Pertanyaan tentang pilihan model telah muncul berulang kali dalam percakapan kami dengan organisasi-organisasi di bidang ini mengadopsi dan meningkatkan gen AI. Banyak pemimpin di Indonesia wanBelum ada klarifikasi lebih lanjut mengenai apa saja gen AI yang berbeda model yang sebenarnya dapat dilakukan dan memberikan panduan tentang cara menggunakannya untuk mendukung tujuan strategisnya.
Memahami perbedaan berbagai jenis model gen AI merupakan langkah penting dalam mendorong nilai bisnis dan inovasi. Berikut adalah poin-poin penting yang sering kami soroti yang telah membantu kami pelanggan berhasil menavigasi topik ini.
Mempertimbangkan model AI gen yang berbeda
Lanskap model gen AI sangat beragam, mulai dari model dasar, hingga model besar yang spesifik untuk domain atau tugas model bahasa, hingga model mikro yang lebih kecil dan memiliki tujuan tunggal.
Secara umum, ketika bertanya tentang model gen AI, banyak organisasi mungkin mengacu pada model dasar – model AI skala besar yang pernah ada dilatih sebelumnya tentang kumpulan data besar untuk melakukan berbagai macam tugas, termasuk pembuatan konten, data augmentasi, pemecahan masalah secara kreatif, dan banyak lagi.
Model pondasi dapat diadaptasi dan disesuaikan untuk berbagai aplikasi, sehingga memberikan kekuatan awal untuk banyak jenis penggunaan bisnis. Misalnya, model landasan multimodal Google Gemini dapat memahami dan menggabungkan berbagai jenis informasi: teks, audio, gambar, video, dan kode.
Dengan meningkatnya adopsi gen AI oleh perusahaan, terdapat peningkatan kebutuhan akan model yang dapat menghasilkan output yang disesuaikan untuk industri, bidang, dan jenis tugas tertentu. Berbeda dengan pondasi serba guna model, model khusus domain dilatih untuk menafsirkan konteks, terminologi, dan bahkan jargon dalam a bidang tertentu, misalnya kesehatan atau keamanan siber.
Demikian pula, model tugas khusus dibangun untuk melakukan tugas tertentu atau serangkaian tugas yang terkait erat, seperti terjemahan, penyelesaian kode, dan pembuatan gambar atau video. Meskipun model ini mampu menangani lebih banyak tugas-tugas khusus dengan akurasi dan relevansi yang lebih besar, kemampuan beradaptasinya lebih rendah dan sering kali mempunyai kemampuan adaptasi yang lebih tinggi biaya pengembangan.
Kami juga baru-baru ini melihat tren yang berkembang seputar model ringan untuk kasus penggunaan yang memerlukan model tersebut digunakan pada perangkat dengan daya komputasi terbatas, seperti ponsel pintar.
Misalnya, Google model berukuran ponsel Gemini Nanodapat beroperasi di perangkat, memungkinkan analisis data yang aman dan lebih cepat tanggapan dengan konektivitas terbatas. Meskipun sangat efisien, model mikro ini memiliki kekurangan dalam hal akurasi dan keserbagunaan secara keseluruhan dibandingkan dengan rekan-rekan mereka yang lebih besar.
Memutuskan antara model AI berpemilik dan terbuka
Dimensi lain selama proses pengambilan keputusan adalah apakah akan menggunakan gen berpemilik atau sumber terbuka model AI. Ada banyak kegembiraan di pasar mengenai kemungkinan yang ditawarkan oleh model terbuka, khususnya seputar model LLaMA Meta dan Google Gemma.
Model AI generasi sumber terbuka dapat menawarkan penyesuaian dan fleksibilitas yang lebih besar, memungkinkan tim untuk menyempurnakan atau sepenuhnya menyesuaikan model dengan persyaratan dan skenario yang sangat spesifik. Misalnya saja sebuah perusahaan farmasi besar perusahaan tempat kami bekerja menemukan bahwa meskipun ada banyak model kepemilikan yang tersedia untuk domain mereka, model ini tidak berfungsi dengan baik untuk kasus penggunaan spesifiknya.
Perusahaan ingin melatih modelnya memahami prinsip dasar biologi dan cara kerja berbagai molekul dan senyawa bersama. Sebagai solusinya, tim memutuskan untuk melatih model sumber terbuka berukuran besar menggunakan semua data yang mereka miliki seputar formula, proses penemuan obat, dan berbagai reaksi kimia, yang memungkinkannya menghasilkan a model yang dapat menyarankan kombinasi dan interaksi baru untuk penelitian dan eksplorasi lebih lanjut.
Namun, fleksibilitas ini disertai dengan trade-off. Model terbuka dapat membawa lebih banyak risiko keamanan dan hukum dibandingkan model kepemilikan, sering kali karena memerlukan pekerjaan tambahan untuk memenuhi tingkat privasi dan standar kepatuhan. Organisasi juga perlu memahami secara menyeluruh persyaratan lisensi model terbuka sambil memberikan pagar pembatasnya sendiri untuk mencegah potensi pelanggaran hak cipta.
