به گزارش خبرواژه، مدل هوش مصنوعی جدیدی به نام «Jev» از شرکت TypeSafe AI با رویکردی متفاوت نسبت به مدلهای زبانی بزرگ (LLM) مورد توجه توسعهدهندگان قرار گرفته است. این مدل بهجای تولید متن، برای ارائه تصمیمهای ساختاریافته و احتمال وقوع گزینههای مختلف طراحی شده و هدف آن، خودکارسازی سریعتر و کمهزینهتر فرایندهای نرمافزاری است.
Jev چه تفاوتی با مدلهای زبانی دارد؟
Jev بر پایه معماری ترنسفورمر ساخته شده، اما برخلاف مدلهای زبانی بزرگ، خروجی متنی تولید نمیکند. کاربر میتواند گزینهها یا تصمیمهای موردنظر را از قبل تعریف کند و مدل برای هر گزینه احتمال مشخصی ارائه میدهد. شرکت TypeSafe این خروجیها را «تصمیمهای کالیبرهشده» توصیف میکند.
این ساختار باعث میشود Jev برای وظایفی مانند دستهبندی، امتیازدهی، استخراج اطلاعات، مسیریابی و تصمیمگیری در نرمافزار مناسب باشد. در چنین کاربردهایی، تولید متن طولانی ضرورتی ندارد و یک خروجی ساختاریافته میتواند مستقیماً در فرایند نرمافزاری استفاده شود.
سرعت و هزینه؛ دو ویژگی مهم Jev
یکی از تفاوتهای اصلی Jev با مدلهای زبانی در نحوه تولید خروجی است. مدلهای زبانی معمولاً پاسخ را بهصورت ترتیبی و توکنبهتوکن تولید میکنند، اما Jev میتواند گزینههای موردنیاز را بهصورت موازی در یک درخواست ارائه دهد.
بر اساس اطلاعات منتشرشده از سوی TypeSafe، زمان پاسخ Jev حدود ۷۰ تا ۵۰۰ میلیثانیه است. این شرکت همچنین اعلام کرده توکنهای خروجی مدل رایگان هستند و هزینه توکن ورودی آن حدود ۰٫۰۴۲ دلار به ازای هر میلیون توکن اعلام شده است.
این ویژگیها Jev را برای کاربردهایی که به تعداد زیادی تصمیم سریع نیاز دارند، جذاب میکند؛ بهویژه در شرایطی که استفاده از یک مدل زبانی بزرگ برای انجام یک وظیفه ساده میتواند هزینه و زمان بیشتری به همراه داشته باشد.
چرا توسعهدهندگان به Jev توجه کردهاند؟
یکی از کاربردهای اصلی Jev، استفاده در نرمافزارهای خودکار و فرایندهایی است که به تصمیمگیری سریع نیاز دارند. طبق گزارش منتشرشده درباره این مدل، تقاضا پس از عرضه به اندازهای افزایش یافت که TypeSafe برای مدتی با محدودیت در ارائه سرویس از طریق API مواجه شد.
یکی دیگر از کاربردهای مطرحشده برای Jev، نظارت بر عملکرد ایجنتهای هوش مصنوعی است. این مدل میتواند برای بررسی رفتار ایجنتها، تحلیل خروجیها و کمک به شناسایی برخی حملات جیلبریک مورد استفاده قرار گیرد.
همچنین امکان استفاده از Jev برای «مسیریابی مدل» مطرح شده است؛ یعنی تشخیص اینکه هر وظیفه بهتر است به کدام مدل هوش مصنوعی سپرده شود. سرعت بالاتر و هزینه پایینتر میتواند در چنین سناریویی به انتخاب سریع مدل مناسب کمک کند.
Jev در کنار مدلهای زبانی بزرگ
Jev لزوماً قرار نیست جایگزین کامل مدلهای زبانی بزرگ شود. یکی از سناریوهای مطرحشده، استفاده همزمان از Jev و LLMها است؛ بهگونهای که مدل زبانی وظایف پیچیدهتر را انجام دهد و Jev وظایفی مانند دستهبندی، کنترل، مسیریابی یا ارزیابی را بر عهده بگیرد.
در این مدل همکاری، Jev میتواند پیش از اجرای یک فرایند تصمیم بگیرد کدام مدل برای انجام یک وظیفه مناسبتر است یا پس از اجرای یک ایجنت، خروجی و عملکرد آن را بررسی کند. چنین معماریای میتواند هزینه استفاده از مدلهای بزرگ را در فرایندهای پرتکرار کاهش دهد.
System One چیست؟
شرکت TypeSafe، Jev را نخستین نمونه از دستهای از مدلها میداند که آنها را «System One» مینامد. این نام به مفهوم «سیستم ۱» در نظریه دانیل کانمن درباره تفکر سریع و شهودی اشاره دارد.
در این رویکرد، مدل بهجای انجام استدلال طولانی و تولید متوالی تعداد زیادی توکن، برای وظایف مشخصی مانند دستهبندی، امتیازدهی، استخراج اطلاعات و انتخاب میان گزینهها طراحی شده و تصمیم خود را در یک مرحله ارائه میکند.
ابهام درباره معماری دقیق Jev
با وجود انتشار اطلاعاتی درباره کاربرد و روش آموزش Jev، جزئیات معماری داخلی این مدل بهطور کامل از سوی شرکت سازنده منتشر نشده است. برخی ناظران خارج از شرکت احتمال دادهاند که Jev ممکن است بر پایه یک مدل زبانی با وزنهای باز ساخته شده باشد؛ با این حال، این موضوع بهعنوان یک احتمال مطرح شده و تأیید رسمی از سوی TypeSafe ارائه نشده است.
TypeSafe اعلام کرده است Jev بهصورت انحصاری با دادههای مصنوعی آموزش داده شده و از روشی با عنوان یادگیری تقویتی از تصمیمهای کالیبرهشده استفاده میکند. تمرکز این روش بر ارائه تصمیمهایی همراه با برآورد احتمال و میزان اطمینان است.
آینده مدلهای تصمیممحور
Jev نمونهای از رویکردی است که بهجای تمرکز بر تولید متن، هوش مصنوعی را مستقیماً وارد فرایندهای تصمیمگیری نرمافزاری میکند. اگر ادعاهای مربوط به سرعت، هزینه و دقت این مدل در کاربردهای مختلف تأیید شود، چنین معماریهایی میتوانند در خودکارسازی فرایندها، مدیریت ایجنتها و مسیریابی مدلها نقش بیشتری پیدا کنند.
با این حال، میزان موفقیت Jev به نوع کاربرد، کیفیت دادهها و دقت تصمیمهای احتمالی آن بستگی دارد و ارزیابی مستقل عملکرد آن در مقایسه با مدلهای بزرگتر، برای سنجش مزیت واقعی این رویکرد اهمیت خواهد داشت.
برای دنبال کردن تازهترین اخبار و تحلیلهای حوزه هوش مصنوعی و فناوری، به خبرواژه مراجعه کنید.
“`
