Η κούρσα για την κυριαρχία στην τεχνητή νοημοσύνη δεν περιορίζεται πλέον στην ανάπτυξη ολοένα και ισχυρότερων μοντέλων. Επεκτείνεται και στις μεθόδους με τις οποίες οι εταιρείες αποκτούν ή αναπαράγουν προηγμένες δυνατότητες λογισμικού, προκαλώντας έντονες αντιπαραθέσεις σε τεχνολογικό, επιχειρηματικό αλλά και γεωπολιτικό επίπεδο.
Σε αυτό το πλαίσιο, η αμερικανική Anthropic, μία από τις ταχύτερα αναπτυσσόμενες εταιρείες του κλάδου και βασικός ανταγωνιστής κολοσσών όπως η Google και η OpenAI, κατηγορεί τον κινεζικό όμιλο Alibaba ότι αξιοποίησε παράνομα την τεχνολογία της μέσω της λεγόμενης «απόσταξης γνώσης» (knowledge distillation). Η υπόθεση έχει στρέψει τα βλέμματα σε μια τεχνική που θεωρείται ιδιαίτερα χρήσιμη για την ανάπτυξη πιο αποδοτικών μοντέλων τεχνητής νοημοσύνης.
Τι είναι η «απόσταξη γνώσης»
Η «απόσταξη γνώσης» αποτελεί μία από τις σημαντικότερες τεχνικές εκπαίδευσης μοντέλων τεχνητής νοημοσύνης. Βασική της αρχή είναι ότι ένα μικρότερο και λιγότερο απαιτητικό υπολογιστικά μοντέλο εκπαιδεύεται ώστε να αναπαράγει όσο το δυνατόν πιστότερα τις δυνατότητες ενός πολύ μεγαλύτερου και ισχυρότερου συστήματος.
Στόχος της διαδικασίας είναι να διατηρηθεί υψηλή ακρίβεια στις απαντήσεις, περιορίζοντας ταυτόχρονα το μέγεθος του μοντέλου, τις απαιτήσεις σε υπολογιστική ισχύ, τον χρόνο απόκρισης και το συνολικό κόστος λειτουργίας. Η τεχνική αυτή έχει αποκτήσει ιδιαίτερη σημασία καθώς οι ανάγκες της αγοράς απαιτούν ολοένα και ταχύτερες και οικονομικότερες εφαρμογές τεχνητής νοημοσύνης.
Ο «δάσκαλος» και ο «μαθητής»
Η διαδικασία βασίζεται στη συνεργασία δύο διαφορετικών μοντέλων.
Το πρώτο είναι το μοντέλο-«δάσκαλος», δηλαδή ένα ήδη εκπαιδευμένο μεγάλο γλωσσικό μοντέλο (LLM), το οποίο διαθέτει εξαιρετικά υψηλή ακρίβεια αλλά απαιτεί ισχυρές υποδομές, μεγάλους εξυπηρετητές και εξειδικευμένες μονάδες επεξεργασίας γραφικών για να λειτουργήσει αποτελεσματικά.
Το δεύτερο είναι το μοντέλο-«μαθητής», ένα σημαντικά μικρότερο και ελαφρύτερο σύστημα, το οποίο σχεδιάζεται ώστε να προσφέρει αντίστοιχες λειτουργίες με πολύ χαμηλότερες απαιτήσεις σε υπολογιστικούς πόρους.
Η ουσία της διαδικασίας βρίσκεται στο ότι ο «μαθητής» δεν περιορίζεται στην εκμάθηση των σωστών απαντήσεων από τα αρχικά δεδομένα εκπαίδευσης. Αντίθετα, χρησιμοποιεί τις προβλέψεις, τις πιθανότητες και τις αξιολογήσεις που παράγει το μεγαλύτερο μοντέλο.
Με αυτόν τον τρόπο δεν αντιγράφει απλώς το τελικό αποτέλεσμα, αλλά αποκτά μια εικόνα του τρόπου με τον οποίο το προηγμένο σύστημα αξιολογεί διαφορετικές πιθανές απαντήσεις και καταλήγει στην τελική επιλογή του. Ουσιαστικά επιχειρεί να αναπαράγει τη «λογική» και τον τρόπο λήψης αποφάσεων του μοντέλου-δασκάλου.
