میسترال با مدل تازه برگشت
شرکت فرانسوی میسترال از مدل زبانی تازه‌ای رونمایی کرده که می‌خواهد جایگاه اروپا را در رقابت فشرده هوش مصنوعی بالاتر ببرد. نام این مدل Mistral Large 4 است و برخلاف بسیاری از محصولات جدید بازار، با تأکید جدی بر امکان استفاده و بررسی وزن‌های مدل عرضه شده است. میسترال می‌گوید نسخه تازه برای کارهای پیچیده، کدنویسی، تحلیل داده و کاربردهای سازمانی طراحی شده و می‌تواند روی زیرساخت‌های مختلف اجرا شود؛ نکته‌ای که برای شرکت‌هایی که نمی‌خواهند همه اطلاعاتشان را به یک سرویس ابری بسپارند اهمیت زیادی دارد.
به گزارش رویترز، مدیرعامل میسترال در معرفی مدل تازه تلاش کرد تصویری واقع‌بینانه از رقابت جهانی ارائه دهد. او ادعا نکرد که Mistral Large 4 در همه آزمون‌ها از رقبای آمریکایی جلو می‌زند، اما گفت مدل در بعضی حوزه‌ها از نمونه‌های چینی عملکرد بهتری دارد. همین لحن، تفاوتی مهم با تبلیغات رایج صنعت دارد. در ماه‌های گذشته شرکت‌های بزرگ معمولاً با فهرستی طولانی از رکوردها و امتیازهای آزمایشگاهی وارد میدان شده‌اند، در حالی که مشتریان سازمانی بیشتر به هزینه، امنیت، امکان کنترل و سازگاری با نرم‌افزارهای فعلی نگاه می‌کنند.
Mistral Large 4 در خانواده مدل‌های بزرگ این شرکت قرار می‌گیرد و قرار است پاسخ‌گویی به پرسش‌های چندمرحله‌ای را بهتر از نسل قبل انجام دهد. در چنین مدل‌هایی فقط تولید یک متن کوتاه مهم نیست. کاربر انتظار دارد سامانه بتواند چند سند را کنار هم بگذارد، تناقض‌ها را پیدا کند، یک برنامه کاری بسازد و نتیجه را با زبان روشن توضیح دهد. برای یک تیم حقوقی، مدل باید بتواند بندهای مختلف قرارداد را مقایسه کند. برای یک تیم فنی، باید کد را بخواند و دلیل خطا را توضیح دهد. برای واحد فروش هم لازم است از اطلاعات پراکنده، گزارشی قابل استفاده بسازد.
میسترال روی توانایی کدنویسی مدل تأکید ویژه دارد. این شرکت می‌داند که بخش بزرگی از درآمد آینده مدل‌های زبانی از کمک به برنامه‌نویسان می‌آید. ابزارهای کدنویسی می‌توانند بخش‌هایی از نرم‌افزار را بسازند، آزمون بنویسند، خطاهای تکراری را پیدا کنند و مستندات فنی را به‌روز نگه دارند. با این حال، کد تولیدشده همیشه قابل اعتماد نیست. یک اشتباه کوچک در مدیریت دسترسی یا پردازش داده‌های شخصی می‌تواند به نقص امنیتی تبدیل شود. بنابراین ارزش مدل فقط با سرعت نوشتن کد سنجیده نمی‌شود؛ دقت، توضیح‌پذیری و امکان بازبینی هم اهمیت دارد.
یکی از بحث‌های مهم درباره Mistral Large 4 نحوه توزیع آن است. مدل‌های کاملاً بسته معمولاً از طریق رابط برنامه‌نویسی در اختیار مشتری قرار می‌گیرند و کاربر به وزن‌های اصلی دسترسی ندارد. در مقابل، مدل‌های بازوزن اجازه می‌دهند پژوهشگر یا شرکت بخشی از سامانه را روی سرور خود اجرا و متناسب با نیازش تنظیم کند. این انعطاف برای بانک‌ها، بیمارستان‌ها و سازمان‌های دولتی مهم است؛ زیرا آنها نمی‌خواهند داده حساس برای پردازش به بیرون از شبکه منتقل شود. البته بازوزن بودن به معنای بی‌نیازی از کنترل نیست. مدل همچنان می‌تواند پاسخ نادرست تولید کند و نیازمند سیاست‌های ایمنی و نظارت انسانی است.
اروپا در سال‌های اخیر تلاش کرده میان دو قطب آمریکا و چین مسیر مستقل‌تری بسازد. شرکت‌های آمریکایی سرمایه‌های عظیم، تراشه‌های پیشرفته و شبکه گسترده‌ای از مراکز داده دارند. در چین نیز دولت و شرکت‌های بزرگ منابع قابل توجهی برای توسعه مدل‌های بومی اختصاص داده‌اند. میسترال در این میان می‌خواهد نشان دهد یک شرکت اروپایی می‌تواند بدون تکیه کامل به یکی از این دو بلوک، محصولی رقابتی بسازد. موفقیت این برنامه فقط به کیفیت مدل وابسته نیست؛ دسترسی به تراشه، هزینه برق، مقررات داده و توان جذب نیروی متخصص هم تعیین‌کننده است.
