کاهش هزینه‌ها با مدل‌های زبان کوچک: یک راهکار نوین در هوش مصنوعی
ظهور مدل‌های زبان بزرگ (LLMs) تحولی در عرصه هوش مصنوعی ایجاد کرده است که به شرکت‌ها این امکان را می‌دهد تا پروژه‌های جدیدی را تصور کنند و به‌سرعت به مرحله پیاده‌سازی برسانند. با این حال، شرکت‌ها متوجه شده‌اند که مدل‌های اولیه LLM که استفاده کرده بودند، علاوه بر عدم کارآمدی، هزینه‌های بالایی را نیز به همراه دارند. در این راستا، مدل‌های زبان کوچک و روش‌های تقطیر اطلاعات به کمک آمده‌اند.
مدل‌هایی مانند خانواده Gemma از گوگل، Phi از مایکروسافت و Small 3.1 از Mistral به شرکت‌ها این امکان را می‌دهند که مدل‌های سریع و دقیقی را برای وظایف مشخص انتخاب کنند. این انتخاب به کاهش هزینه‌های اجرای برنامه‌های هوش مصنوعی و افزایش بازگشت سرمایه کمک می‌کند. کارشناس ارشد لینکدین، کارتیک رامگوبال، به وِِنچر بیت گفت که انتخاب مدل‌های کوچک به دلایل متعددی مورد توجه شرکت‌ها قرار گرفته است: «مدل‌های کوچک نیاز به محاسبات کمتر، حافظه کمتر و زمان استنتاج سریع‌تری دارند که به کاهش هزینه‌های عملیاتی و سرمایه‌گذاری در زیرساخت کمک می‌کند.»
شرکت‌ها حالا می‌توانند از مجموعه‌ای گسترده از مدل‌های کوچک، مدل‌های خاص کار و مدل‌های تقطیری انتخاب کنند. به‌عنوان مثال، خانواده مدل‌های Claude از Anthropic شامل مدل‌های مختلفی است که به اندازه‌ای فشرده‌اند که می‌توانند بر روی دستگاه‌های قابل حمل، مانند لپ‌تاپ‌ها یا تلفن‌های همراه، اجرا شوند.
اما پرسش همیشگی درباره بازگشت سرمایه (ROI) این است: ROI چه معنایی دارد؟ آیا باید بازگشت سرمایه به هزینه‌های صرف شده مرتبط باشد یا زمان صرفه‌جویی شده که در نهایت منجر به صرفه‌جویی‌های مالی می‌شود؟ کارشناسان بر این باورند که قضاوت در مورد ROI ممکن است دشوار باشد، زیرا برخی شرکت‌ها بر این عقیده‌اند که با کاهش زمان صرف شده برای یک وظیفه به ROI رسیده‌اند، در حالی که دیگران منتظرند تا صرفه‌جویی‌های مالی واقعی را مشاهده کنند.
به‌طور معمول، شرکت‌ها ROI را با فرمولی ساده محاسبه می‌کنند: ROI = (مزایا – هزینه)/هزینه. اما در برنامه‌های هوش مصنوعی، مزایا به‌طور فوری قابل مشاهده نیستند. به همین دلیل، کارشناسان توصیه می‌کنند که شرکت‌ها مزایای مورد انتظار خود را شناسایی کرده و آنها را بر اساس داده‌های تاریخی برآورد نمایند.
تحقیقات نشان داده است که مدل‌های کوچکتر در کاهش هزینه‌های پیاده‌سازی و نگهداری مؤثر هستند. آریجیت سنگوپتا، بنیان‌گذار و مدیرعامل Aible، افزود که چگونگی افزودن زمینه به مدل‌ها تأثیر مهمی بر میزان صرفه‌جویی هزینه‌ها دارد.
با افزایش استفاده از مدل‌های تقطیری و وظیفه‌محور، شرکت‌ها قادر به انتخاب مدل‌هایی هستند که متناسب با نیازهای خاص خود باشند و در عین حال هزینه‌ها را کاهش دهند. همچنین، تغییرات در فرآیندها و فناوری‌ها باید مورد توجه قرار گیرد، بنابراین شرکت‌ها باید برای انتخاب مدل‌های مناسب، انعطاف‌پذیری لازم را داشته باشند.
در نهایت، متخصصان تأکید می‌کنند که تصمیم‌گیری درباره مدل‌های هوش مصنوعی باید با دقت و با در نظر گرفتن تمامی جوانب هزینه و عملکرد انجام شود تا بهترین نتیجه حاصل شود.