ธุรกิจของคุณจะต้องพึ่งพาโมเดล AI หลายร้อยแบบ นี่คือเหตุผล

เรากำลังมุ่งหน้าสู่แนวทาง 'รวมกลุ่ม' สำหรับ AI ที่ใช้หลายโมเดลพร้อมกันสำหรับทุกเอาต์พุต อย่างไรก็ตาม ผู้จัดการฝ่ายไอทีมีความกังวลเกี่ยวกับความจุและต้นทุน

เช่นเดียวกับที่องค์กรส่วนใหญ่ชอบตัวเลือกมัลติคลาวด์และฐานข้อมูลหลายตัวที่เหมาะกับวัตถุประสงค์ที่หลากหลาย ก็มีโมเดลปัญญาประดิษฐ์ (AI) สำหรับทุกจุดประสงค์ การสำรวจผู้มีอำนาจตัดสินใจด้านไอทีมากกว่า 1,000 รายพบว่าผู้ใช้ AI ที่ล้ำหน้าที่สุดกำลังใช้ประโยชน์จากโมเดลหลายร้อยรุ่นพร้อมกัน

ขณะนี้เราอยู่ในยุคของ "AI หลายรุ่น" จำนวนโมเดล AI ที่แตกต่างกันโดยเฉลี่ยที่ใช้งานได้ในปัจจุบันอยู่ที่ 158 โดยคาดการณ์ว่าจำนวนนี้จะเพิ่มขึ้นเป็น 176 โมเดล AI ภายในปีหน้า ตามการสำรวจโดย S&P Global Market Intelligence และรับประกันโดย Vultr

ผู้ใช้ที่ทันสมัยที่สุดรายงานว่ามีการใช้งานโมเดลโดยเฉลี่ย 175 รุ่น และคาดว่าจะเติบโต 14% เป็น 200 รุ่นภายในปีนี้ ผู้ตอบแบบสอบถามที่มีวุฒิภาวะ AI สูงสุดเป็นอันดับสองคาดการณ์ว่าจำนวนโมเดลจะเพิ่มขึ้น 18% เมื่อเทียบเป็นรายปี สองในสามของผู้จัดการ (66%) ที่ตอบแบบสำรวจกำลังสร้างหรือพัฒนาโมเดลของตนเองหรือใช้โมเดลโอเพ่นซอร์ส

มีเหตุผลเชิงปฏิบัติในการปรับใช้หลายโมเดลในกรณีการใช้งานต่างๆ ตัวอย่างเช่น รายงานจาก MIT จะดูตัวอย่างของระบบที่ใช้แบบจำลอง 3 แบบที่ได้รับการฝึกอบรมเกี่ยวกับภาษา วิสัยทัศน์ และข้อมูลการดำเนินการ เพื่อช่วยหุ่นยนต์พัฒนาและดำเนินการตามแผนสำหรับงานในครัวเรือน การก่อสร้าง และการผลิต "แบบจำลองพื้นฐานแต่ละแบบที่ใช้จะจับส่วนต่างๆ ของกระบวนการตัดสินใจ จากนั้นจึงทำงานร่วมกันเมื่อถึงเวลาตัดสินใจ" นักวิจัยของ MIT กล่าว

สิ่งที่เกิดขึ้นคือแนวทาง "รวมกลุ่ม" สำหรับ AI ซึ่งเกี่ยวข้องกับโมเดลหลายตัวที่ทำงานพร้อมกันในทุกเอาต์พุต ดังที่ Erica Dingman อธิบายไว้ในโพสต์สำหรับ MovableInk “ความแตกต่างระหว่างแบบจำลองเดี่ยวและแบบจำลองทั้งมวลนั้นคล้ายคลึงกับการใช้ไวโอลินตัวเดียวกับทั้งวงออเคสตรา” เธอกล่าว

"แม้ว่าเครื่องดนตรีแต่ละชิ้นจะมอบคุณค่า แต่การทำงานร่วมกันหลายชิ้นก็ทำให้เกิดสิ่งมหัศจรรย์อย่างแท้จริง" นอกจากนี้ การใช้ชุดข้อมูลที่หลากหลายและ "ชุดแบบจำลองที่ได้รับการอัปเดตและฝึกอบรมอย่างต่อเนื่อง" สามารถช่วยลดหรือกำจัดอคติในเอาท์พุต AI ได้

