مدیر عامل IBM: سهمیه بندی هوش مصنوعی راهی برای از دست دادن آهسته است

امسال، برای اولین بار، جهان پول بیشتری را صرف اجرای سیستم های هوش مصنوعی می کند تا آموزش آنها. آموزش آنها یک شرط سرمایه ای بود که توسط تعداد انگشت شماری از شرکت ها انجام شد. اجرای آنها یک هزینه عملیاتی است، و تا زمانی که سیستم در حال استفاده است، هر روز بر روی P&L همه قرار می گیرد. این سوال برای رهبران کسب و کار دیگر این نیست که آیا هوش مصنوعی کار می کند یا خیر. این است که آیا آنها می توانند آن را در مقیاس اجرا کنند یا خیر.

پاسخ تاکنون سهمیه بندی شده است. هزینه خلبانان آنقدر کم بود که هیچ کس آنها را ردیابی نکرد. تولید هزینه واقعی دارد. بنابراین، شرکت‌ها توکن‌ها را محدود می‌کنند، مترهای هزینه را روی صفحه‌نمایش قرار می‌دهند و تواناترین مدل‌ها را برای تعداد معدودی تأیید شده رزرو می‌کنند. من غریزه را درک می کنم. من مدت‌ها استدلال کرده‌ام که نظم و انضباط در انتخاب سه یا چهار پروژه متمرکز بر هوش مصنوعی و تأمین مالی مناسب آن‌ها است تا بتوانند مقیاس‌پذیر شوند، نه اجرای صد آزمایش متفاوت. اما این یک تصمیم در مورد محل خرج کردن است. سهمیه بندی تصمیمی برای کم کردن بودجه چیزی است که قبلا انتخاب کرده اید.

سهمیه بندی مولدترین فناوری که تا به حال در دستان خود قرار داده اید راهی برای از دست دادن آهسته است.

در عوض، برنده شدن در اقتصاد هوش مصنوعی سازمانی با سه سوال تعیین می‌شود: چه چیزی باعث افزایش هزینه می‌شود؟ چه کسی قیمت را تعیین می کند؟ و در واقع چه چیزی خرج می کنید؟

اول، چه چیزی باعث هزینه می شود؟ پاسخ ساده است: مهندسی انجام می دهد. عوامل هوش مصنوعی، مانند نرم‌افزارهایی که می‌نویسند، برای هر کلمه‌ای که می‌نویسند، تقریبا 600 کلمه می‌خوانند. و از آنجایی که تقریبا تمام این خواندن‌ها تکراری است، شرکت‌ها واقعا برای بازخوانی مجدد اسناد خود هزینه می‌کنند. اینترنت تجاری نیز همین مشکل را داشت. مقرون به صرفه شد نه به این دلیل که پهنای باند ارزان شد، بلکه به این دلیل که صنعت ارسال مکرر داده های مشابه را در سراسر شبکه متوقف کرد. همین اصلاح برای هوش مصنوعی کار می کند.

در یک پروژه منبع باز که آی‌بی‌ام به ساخت آن با Red Hat و Google کمک کرد، این سیستم آنچه را که هوش مصنوعی قبلا خوانده است نگه می‌دارد و هر درخواست را به دستگاهی که قبلا آن را در اختیار دارد ارسال می‌کند. در سیستم‌های خودمان، 98 درصد از آنچه که هوش مصنوعی نیاز داشت در حافظه پنهان بود، بنابراین تراشه‌ها به جای تکرار کارهای قدیمی، وقت خود را صرف کارهای جدید کردند. با حافظه پنهان و سایر بهینه‌سازی‌هایی که به تراشه‌ها اجازه می‌دهد به صورت موازی کار کنند، همان سخت‌افزار هفت برابر کار بیشتری انجام می‌دهد. این نرم افزار متن باز است و امروزه هر شرکتی می تواند از آن استفاده کند. ذخیره سازی تنها تکنیک بهینه سازی نیست که مهندسان باهوش به آن دست پیدا خواهند کرد.

مجموعه ای از آنها که به طور مداوم روی آنها کار شده است، چیزی است که منحنی هزینه هوش مصنوعی را خم می کند.

دوم اینکه چه کسی قیمت را تعیین می کند؟ اکنون هر تامین‌کننده بزرگ هوش مصنوعی، زمانی که داده‌های مشتری بازخوانی می‌شود، تخفیف ارائه می‌کند و این مورد استقبال قرار می‌گیرد. اما تخفیف در پلتفرم شخص دیگری قیمتی است که آنها تعیین می‌کنند و می‌توانند آن را اصلاح کنند، در حالی که همان بهره‌وری که در زیرساخت‌هایی که شما کار می‌کنید، ساختار هزینه‌ای است که متعلق به شماست. اکثر بودجه های هوش مصنوعی فرض می کنند که نتایج جدی به جدیدترین مدل در جدیدترین تراشه ها نیاز دارد. هیچ کدام درست نیست. مدل‌های بسیار توانمند اکنون با وزنه‌های باز موجود هستند و می‌توانند روی زیرساخت‌هایی که شما کنترل می‌کنید اجرا شوند.

