Google Cloud-ის AI მიმართულების ხელმძღვანელი მოდელების განვითარების სამ მთავარ გამოწვევაზე საუბრობს

ხელოვნური ინტელექტის განვითარების ახალი ეტაპი

Google Cloud-ის პროდუქტების ვიცე-პრეზიდენტი, მაიკლ გერსტენჰაბერი, ძირითადად Vertex AI-ზე მუშაობს — კომპანიის ერთიან პლატფორმაზე, რომელიც კორპორაციული ხელოვნური ინტელექტის დანერგვისთვისაა შექმნილი. მისი პოზიცია საშუალებას იძლევა, მაღალი დონიდან დავინახოთ, თუ როგორ იყენებენ კომპანიები რეალურად AI მოდელებს და რა არის საჭირო „აგენტური“ ხელოვნური ინტელექტის (agentic AI) პოტენციალის სრულად გამოსავლენად.

გერსტენჰაბერის ხედვით, ხელოვნური ინტელექტის მოდელები ერთდროულად სამ მიმართულებას ანუ „საზღვარს“ უპირისპირდებიან: სუფთა ინტელექტს, რეაგირების დროს და მესამე ხარისხს, რომელიც ნაკლებად ეხება შესაძლებლობებს და უფრო მეტად დაკავშირებულია ხარჯებთან — კერძოდ, შეუძლია თუ არა მოდელს იმუშაოს საკმარისად იაფად მასშტაბური და არაპროგნოზირებადი დატვირთვის პირობებში. ეს არის მოდელის შესაძლებლობების აღქმის ახალი გზა, რაც განსაკუთრებით ღირებულია მათთვის, ვინც ცდილობს ინოვაციური მოდელების ახალი მიმართულებით განვითარებას.

Google-ის როლი და ვერტიკალური ინტეგრაცია

მაიკლ გერსტენჰაბერი, რომელსაც AI სფეროში მუშაობის ორწლიანი გამოცდილება აქვს (აქედან წელიწადნახევარი Anthropic-ში, ხოლო ბოლო ნახევარი წელი Google-ში), ხელმძღვანელობს Vertex-ს — Google-ის დეველოპერულ პლატფორმას. მომხმარებელთა უმეტესობა ინჟინერია, რომლებიც საკუთარ აპლიკაციებს ქმნიან და სჭირდებათ წვდომა აგენტურ პლატფორმებზე, ასევე მსოფლიოში ყველაზე ჭკვიანი მოდელების დასკვნის (inference) პროცესებზე.

Google-ის უნიკალურობა მდგომარეობს იმაში, რომ კომპანია ფლობს სრულ ციკლს — ინტერფეისიდან ინფრასტრუქტურულ შრემდე. ეს მოიცავს:

• მონაცემთა ცენტრების მშენებლობას და ენერგორესურსების მართვას;
• საკუთარი ჩიპების წარმოებას;
• საკუთარი მოდელების განვითარებას;
• დასკვნის (inference) შრის კონტროლს;
• აგენტური შრის მართვას;
• API-ებს მეხსიერებისა და კოდის წერისთვის;
• აგენტურ ძრავას, რომელიც უზრუნველყოფს შესაბამისობასა და მართვას (governance);
• ჩატის ინტერფეისებს Gemini Enterprise-ისა და მომხმარებლებისთვის განკუთვნილი Gemini-ს სახით.

მოდელების შესაძლებლობების სამი საზღვარი

მიუხედავად იმისა, რომ წამყვანი ლაბორატორიების შესაძლებლობები ერთმანეთთან ახლოსაა, გერსტენჰაბერი გამოყოფს სამ ძირითად მიმართულებას, სადაც მოდელები ვითარდება:

1. სუფთა ინტელექტი (Raw Intelligence)

მოდელები, როგორიცაა Gemini Pro, ოპტიმიზებულია მაქსიმალური ინტელექტისთვის. მაგალითად, კოდის წერისას მომხმარებელს სურს საუკეთესო შედეგი. ამ შემთხვევაში მნიშვნელობა არ აქვს, დასჭირდება თუ არა პროცესს 45 წუთი, რადგან მიღებული კოდი უნდა იყოს გამართული, რათა მისი შენარჩუნება და წარმოებაში (production) გაშვება უსაფრთხოდ მოხდეს.

2. რეაგირების დრო (Latency)

ეს საზღვარი კრიტიკულია მომხმარებელთა მხარდაჭერის სერვისებისთვის. თუ აგენტმა უნდა გადაწყვიტოს, აქვს თუ არა მომხმარებელს ნივთის დაბრუნების ან თვითმფრინავში ადგილის შეცვლის უფლება, მას სჭირდება ინტელექტი პოლიტიკის გამოსაყენებლად. თუმცა, პასუხის სისწორეს აზრი ეკარგება, თუ მის მიღებას 45 წუთი დასჭირდება — მომხმარებელი უბრალოდ გათიშავს ტელეფონს. აქ მიზანია მაქსიმალური ინტელექტის მიღწევა დაწესებული დროის ლიმიტში.

3. ღირებულება და მასშტაბირებადობა (Cost and Scalability)

ისეთი პლატფორმებისთვის, როგორიცაა Reddit ან Meta, რომლებსაც მთელი ინტერნეტის მოდერაცია სურთ, ხარჯები გადამწყვეტია. მათ აქვთ დიდი ბიუჯეტი, მაგრამ ვერ აიღებენ კორპორაციულ რისკს, თუ არ იციან, როგორ მოხდება სისტემის მასშტაბირება. მათ სჭირდებათ მოდელი, რომელიც იქნება მაქსიმალურად ჭკვიანი მათთვის ხელმისაწვდომ ფასად და შეძლებს უსასრულო რაოდენობის პოსტების დამუშავებას.

რატომ ყოვნდება აგენტური სისტემების მასობრივი დანერგვა?

მიუხედავად შთამბეჭდავი დემო-ვერსიებისა, აგენტური სისტემები ჯერ კიდევ არ არის ფართოდ გავრცელებული. ამის მიზეზი ინფრასტრუქტურის ნაკლებობაა. ჯერ კიდევ არ არსებობს ჩამოყალიბებული მოდელები აგენტების მოქმედებების აუდიტისთვის ან მათთვის მონაცემებზე წვდომის ავტორიზაციისთვის. წარმოების პროცესი ყოველთვის ჩამორჩება ტექნოლოგიურ შესაძლებლობებს.

თუმცა, პროგრესი განსაკუთრებით სწრაფია პროგრამულ ინჟინერიაში. ეს განპირობებულია იმით, რომ პროგრამული უზრუნველყოფის განვითარების ციკლი (SDLC) უკვე მოიცავს უსაფრთხო გარემოს (dev environment), სადაც შეცდომების დაშვება დასაშვებია. მაგალითად, Google-ში კოდის დაწერის პროცესი მოითხოვს ორ ადამიანს აუდიტისთვის, რაც რისკებს მინიმუმამდე ამცირებს. მსგავსი „ადამიანი-პროცესში“ (human-in-the-loop) მოდელების შექმნა აუცილებელია სხვა პროფესიებშიც, რათა AI აგენტების დანერგვა უსაფრთხო და ეფექტური გახდეს.