การกระจายอย่างกว้างขวางและความหลากหลายของระบบที่รองรับหรือขับเคลื่อนโดยโมเดล AI ยังสนับสนุนการแพร่กระจายของโมเดลนี้อีกด้วย ตัวอย่างเช่น AI กำลังเคลื่อนตัวไปที่ Edge มากขึ้น จากการสำรวจของ S&P และ Vultr แสดงให้เห็น

“สถาปัตยกรรม AI แบบกระจาย ซึ่ง Edge เป็นองค์ประกอบสำคัญของแอปพลิเคชันที่ครอบคลุมโครงสร้างพื้นฐานขององค์กร ดูเหมือนจะกลายเป็นบรรทัดฐานใหม่” ผู้เขียนการสำรวจกล่าว ผู้มีอำนาจตัดสินใจด้านไอทีส่วนใหญ่ (85%) ที่ถูกสำรวจกล่าวว่าการเปลี่ยนแปลงนี้มีแนวโน้มหรือมีแนวโน้มอย่างยิ่งที่จะเกิดขึ้นในสภาพแวดล้อมของตน โดย 32% พิจารณาว่าการเปลี่ยนแปลงนี้ "มีแนวโน้มสูงมาก"

ผู้เขียนการศึกษาได้ล้อเลียนสิ่งที่พวกเขานิยามไว้ว่าเป็นองค์กรที่เป็นผู้นำชุด AI ซึ่งเป็นองค์กรที่มี "แนวทางปฏิบัติด้าน AI เชิงเปลี่ยนแปลง" ครึ่งหนึ่งของหม้อแปลงเหล่านี้มีประสิทธิภาพ "ดีกว่าอย่างเห็นได้ชัด" เมื่อเทียบกับคู่แข่งในอุตสาหกรรมมากกว่าหม้อแปลงในระดับปฏิบัติการ หม้อแปลงไฟฟ้าเกือบทั้งหมดกล่าวว่าพวกเขาปรับปรุงประสิทธิภาพในปี 2565 ถึง 2566 เมื่อเทียบเป็นรายปีในด้านความพึงพอใจของลูกค้า (90%) รายได้ (91%) การลดต้นทุน/การขยายอัตรากำไร (88%) ความเสี่ยง (87%) การตลาด (89% ) และส่วนแบ่งการตลาด (89%)

ผลสำรวจชี้ว่าการใช้จ่ายด้าน AI ในทุกองค์กรที่ทำการสำรวจคาดว่าจะแซงหน้าการใช้จ่ายด้านไอทีทั่วไป เกือบเก้าในสิบองค์กร (88%) ตั้งใจที่จะเพิ่มการใช้จ่ายด้าน AI ในปี 2568 โดย 49% คาดว่าจะเพิ่มขึ้นปานกลางถึงมาก

อย่างไรก็ตาม เบื้องหลังตัวเลขที่เพิ่มสูงขึ้นคือความท้าทายที่เกี่ยวข้องกับความต้องการโครงสร้างพื้นฐานไอทีที่มีอยู่ “เมื่อดูกิจกรรม AI ที่มีความต้องการสูง เช่น การอนุมานแบบเรียลไทม์ ผู้ตอบแบบสอบถามแสดงความกังวลว่าโครงสร้างพื้นฐานที่มีอยู่จะไม่เหมาะกับงาน” ผู้เขียนการสำรวจกล่าว ข้อกังวลสามอันดับแรกคือทรัพยากร CPU หรือ GPU ไม่เพียงพอ (65%) ปัญหาเกี่ยวกับพื้นที่ข้อมูล (53%) และปัญหาประสิทธิภาพการจัดเก็บข้อมูล (50%)

“เราเห็นสิ่งนี้สะท้อนให้เห็นในข้อมูลเชิงคุณภาพ โดยผู้ให้สัมภาษณ์แสดงความกังวลเกี่ยวกับกำหนดเวลาความล่าช้าในอินสแตนซ์ GPU ที่มีความจุสูงกว่าในระบบคลาวด์สาธารณะ และผลกระทบที่อาจเกิดขึ้นกับความพร้อมใช้งานของข้อมูล” ผู้เขียนกล่าว

"เรายังสังเกตเห็นความกังวลที่เพิ่มขึ้นเกี่ยวกับผลกระทบของต้นทุนโครงสร้างพื้นฐาน ต้นทุนมักจะกลายเป็นข้อกังวลที่เร่งด่วนมากขึ้นเมื่อโครงการดำเนินการในการผลิต ในอดีต องค์กรต่างๆ มีความสามารถจำกัดในการคาดการณ์ต้นทุนอย่างมีประสิทธิภาพ"