სტარტაპმა Probably-მ $9 მილიონი მოიზიდა უფრო საიმედო ხელოვნური ინტელექტის შესაქმნელად

დიდი ენობრივი მოდელების (LLM) გაძლიერებასთან ერთად, ე.წ. „ჰალუცინაციების“ თავიდან აცილება სულ უფრო რთული ხდება. შეცდომები ყველაზე გონიერ მოდელებშიც კი იჩენს თავს და მიუხედავად იმისა, რომ მათი აღმოჩენის გზები არსებობს, ინდუსტრია ჯერ კიდევ ეძებს საუკეთესო გამოსავალს.

სტარტაპი Probably, რომელმაც ახლახან Andreessen Horowitz-ისგან $9 მილიონიანი საწყისი (seed) დაფინანსება მიიღო, ამ შეცდომების გამოსავლენად უფრო მკაცრი მეთოდოლოგიის შექმნას ცდილობს. კომპანიის დამფუძნებლის, პიტერ ელიასის თქმით, მათი მიზანია, ჰალუცინაციებმა და მარტივმა ფაქტობრივმა შეცდომებმა მომხმარებლამდე ვერასდროს მიაღწიოს. კომპანია ისწრაფვის 99.99%-იანი სიზუსტისკენ, რაც დამახასიათებელია დეტერმინისტული სისტემებისთვის, თუმცა რთული მისაღწევია ხელოვნური ინტელექტის შემთხვევაში.

როგორც აღმოჩნდა, ხელოვნური ინტელექტის ამ დონის სიზუსტემდე მიყვანა AI ინჟინერიის მრავალი საბაზისო დაშვების გადახედვას მოითხოვს. Probably-ს პირველი პროდუქტი მონაცემთა მეცნიერების (data science) ინსტრუმენტია, რომელიც რთული მონაცემთა ბაზებიდან სწრაფი პასუხების მისაღებად შეიქმნა.

მონაცემთა მეცნიერების „ეგზოჩონჩხი“

თითოეულ შედეგს ახლავს ციტირება და აუდიტის ისტორია (audit trail), რაც ასახავს პასუხის ფორმირების პროცესს — ეს პრაქტიკა AI ინსტრუმენტებში სულ უფრო ხშირად გვხვდება. თუმცა, შეჯამებებში შეცდომების შეპარვის თავიდან ასაცილებლად, საჭირო გახდა რთული დამცავი სისტემის შექმნა, რომელსაც ელიასი „მონაცემთა მეცნიერების მექანიკურ კოსტიუმს“ (mech suit) უწოდებს.

სისტემა შემდეგნაირად მუშაობს: LLM-ის მიერ მომზადებული პირველადი პასუხები მოწმდება დეტერმინისტული ვალიდატორის მეშვეობით. ნებისმიერი შედეგი, რომელიც მონაცემთა ბაზას არ ემთხვევა, უკან ბრუნდება. მნიშვნელოვანია, რომ თავად LLM სწორედ ამ ვალიდატორზე დაყრდნობით არის გაწვრთნილი, მთელი სისტემა კი ოპტიმიზებულია სწრაფი და ზუსტი პასუხების გასაცემად.

„ამ პროცესში ვისწავლეთ, რომ რაც უფრო უკეთესია დამცავი სისტემის ინჟინერია, მით უფრო სუსტი მოდელის გამოყენებაა შესაძლებელი. თუ კონტექსტს საკმარისად დახვეწთ, მოდელს აღარ უწევს დიდი ძალისხმევის გაღება სწორი შედეგის მისაღებად. არსებითად, ეს არის ბუნდოვანების შემცირების პროცესი“, — განმარტავს ელიასი.

ეფექტურობა და ხარჯების შემცირება

ეს მიდგომა Probably-ს მონაცემთა მეცნიერების ხელსაწყოს საშუალებას აძლევს, მნიშვნელოვნად მცირე ზომის AI მოდელებზე იმუშაოს. ელიასის თქმით, მიმდინარე ვერსია მუშაობს მოდელზე, რომელიც „ოთხი კლასით სუსტია წამყვან (frontier) მოდელებზე“. ეს ნიშნავს, რომ მისი გაშვება შესაძლებელია ლოკალურ აპარატურაზე — მაგალითად, პერსონალურ კომპიუტერზე და არა მონაცემთა ცენტრში. ეს მკვეთრად ამცირებს ტოკენებთან დაკავშირებულ ხარჯებს.

ეს სიახლე განსაკუთრებით აქტუალურია იმ დროს, როდესაც ტოკენების ფასი იზრდება და ბევრი მომხმარებელი საკუთარ AI ბიუჯეტს გადახედავს. ელიასის იდეა მხოლოდ მონაცემთა მეცნიერებით არ შემოიფარგლება; იგივე ძრავა შეიძლება გამოყენებულ იქნას ისეთ სფეროებში, როგორიცაა ბუღალტერია ან სამედიცინო მომსახურება — ანუ ნებისმიერ სფეროში, სადაც სიზუსტეს გადამწყვეტი მნიშვნელობა აქვს.

დამფუძნებელი ასევე აღნიშნავს, რომ დიდი AI ლაბორატორიები მსგავსი მეთოდის დანერგვას არც კი ცდილობენ. მისი აზრით, მათ ამის მოტივაცია არ აქვთ, რადგან ფინანსურ სარგებელს სწორედ მაშინ იღებენ, როდესაც მომხმარებელს მოდელის პასუხების მრავალჯერადი შესწორება უწევს.