در اکتبر 2023، بیش از یک چهارم درخواستها به روتر مدلهای هوش مصنوعی Vercel به مدلهای تصمیمگیری اختصاص داشت، نه به LLMهای سنتی. این یک پیشرفت قابل توجه برای فناوری است که تنها یک ماه قبل ظهور کرده بود. مدلهای تصمیمگیری، در اصل، LLMهای تخصصی هستند که توکنهای متنی تولید نمیکنند، بلکه به سرعت و با صرفهجویی از بین گزینههای از پیش تعیین شده انتخاب میکنند و در عین حال سطح اطمینان خود را در انتخاب ارزیابی میکنند. ارزش آنها به ویژه در محیطهای تولیدی بالا است، جایی که سرعت تصمیمگیری اغلب مهمتر از توجیهات دقیق است که مدلهای «مرزی» کندتر و گرانتر ارائه میدهند.
پدیده Jev: رهبر بازار و بازیگران جدید
تسلط بر بازار و رشد سریع
شرکت TypeSafe به لطف خط تولید مدلهای Jev خود که همچنان بر بازار تسلط دارند، به سرمایهای معادل 7.5 میلیارد دلار دست یافته است. تنها در هفته گذشته، سرویس OpenRouter بیش از 1.5 میلیارد درخواست را برای مدلهای TypeSafe پردازش کرده است.
با این حال، سادگی ایجاد چنین مدلهایی منجر به ظهور دهها نمونه مشابه بلافاصله پس از عرضه Jev شد. یکی از مهندسان آمازون مدل خود را در آخر هفته توسعه داد و به زودی هر ارائهدهنده بزرگ خدمات ابری راهحل خود را ارائه کرد.
ورود غولها: Microsoft Decision-1.1
اخیراً، ساتیا نادلا، مدیرعامل مایکروسافت، از راهاندازی فوری مدل تصمیمگیری خود، Microsoft-Decision-1.1، برای استفاده گسترده در پلتفرم Azure خبر داد. این موضوع بر اهمیت استراتژیک این جهتگیری برای غولهای فناوری تأکید میکند.
نوآوریهای استارتاپها: Sqwish و رویکرد به دادهها
جذب سرمایه و پیشنهاد منحصر به فرد
استارتاپ بریتانیایی Sqwish، توسعهدهنده مدل تصمیمگیری kettei fat، از جذب 3 میلیون دلار در دور پیشبذری خبر داد. بنیانگذاران مشترک، اوشنیش سنگوپتا و فدریکا فردی، که در دوران تحصیل در کمبریج با یکدیگر آشنا شدند، در ابتدا LLMهای کوچکی را توسعه میدادند، اما با ظهور Jev، پتانسیل معماریهای خود را برای ایجاد مدلهای تصمیمگیری قدرتمند درک کردند.
نقش دادهها و سفارشیسازی
کلید موفقیت در این دسته از مدلها، دادهها هستند. دیوگو آلمیدا، مدیرعامل TypeSafe، به TechCrunch گفت که دشوارترین بخش ایجاد Jev، کالیبراسیون دقیق قضاوتهای آن با استفاده از دادههای مصنوعی تنظیمشده آماری بود.
Sqwish همچنین با دادههای مصنوعی کار میکند، اما پیشنهاد منحصر به فرد آنها ابزارهای داخلی برای پس از آموزش است که به مشتریان امکان میدهد از دادههای خود برای بهبود دقت مدل استفاده کنند.
اوشنیش سنگوپتا، مدیرعامل Sqwish، در مصاحبه با TechCrunch اظهار داشت: «ما با ارائه همان قدرت به مشتریانمان از رقبا متمایز میشویم… آنها میتوانند به آپلود دادههای تولیدی خود ادامه دهند، و درست همانطور که ما مدلهای خود را آموزش دادیم، مدلهای آنها نیز میتوانند به طور مداوم در وظایفی که برایشان مهم است بهبود یابند.»
انتخاب و ارزیابی مدلها: آنچه واقعاً مهم است
مزیت موارد واقعی نسبت به بنچمارکها
ارزیابی مدلهای تصمیمگیری کار آسانی نیست. مدل kettei fat از Sqwish در برخی آزمایشها نتایج خوبی نشان داده است، اما اکثر توسعهدهندگان معتقدند که کارایی واقعی تنها در عمل مشخص میشود.