Η συγκεκριμένη τεχνική έχει καθιερωθεί επειδή προσφέρει σημαντικά πλεονεκτήματα τόσο στις εταιρείες ανάπτυξης λογισμικού όσο και στους τελικούς χρήστες.
Τα μικρότερα μοντέλα μπορούν να επεξεργάζονται δεδομένα και να παράγουν απαντήσεις πολύ γρηγορότερα από τα αντίστοιχα μεγάλα γλωσσικά μοντέλα, γεγονός που βελτιώνει σημαντικά την εμπειρία χρήσης.
Η μικρότερη καθυστέρηση αποτελεί κρίσιμο πλεονέκτημα για εφαρμογές που απαιτούν άμεση απόκριση, όπως οι ψηφιακοί βοηθοί, τα συστήματα εξυπηρέτησης πελατών και οι εφαρμογές πραγματικού χρόνου.
Μικρότερες απαιτήσεις σε υπολογιστική ισχύ
Ένα ακόμη σημαντικό πλεονέκτημα αφορά τη δυνατότητα λειτουργίας προηγμένων εφαρμογών τεχνητής νοημοσύνης σε συσκευές με περιορισμένους πόρους.
Χάρη στην «απόσταξη γνώσης», υπηρεσίες AI μπορούν να ενσωματωθούν σε κινητά τηλέφωνα, tablets, φορητούς υπολογιστές, έξυπνες συσκευές και άλλες εφαρμογές όπου δεν υπάρχουν οι υποδομές που απαιτούν τα μεγάλα μοντέλα.
Αυτό διευρύνει σημαντικά το εύρος των πιθανών εφαρμογών και επιτρέπει την αξιοποίηση της τεχνητής νοημοσύνης σε καθημερινές συσκευές.
Η λειτουργία ενός μικρότερου μοντέλου απαιτεί αισθητά λιγότερη επεξεργαστική ισχύ και καταναλώνει πολύ λιγότερη ενέργεια.
Για τις επιχειρήσεις αυτό μεταφράζεται σε χαμηλότερο λειτουργικό κόστος, μικρότερες ανάγκες για υποδομές και μεγαλύτερη δυνατότητα ανάπτυξης υπηρεσιών σε μεγάλη κλίμακα. Παράλληλα, η μειωμένη κατανάλωση πόρων συμβάλλει και στη βελτίωση της ενεργειακής αποδοτικότητας των συστημάτων τεχνητής νοημοσύνης.
Καθώς η παγκόσμια αγορά AI εξελίσσεται με ταχύτατους ρυθμούς, η «απόσταξη γνώσης» θεωρείται πλέον μία από τις πιο κρίσιμες τεχνικές για τη διάδοση προηγμένων εφαρμογών σε ευρύτερο κοινό. Την ίδια στιγμή, όμως, η αξιοποίησή της βρίσκεται ολοένα και συχνότερα στο επίκεντρο έντονων νομικών και εμπορικών αντιπαραθέσεων, καθώς εγείρονται ερωτήματα για τα όρια μεταξύ θεμιτής τεχνολογικής εξέλιξης, αξιοποίησης υφιστάμενης γνώσης και πιθανής παραβίασης πνευματικής ιδιοκτησίας.
Διαβάστε ακόμη
Η αγορά του νερού αλλάζει πίστα – Η Veolia, η Suez και οι μεγάλοι ελληνικοί όμιλοι υποδομών
Υπεράκτια αιολικά: Δεσμεύεται ηλεκτρικός χώρος για έργα 2,35 GW
Οι λογογράφοι: Οι άνθρωποι πίσω από τις ομιλίες των πολιτικών
Για όλες τις υπόλοιπες ειδήσεις της επικαιρότητας μπορείτε να επισκεφτείτε το Πρώτο Θέμα
Σχολίασε εδώ
Για να σχολιάσεις, χρησιμοποίησε ένα ψευδώνυμο.