مدل تازه در زمانی عرضه شده که بازار هوش مصنوعی از مرحله هیجان اولیه عبور می‌کند. مشتریان دیگر فقط با دیدن یک نمایش جذاب درباره خرید اشتراک تصمیم نمی‌گیرند. آنها می‌پرسند هزینه هر پاسخ چقدر است، مدل در ساعات شلوغ چه سرعتی دارد و در صورت بروز خطا چه کسی مسئول خواهد بود. همچنین شرکت‌ها به دنبال راه‌هایی هستند که خروجی مدل را با داده داخلی خود هماهنگ کنند. یک مدل عمومی بدون اتصال به اسناد و فرایندهای اختصاصی، برای بسیاری از سازمان‌ها ارزش محدودی دارد.
میسترال برای رقابت در این محیط باید ابزارهای جانبی مناسبی هم ارائه کند. داشبورد مدیریت، امکان تعریف سطح دسترسی، ثبت رویدادها و گزارش‌گیری از پاسخ‌ها، گاهی از خود مدل مهم‌تر می‌شوند. مدیر فناوری اطلاعات باید بداند چه کسی چه پرسشی از مدل پرسیده و آیا اطلاعات محرمانه وارد سامانه شده است یا نه. کاربر عادی هم باید بتواند پاسخ نادرست را گزارش کند و مسیر اصلاح آن روشن باشد. اگر این لایه‌ها وجود نداشته باشد، حتی مدل قدرتمند هم به یک ابزار آزمایشی محدود می‌ماند.
رقابت بر سر مدل‌های بزرگ یک مشکل دیگر هم دارد: هزینه آموزش و نگهداری. ساخت چنین مدلی به پردازنده‌های گران، داده فراوان و زمان طولانی نیاز دارد. پس از انتشار نیز هزینه سرویس‌دهی پایین نمی‌آید. هر پرسش باید روی زیرساختی پردازش شود که برق و خنک‌سازی مصرف می‌کند. میسترال با تأکید بر مدل بازوزن امیدوار است بخشی از این هزینه را به زیرساخت مشتری منتقل کند، اما این روش برای همه مناسب نیست. یک شرکت کوچک ممکن است توان خرید سرورهای لازم را نداشته باشد و همچنان سرویس ابری را ترجیح دهد.
مسئله دیگر، زبان و زمینه فرهنگی است. مدل‌های بزرگ معمولاً در زبان انگلیسی بهترین عملکرد را دارند، در حالی که مشتریان اروپایی به زبان‌های گوناگون کار می‌کنند. فرانسوی، آلمانی، اسپانیایی و زبان‌های کوچک‌تر هر کدام اصطلاحات حقوقی و فنی خاص خود را دارند. میسترال اگر بخواهد در بازار اروپا ماندگار شود، باید کیفیت چندزبانه را فقط در سطح ترجمه حفظ نکند و درک زمینه را هم بهبود دهد. یک پاسخ ظاهراً روان که قوانین یا عرف یک کشور را اشتباه تفسیر کند، می‌تواند برای سازمان هزینه سنگینی ایجاد کند.
از طرف دیگر، عرضه مدل در اروپا با مقررات سخت‌گیرانه هوش مصنوعی همراه است. شرکت باید درباره داده‌های آموزشی، ثبت ریسک و سازوکارهای مقابله با سوءاستفاده توضیح ارائه کند. رعایت قانون ممکن است سرعت عرضه را کمتر کند، اما برای اعتماد بلندمدت لازم است. مشتریان بزرگ نمی‌خواهند چند ماه بعد با تغییر مقررات، مجبور به کنار گذاشتن ابزار انتخاب‌شده شوند.
در نهایت، Mistral Large 4 را نباید فقط با یک جدول امتیازهای آزمایشگاهی قضاوت کرد. اهمیت واقعی مدل زمانی روشن می‌شود که برنامه‌نویس، تحلیل‌گر، پژوهشگر و مدیر یک شرکت بتوانند با آن کار روزانه‌شان را بهتر انجام دهند. اگر مدل بتواند پاسخ‌های دقیق‌تر بدهد، هزینه پیاده‌سازی را پایین بیاورد و کنترل داده را در اختیار مشتری نگه دارد، میسترال یک گام جدی جلو آمده است. اگر این وعده‌ها فقط در معرفی محصول باقی بماند، بازار خیلی زود به سراغ رقیب بعدی خواهد رفت.
ورود مدل تازه نشان می‌دهد رقابت هوش مصنوعی هنوز تمام نشده و اروپا هم نمی‌خواهد تماشاگر باشد. آینده این بازار احتمالاً به چند شرکت محدود نمی‌ماند؛ مدل‌های مختلف برای کاربردها و نیازهای متفاوت کنار هم قرار می‌گیرند. میسترال با Mistral Large 4 تلاش می‌کند سهم خود را از این آینده بگیرد. موفقیت آن به توانایی تبدیل یک مدل فنی به محصولی امن، قابل کنترل و قابل پرداخت بستگی دارد؛ مسیری که تازه آغاز شده است.
منبع: Reuters