توسعهدهندگان میتوانند به راحتی یک مدل را با مدل دیگر جایگزین کنند تا عملکرد آن را در یک زمینه خاص ارزیابی کنند.

سنگوپتا میگوید: «بنچمارک بیشتر یک دعوت برای امتحان مدل است، و تنظیم دقیق مداوم دلیلی است که آنها باید با ما بمانند.»
مدل Microsoft Decision 1.1 نیز نتیجه تعادل دقیق بین هزینه، تأخیر، هوش و کالیبراسیون است. آچینت شریواستاوا، معاون مهندسی که رهبری این پروژه را بر عهده داشت، موافق است که تمرکز بیش از حد بر بنچمارکها یک اشتباه است.
شریواستاوا در یک ایمیل نوشت: «ما میبینیم که مدلهای «حداکثر تست شده» در استفاده واقعی سازمانی خیلی سریع شکست میخورند. آزمایشهای ما نشان میدهد که چقدر دشوار است که دقت، قابلیت اطمینان، سرعت و مقرون به صرفه بودن را در یک مدل تضمین کنیم. Microsoft-Decision-1.1 و Jev از معدود مدلهایی هستند که در هر چهار پارامتر نتایج بالایی را نشان میدهند، حتی هنگام ارزیابی بر روی بنچمارکهای «به تعویق افتاده» یا قبلاً دیده نشده که سناریوهای استفاده واقعی را منعکس میکنند.»
آینده مدلهای تصمیمگیری: همزیستی با LLM
برای استارتاپهایی مانند Sqwish، رقابت با غولها فرصتهای جدیدی را ایجاد میکند. فردی پیشبینی میکند که در آینده سیستمها «هوش سیستم یک» (مدلهای تصمیمگیری) را با «هوش سیستم دو» (LLMهای مرزی) ترکیب خواهند کرد. این امر امکان ایجاد راهحلهای هوش مصنوعی کارآمدتر و چند منظوره را فراهم میکند. درباره ارتقاء محتوای ویدیویی بیشتر بدانید.
سوالات متداول
مدلهای تصمیمگیری چیستند؟
اینها مدلهای هوش مصنوعی تخصصی هستند که بر اساس معماری LLM ساخته شدهاند، اما برای انتخاب سریع و مقرونبهصرفه از بین گزینههای داده شده به جای تولید متن، بهینهسازی شدهاند. آنها همچنین میزان اطمینان خود را نسبت به تصمیم گرفته شده ارزیابی میکنند.
چه تفاوتی با LLMهای سنتی دارند؟
تفاوت اصلی در هدف است: LLMها محتوا تولید میکنند، در حالی که مدلهای تصمیمگیری گزینه بهینه را انتخاب میکنند. اولیها کندتر و نیازمند منابع بیشتری هستند، دومیها برای وظایف خاص سریع و کارآمد هستند.
نقش سفارشیسازی در این مدلها چیست؟
سفارشیسازی، یعنی امکان آموزش مجدد مدلها با دادههای مشتری، به یک عامل کلیدی موفقیت تبدیل میشود. این امر به طور قابل توجهی دقت و ارتباط تصمیمات را در زمینههای تجاری خاص افزایش میدهد.
نتیجهگیری
مدلهای تصمیمگیری به سرعت در حال تغییر چشمانداز هوش مصنوعی هستند و سرعت و کارایی بیسابقهای را در خودکارسازی عملیات حیاتی به کسبوکارها ارائه میدهند. اگر به دنبال بهینهسازی فرآیندهای خود و کاهش «سردرد» ناشی از تصمیمات روتین هستید، این فناوریها شایسته توجه دقیق هستند.
ما تبلیغات جامع از طریق ویدئوهای کوتاه را ارائه میدهیم، از جمله ایجاد محتوا و انطباق آن برای پلتفرمهای مختلف، تا شما بتوانید بر روی وظایف استراتژیک تمرکز کنید. با ما تماس بگیرید تا بدانید چگونه میتوانیم به شما در ادغام راهحلهای پیشرفته هوش مصنوعی در استراتژی بازاریابی ویدیویی خود کمک کنیم و همه چیز را در یک مکان سفارش دهید، با صرفهجویی در بودجه و اعصاب.
