نویسنده (ها): یووال مهتا
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
در دنیایی که به طور فزاینده ای به قول درخشش و لرزان علاقه مند است هوش مصنوعی، فراموش کردن مدل هایی که بی سر و صدا بخش اعظم فناوری را که هر روز به آن اعتماد می کنیم ، آسان است. Glitz of Chatgpt Crafting Essays یا Dall · E Spinning Art از متن ، برای بسیاری ، اشکال بی حد و حصر هوش مصنوعی را تحت الشعاع قرار داده است – آنهایی که صحبت نمی کنند ، ترسیم نمی کنند یا آهنگسازی می کنند ، اما به سادگی تصمیم گیری:
آیا این مشتری خفه می شود؟
آیا این معامله کلاهبرداری است؟
هفته آینده چه مقدار سهام باید سفارش دهیم؟
اینها نوع مشکلاتی نیستند که شما به یک مدل ترانسفورماتور عظیم نیاز دارید. آنها در مورد آنها هستند دقتبا قابلیت پیش بینی، و اغلب ، قابلیت توضیحبشر و آنها به طرز چشمگیری توسط خواهر و برادرهای ساکت و قدیمی تر خانواده AI حل می شوند: سنتی یادگیری ماشین مدل ها.
قدرت آرام سادگی
در زیر سطح این رنسانس مولد ، سنتی یادگیری ماشین به رشد خود ادامه می دهدبشر نه به این دلیل که قدیمی است ، بلکه به این دلیل است که فوق العاده خوب در آنچه انجام می دهدبشر
دلیلی وجود دارد که بهترین تیم های علوم داده در شرکت های برتر هنوز به آنها اعتماد دارند رگرسیون لجستیکبا XGBOOSTوت درختان تصمیم گیریبشر این مقاومت در برابر نوآوری نیست ، شناخت آنچه کار می کندبشر
این مدل ها هستند سبک ، مؤثر و قابل تفسیربشر برای به دست آوردن نتیجه به میلیاردها پارامتر و ترابایت داده نیاز ندارید. گاهی اوقات ، تمام آنچه شما نیاز دارید تمیز است مجموعه داده و یک طبقه بندی کننده آزمایش شده و آزمایش شده.
داده ها بیشتر مشاغل به آن اهمیت می دهند
بیایید با آن روبرو شویم: بسیاری از داده های جهان متن ، تصویر یا فیلم نیستند.
این است جداولبشر
این است ردیف ها و ستون هابشر
این است ساختار یافته ، تمیز و سرپرستبشر
طبق گزارش 2024 مک کینزی ، بیش از 70 ٪ استقرار AI شرکت روی داده های ساخت یافته تمرکز کنید. از بانک ها به بیمارستان هابا کارخانه های تولیدی به تیم های بازاریابی، این نوع داده ها ضربان قلب عملیاتی سازمانها را تشکیل می دهد. و در این دنیای ساخت یافته ، ML سنتی می درخشد.
برای پیش بینی درآمد ماهانه یا گرفتن ناهنجاری در سیاهههای مربوط به سرور ، به یک مدل 175 میلیارد پارامتر احتیاج ندارید. در واقع ، تلاش برای استفاده از یکی احتمالاً خواهد بود محاسبه زباله ، زمان و پولبشر
تفسیر اختیاری نیست
زیبایی ML سنتی در آن نهفته است شفافیتبشر این مدل ها:
- قطار سریع (حتی در لپ تاپ)
- قابل تفسیر و شنیدنی هستند
- می توان به راحتی برای ذینفعان غیر فنی توضیح داد
سعی کنید لایه های پنهان یک ترانسفورماتور را به CFO توضیح دهید.
سپس به آنها نشان دهید درخت تصمیم با واردات ویژگی
حدس بزنید کدام یک از تأیید می شود؟
در بخش هایی مانند بهداشت ، امور مالی و قانون، جایی که پاسخگویی و ردیابی از نظر قانونی اجباری است ، تفسیر سنتی ML بیش از یک راحتی می شود – این به یک تبدیل می شود الزامبشر
حتی LLM ها به ML کلاسیک متکی هستند
با طعنه زیاد LLM خطوط لوله به ML سنتی در زیر کاپوت بستگی داردبشر وظایفی مانند:
- طبقه بندی هدف
- فیلتر هرزنامه
- پاسخهای رتبه بندی
- لایه های شخصی سازی
… اغلب توسط مدلهای کوچکتر و سریعتر اداره می شوند. بنابراین در حالی که هوش مصنوعی تولید کننده مورد توجه قرار می گیرد ، سنتی ML است اغلب انجام می دهد پشت صحنه وزنه برداری سنگینبشر
به عنوان مثال ، سیستم های مبتنی بر GPT OpenAi اغلب استفاده می کنند نسل بازیابی-اوت (RAG)، جایی که یک فروشگاه وکتور سنتی با استفاده از تعبیه ها برای بازیابی زمینه پرس و جو می شود. رتبه بندی آن نتایج؟ شما آن را حدس زده اید: اغلب از مدل های سنتی ML استفاده می شود.
هزینه ، کنترل و عملی
هر تیم بودجه ای برای GPU های Cloud یا نیاز به تنظیم دقیق مدل های زبان عظیم ندارد. گاهی اوقات ، الف مدل LightGBM به خوبی مهندسی آموزش داده شده در چند هزار نمونه ، ROI بیشتری را نسبت به کل پشته ترانسفورماتور ارائه می دهد.
با ML سنتی ، شما دریافت می کنید:
- هزینه های کمتری آموزش و استنباط
- کنترل مهندسی ویژگی ریز
- انطباق بهتر و حاکمیت متناسب است
- استقرار آسان تر در دستگاه های لبه
در زمانی که پایداری و انتشار کربن در توسعه هوش مصنوعی مورد توجه قرار می گیرد ، مدل های سنتی ML جایگزین سازگار با محیط زیست را ارائه می دهند.
آینده ترکیبی
این نبرد Old Old در مقابل جدید نیست. قدرتمندترین سیستم های هوش مصنوعی خواهد بود ترکیبی – ترکیب:
- استحکام وحشیانه AI مولد
- با دقت جراحی ML کلاسیک
یک پلت فرم تجارت الکترونیکی را با استفاده از یک LLM تنظیم شده خوب برای تولید توضیحات محصول تصور کنید ، اما با تکیه بر ML سنتی برای رسیدگی به پیش بینی تقاضا ، بهینه سازی زنجیره تأمین و تقسیم کاربر.
آینده متعلق به کسانی است که می توانند از آن استفاده کنند هر دو شمشیربشر
افکار نهایی
فقط به این دلیل که یک ابزار براق و جدید است به این معنی نیست که برای همه مناسب است کاربشر
ML سنتی:
- مشکلات دنیای واقعی را حل می کند
- مقرون به صرفه و قابل توضیح است
- یکپارچه با پشته های AI مدرن ادغام می شود
همانطور که ما همچنان به مرزهای کاری که AI می تواند انجام دهد ادامه می دهیم ، مدل هایی را که فراموش نکنید در حال حاضر خیلی زیاد انجام دهیدبشر
بنابراین دفعه بعد که با یک مشکل یادگیری ماشین روبرو هستید ، از خود بپرسید:
“آیا من به یک مدل تولیدی احتیاج دارم … یا فقط یک درخت تصمیم قدیمی خوب؟”
شانس وجود دارد ، کلاسیک های آرام هنوز پشت شما را دارند.
منتشر شده از طریق به سمت هوش مصنوعی