Sebagai perbandingan, model berpemilik sering kali disertakan ganti rugi untuk data pelatihan dan keluaran model bersama dengan fitur keamanan tingkat perusahaan, seperti filter keamanan, filter kutipan, kode kesalahan keselamatan, dan lagi.
Selain itu, mengadaptasi dan menggunakan model terbuka untuk kasus penggunaan bisnis tertentu biasanya memerlukan lebih banyak hal keahlian khusus dan keahlian teknis, yang mungkin tidak dapat dilakukan tergantung pada organisasi kemampuan saat ini dan sumber daya yang tersedia.
Model berpemilik sering kali menyertakan dukungan yang lebih efisien dan pengelolaan serta kemampuan beradaptasi yang lebih mudah, sehingga meminimalkan kebutuhan akan keahlian teknis internal yang ekstensif.
Memilih model AI generasi yang tepat
Model Gen AI memiliki kekuatan dan keterbatasan uniknya sendiri yang perlu dipertimbangkan secara cermat masalah yang ingin Anda pecahkan dan kebutuhan individu organisasi Anda. Kami telah menyaringnya menjadi lima keputusan penting yang akan membantu organisasi mengasah beberapa model spesifik untuk pengujian dan evaluasi.
1. Tata Kelola: Apakah ada kendala spesifik industri yang berdampak pada jenis model yang dibutuhkan? Layanan kesehatan, keuangan, dan sektor publik memiliki persyaratan ketat terkait privasi, keamanan, dan penjelasan data, sehingga mungkin memerlukan penggunaan model yang memiliki jenis sertifikasi yang tepat, memungkinkan tingkat transparansi dan penyesuaian yang lebih tinggi, atau bahkan model yang dapat dijalankan infrastruktur yang terisolasi.
2. Kasus Penggunaan: Pertimbangkan kasus penggunaan spesifik Anda. Tugas apa yang harus dilakukan model? Betapa rumitnya apakah tugas-tugas ini? Apakah keluaran yang diinginkan harus dalam format atau gaya tertentu? Menjawab pertanyaan-pertanyaan ini akan membantu Anda mempersempit pilihan model dan ukuran potensial Anda.
Menggunakan AI alat dan layanan evaluasi pada tahap ini dapat lebih menyempurnakan keputusan Anda dengan menilai kelayakan kasus penggunaan Anda dengan berbagai model dan menunjukkan dengan tepat area di mana kinerja mungkin terjadi ditingkatkan (misalnya, penyetelan, grounding, latensi).
3. Performa: Faktor apa yang paling penting – latensi, biaya, atau kemampuan penyesuaian? Ini adalah faktor penting yang secara langsung berdampak pada efektivitas dan kelayakan solusi AI Anda. Tinggi latensi menyebabkan waktu respons lambat, yang dapat membuat pengguna frustrasi dan membuat aplikasi tidak berfungsi lamban. Biaya sangat penting untuk menghasilkan laba atas investasi.
Kemampuan penyesuaian mungkin diperlukan untuk mencapai tingkat kinerja dan akurasi yang diharapkan untuk kasus penggunaan Anda. Lebih kecil, lebih sedikit model yang kompleks mungkin memiliki latensi dan biaya yang lebih rendah, namun menawarkan kemampuan penyesuaian yang lebih sedikit. A model yang sangat dapat disesuaikan mungkin lebih mahal untuk dilatih dan diterapkan, serta memiliki latensi yang lebih tinggi.
4. Data: Apakah Anda memiliki data yang diperlukan untuk penyesuaian? Ketersediaan data berlabel, data khusus domain, kualitas data, dan lainnya merupakan pertimbangan penting untuk penyesuaian model.
Model yang lebih besar dan kompleks biasanya memerlukan data dalam jumlah besar untuk dilatih secara efektif. Jika Anda memiliki data terbatas, model yang lebih kecil mungkin merupakan pilihan yang lebih baik untuk dihindari terlalu pas dan generalisasi yang buruk.
5. Keterampilan dan sumber daya: Untuk menyesuaikan dan menerapkan model gen AI secara efektif, pastikan Anda memilikinya tim yang tepat di tempatnya. Membangun tim yang sukses membutuhkan pengumpulan individu-individu yang memiliki keterampilan pembelajaran mesin, ilmu data, rekayasa perangkat lunak, dan pemahaman mendalam tentang subjek tersebut urusan.
Selain itu, penting untuk memastikan Anda memiliki sumber daya komputasi yang diperlukan dan alat dan platform yang tepat untuk mengembangkan, menerapkan, dan memantau model AI.
(Fanly Tanto, Country Director, Indonesia, Google Cloud)
Cek Berita dan Artikel yang lain di
Google News
