A mesterséges intelligenciának már nincs szüksége hatalmas adatmennyiségre: Verseny az energiahatékony mesterséges intelligencia képzéséért

A mesterséges intelligencia modelljeinek már nincs szükségük hatalmas mennyiségű adatra vagy szupererős számítógépekre a tanuláshoz. A mesterséges intelligencia energiahatékonyabb betanításáért folytatott verseny új, felhasználóbarátabb megközelítést nyit meg.

A technológiai óriások modern, energiahatékony mesterséges intelligencia modellek felé fordulnak

Az elmúlt években a mesterséges intelligencia (MI) iparág nagyrészt a „minél nagyobb, annál jobb” elvet követte: több adat, több paraméter, több számítás. A Google, az MIT és a Stanford új kutatásai azonban teljesen más irányt mutatnak.

A modern modellek hatékonyan, kevesebb adattal taníthatók, kevesebb energiát fogyasztanak, és mégis nagy teljesítményt érnek el. Ez nemcsak a betanítási költségeket és időt csökkenti, hanem megnyitja a mesterséges intelligencia alkalmazásait a kis kutatócsoportok és a középvállalkozások előtt is, amelyek korábban nehezen fértek hozzá a nagyméretű technológiához.

A technológiai fejlődés segít abban, hogy a mesterséges intelligencia „kicsi, de erőteljes” legyen

A Tuoi Tre Online kutatása szerint a hirdetésfeldolgozási tesztben a Google 100 000 mintáról kevesebb mint 500 mintára csökkentette a betanítási adatokat, miközben a szakértőkkel való kompatibilitást továbbra is 65%-kal növelte.

Ezzel párhuzamosan az adathatékony képzés átfogó felmérése azt mutatja, hogy „az adatminőség, az intelligens mintavételezés és a „desztillációs” technikák határozzák meg a teljesítményt”, nem egyszerűen az adatok számának növelése.

Elméletileg a „skálázási törvények” azt sugallják, hogy a modellparaméterek, az adatok és a számítási kapacitás növelése segíteni fog, de olyan szakértők, mint Yann LeCun, a Meta mesterséges intelligencia igazgatója, hangsúlyozzák: „Nem lehet csak növelni az adatok és a számítási kapacitást, és automatikusan okosabbá tenni a mesterséges intelligenciát.”

Ez azt jelenti, hogy ahelyett, hogy több millió vagy akár több milliárd mintát kellene felépíteni és címkézni, a kutatócsoportok az adatok újrafelhasználására, szintetikus adatok létrehozására, kisebb modellek használatára és az energia- és adathatékonyabb algoritmusokra összpontosítanak.

Például a „tudásdesztilláció” technikája lehetővé teszi a tudás átadását egy „tanártól” (egy nagy tanármodell) egy „diákhoz” (egy kompakt diákmodell), miközben számos képesség megmarad. A Stanford HAI kutatói hangsúlyozzák, hogy ez a trend egyszerre számítási szempontból költséghatékony és környezetbarát, miközben lehetőségeket nyit a kis kutatócsoportok vagy a kis- és középvállalkozások számára a mesterséges intelligencia hatékony alkalmazására.

Ezek az előrelépések lehetővé teszik a mesterséges intelligencia modelljei számára, hogy kevesebb adatot használjanak, gyorsabban fussanak, kevesebb energiát fogyasztsanak, csökkentsék a költségeket, növeljék a fenntarthatóságot, és kiterjesszék az alkalmazásokat az erőforrás-korlátozott környezetekre az intelligens optimalizálás felé haladva, gyorsabban tanuljanak, kevesebb erőforrást használjanak fel, miközben továbbra is biztosítják a minőséget.

Az adathatékony mesterséges intelligencia képzés gyakorlati alkalmazásai és kihívásai

Valójában a mesterséges intelligencia kevesebb adattal és teljesítménnyel történő betanítása széleskörű hatással bír. A fejlődő országokban működő kisvállalkozások vagy kutatócsoportok számára a „több millió minta és hatalmas szerver használata” nem megvalósítható. Amikor valaki néhány ezer mintával és hagyományos számítógépekkel képes betanítani egy modellt, a mesterséges intelligencia alkalmazásai közelebb lesznek a végfelhasználókhoz és a valós környezetekhez.

Például a hirdetések moderálási párbeszédablakaiban a Google bemutatja, hogy egy „érték” adatminta kiválasztása jobb, mint több százezer véletlenszerű minta – csökkentve a szükséges adatmennyiséget, miközben továbbra is eredményeket érünk el.

A kihívás azonban továbbra is fennáll: amikor az adatok szűkösek, a modell hajlamos a túlillesztésre, a gyenge általánosításra és a környezeti változások kezelésének nehézségeire. A vizuális transzfertanulással kapcsolatos kutatások azt mutatják, hogy amikor a bemeneti adatok nagyon korlátozottak, a desztilláció hatékonyabb, de ha az adatok elég nagyok, a hagyományos módszer továbbra is nyer.

Az energiafogyasztás és a költségek tekintetében az adatmennyiség csökkentése a számítási igény, a szerverek és az áramfogyasztás csökkentését is jelenti, ami fontos a nagyméretű mesterséges intelligencia modellek (LLM) esetében, amelyek betanításonként több millió dollárba kerülnek.

A Stanford HAI jelentése szerint az adat- és energiatakarékos mesterséges intelligencia trendjét „nagy átalakulásnak” tekintik 2025-ben.

Tehát az újságírók és az átlagolvasók számára érdemes megjegyezni, hogy amikor a mesterséges intelligencia már nem csak a „techóriások” számára lesz elérhető, hanem kisebb csapatok is létrehozhatják kevesebb adattal és alacsonyabb költségekkel, számos új alkalmazás jelenik meg a kisvállalkozások menedzsmentjétől a regionális orvosi alkalmazásokon át a személyre szabott tanulásig.

De a felhasználóknak óvatosnak kell lenniük azzal is, hogy az „adat” modell kevésbé pontos és hajlamosabb lehet az elfogultságra, ha nem megfelelően kontrollált.

Vissza a témához

Tuan Vi

Forrás: https://tuoitre.vn/ai-khong-con-can-du-lieu-khong-lo-cuoc-dua-huan-luyen-ai-tiet-kiem-nang-luong-20251031115025169.htm