشتر روی دادهها هستند.
- سرمایهگذاران به دنبال تیمهایی هستند که «حلقه بازخورد کاربر» را در محصول خود تعبیه کرده باشند.
- موضوع «حق نشر دادههای آموزشی» هنوز در قراردادها مبهم است و میتواند ریسک حقوقی ایجاد کند.
- تقریباً همه معتقدند که «ترکیب مدل کوچک و سریع با مدل بزرگ و کند» در عمل موفقتر از استفاده از یک مدل واحد است.
درسهایی برای تیمهای ایرانی
با توجه به تحریمها و هزینه بالای API خارجی، تیمهای ایرانی میتوانند روی بهینهسازی «هزینه استنتاج» و استفاده از مدلهای متنباز متمرکز شوند. همچنین ایجاد «لایه واسط» و «حلقه بازخورد کاربر» دو حوزهای است که بدون نیاز به منابع عظیم قابل اجرا هستند و مزیت رقابتی ایجاد میکنند.
پرسشهای پرتکرار
مهمترین معیار سرمایهگذاران برای ارزشگذاری استارتآپهای هوش مصنوعی چیست؟
آنها بیشتر به «هزینه استنتاج به ازای هر کاربر» و «سرعت تکرار» توجه میکنند تا اندازه مدل.
تیمهای ایرانی چگونه میتوانند هزینه استفاده از هوش مصنوعی را کاهش دهند؟
با تمرکز بر مدلهای متنباز، بهینهسازی هزینه استنتاج و ساخت لایه واسط اختصاصی میتوان وابستگی به API خارجی را کم کرد.