برای سهم فزاینده ای از کار، اجرای آنها در آنجا برای مدیریت هزینه ضروری است. در یکی از آزمایش‌های اخیر روی سیستم‌های خودمان، IBM یک مدل وزن باز اجرا کرد تا 3000 عامل هوش مصنوعی را به طور همزمان تامین کند. در یکی از وظایف آن سیستم، طراحی سخت افزار برای تصحیح خطای کوانتومی، مدل باز یک افزایش سرعت طراحی 52 برابری را به قیمت 26 دلار در هزینه استنتاج ارائه کرد. یک مدل انحصاری پیشرو طراحی بهتری را تولید کرد - یک افزایش سرعت 204 برابری - با قیمت 299 دلار یا بیش از 10 برابر هزینه حتی با تخفیف داده های حافظه پنهان. درس این نیست که هر بار کاری به مدل های باز تعلق دارد.

هنگامی که صدها نامزد اولیه را بررسی می کنید، 26 دلار اجرا ابزار مناسبی است. هنگامی که تراشه را نهایی می کنید، 299 دلار را پرداخت می کنید. شما باید تصمیم بگیرید که کدام کار کجا و بر اساس شرایط اجرا شود. انتخاب مدل هایی که برای هدف مناسب هستند راه دیگری برای کاهش هزینه ها است.

سوم اینکه چی خرج میکنی؟ شرکت‌ها عادت کرده‌اند که فناوری را در برابر واحدهایی که می‌توانند بشمارند کنترل کنند: یک سرور، یک مجوز، یک صندلی، یک ساعت CPU. حتی مخارج ابری متغیر زنجیره ای خوانا دارد: یک برنامه اجرا می شود، زیرساخت مصرف می شود، و وقتی مشتریان بیشتری ظاهر می شوند، صورتحساب افزایش می یابد. هوش مصنوعی این زنجیره را می شکند زیرا یک ماشین احتمالی است. یک درخواست ممکن است یک بار دو سنت و بار دیگر دو دلار هزینه داشته باشد، زیرا سیستم مسیر متفاوتی را برای رسیدن به همان پاسخ در پیش گرفته است. آن را بدون کنترل اجرا کنید و هیچ کس در شرکت شما تصمیم نمی گیرد که کار چقدر هزینه دارد. دستگاه است.

به همین دلیل است که سیستم‌هایی که بالاتر از مدل ساخته شده‌اند اهمیت دارند: آنها عامل‌ها را قابل اعتمادتر می‌کنند، ابزارها و داده‌هایی را که می‌توانند لمس کنند محدود می‌کنند و هزینه‌ها را قابل پیش‌بینی نگه می‌دارند. هدف ارزان ترین نشانه نیست. این بالاترین بازده نماد است: بیشترین ارزش برای هر دلار خرج شده است.

هر سه سوال در یک مکان قرار می گیرند. بین داده‌های شما و مدل‌های شما، یک لایه عامل هوش مصنوعی قرار دارد که سیستم‌هایی را که هرگز برای صحبت با یکدیگر ساخته نشده‌اند، به هم متصل می‌کند، تعیین می‌کند که افراد و عواملی که می‌توانند از چه مدل‌هایی استفاده کنند، و هر کدام چه می‌توانند ببینند و انجام دهند، تصمیم می‌گیرد که حجم کاری هوش مصنوعی بر اساس ارزش و اقتصاد کجا اجرا شود، و رکوردی را که روزی یک تنظیم‌کننده درخواست خواهد کرد، حفظ می‌کند. این لایه جایی است که قابلیت های IBM برای مشتریان ما جمع می شود. ما اطمینان می دهیم که شما صاحب آن لایه هستید، بنابراین شما صاحب اقتصاد هوش مصنوعی هستید.

هزینه هوش مصنوعی نتیجه نحوه استقرار آن و جایگاه ارزش آن است. مقدار زیادی از این ارزش در داخل شرکت شما قرار دارد. تقریبا چهار پنجم داده‌های سازمانی بدون ساختار و عمدتا دست نخورده هستند و در اینترنت باز نیستند. این در تاریخچه مطالبات یک بیمه‌گر، پرونده تعهدنامه یک بانک، سوابق بیمار یک بیمارستان، تله متری ناوگان هواپیما قرار دارد. این داده‌ها بسیار بزرگ، بیش از حد تنظیم‌شده و بیش از حد در سیستم‌هایی جاسازی شده‌اند که نمی‌توانند برای ارسال به هر جایی که فروشنده ترجیح می‌دهد آن‌ها را پردازش کند، متوقف شود. بنابراین هوش باید به داده ها برسد.

این به همان اندازه که به قیمت تمام شده مربوط به حاکمیت و امنیت است.

آنچه واقعا پرداخت می کنید باید در داخل شرکت خودتان تصمیم گیری شود. آزمایشگاه‌های مرزی هزینه مدل‌های خود را کاهش می‌دهند، اما این فقط کف را تعیین می‌کند. اگر تامین کننده شما لایه عامل هوش مصنوعی را ساخته است، پس این یک کنترل نیست. یک متر است خودتان آن لایه را در اختیار داشته باشید و می توانید از عهده اجرای هوش مصنوعی در مقیاس برآیید. شما کسی خواهید بود که منحنی هزینه هوش مصنوعی را خم می کنید.

نظرات بیان شده در نظرات Fortune.com صرفا نظرات نویسندگان آنها است و لزوما منعکس کننده نظرات و اعتقادات Fortune نیست.

این داستان در ابتدا در سایت Fortune.com منتشر شد