در این مصاحبه با ما صحبت می کنیم راغو پاراگراف، مهندس AI Cross-Platform و شریک بنیانگذار در یک شرکت متمرکز بر ساخت سیستم های مقیاس پذیر و هوشمند که یکپارچه در سیستم عامل ها و صنایع کار می کنند. راغو دیدگاه هایی را در مورد موضوعات مختلف از نسل بازیابی و AI عاملی تا آینده اتوماسیون AI محور در ساخت و لجستیک به اشتراک می گذارد. وی همچنین به نقش در حال تحول مهندسان در دوره ای از اولی و چالش های عملی در سفارشی کردن مدلهای بزرگ زبان برای تولید می پردازد. برای بینش در مورد نحوه ساخت سیستم های AI برای مقیاس و سازگاری ، در ادامه بخوانید.
مصاحبه های بیشتر را در اینجا کشف کنید: کوین Frechette ، بنیانگذار و مدیر عامل شرکت Fairmarkit-سفر از IBM و Dell ، تعریف چالش های AI ، AI ، اطمینان از انطباق ، برنامه های کاربردی بالا ، نوآوری مقیاس ، تکامل تهیه ، معیارهای موفقیت ، مطالعه موردی سونوکو ، مشاوره مجریان
شما یک سفر پویا در حال شکل گیری راه حل های هوش مصنوعی در سراسر قاره ها بوده اید. آیا می توانید ما را از طریق یک پروژه محوری که تکامل شما را به عنوان یک مهندس AI Cross-Platform تعریف کرده است ، طی کنید؟
یکی از پروژه های تعریف شده شامل منجر به طراحی پایان به پایان یک موتور کیفیت داده AI محور است که در سیستم عامل های داده هیبریدی از SQL Server گرفته تا BigQuery GCP بومی کار می کرد. این چالش فقط فنی نبود ؛ سیستمیک بود ما مجبور شدیم اکوسیستم های ابرداده ای متفاوت را برطرف کنیم ، مدلهای توصیه قانون در زمان واقعی را توسعه دهیم و اطمینان حاصل کنیم که همه چیز به صورت افقی مقیاس می شود. این به من آموخت که مهندسی هوش مصنوعی فقط مربوط به الگوریتم ها نیست بلکه در مورد ساخت سیستم های هوشمند به خوبی در محیط های پیچیده و درجه تولید است.
شما یک طرفدار قوی از نسل بازیابی (RAG) و فراخوانی عملکرد عامل هستید. چگونه می بینید که این در حال تبدیل شدن به بلوک های استاندارد ساختمانی از شرکت های هوش مصنوعی است؟
ارکستراسیون Rag و عامل فقط ویژگی های معماری نیست. آنها پارادایم برای اطلاعات سازگار و تعریف قابلیت های مداوم و جدیدتر هستند. RAG بنگاهها را قادر می سازد زمینه اختصاصی را به استدلال تولیدی برسانند ، و باعث می شود خروجی های هوش مصنوعی مربوط به تجارت باشد. از طرف دیگر ، عملکرد عامل بسیار قدرتمند است و به قصد و اجرای آن پل ها می پردازد و شناخت را یکپارچه می کند. به زودی ، من می بینم که چارچوب های AI شرکت دارای پشتیبانی داخلی برای مسیریابی وظیفه تحت رهبری عامل ، استدلال مبتنی بر حافظه و زنجیره کاری کار خودمختار هستند. ما از اطلاعات مبتنی بر پرس و جو به سمت عوامل مشترک هوش مصنوعی به عنوان همکار حرکت می کنیم.
معماری هوش مصنوعی امروز هم عمق و هم چابکی را می طلبد. چه اصولی شما را هنگام معماری خطوط لوله AI مقیاس پذیر و با کارایی بالا برای تأثیر جهانی راهنمایی می کند؟
من چهار اصل اصلی را دنبال می کنم: هسته های بدون تابعیت ، لبه های هوشمند ، جریان های کامپوزیت و مشاهدات الاستیک*.* هسته های بدون تابعیت اجازه می دهند تا خدمات بدون تنگنا مقیاس شوند. لبه های هوشمند محاسبات را به داده ها نزدیک می کنند ، که به ویژه در محیط های بحرانی با تأخیر مفید است. ترکیب پذیری تضمین می کند که مدل ها ، قوانین و پروفایل های داده ها بدون بازنویسی کامل قابل تعویض هستند. و مشاهدات الاستیک با سیاهههای مربوط به ساختار ، معیارها و ردیابی تضمین می کند که هر تصمیم هوش مصنوعی پاسخگو است. و دوباره ، حتی در مقیاس.
به عنوان کسی که سیستم های AI را تحویل داده است و بیش از 800 میلیون دلار درآمد سالانه دارد ، برای ارزیابی ارزش تجاری بلند مدت در مقابل موفقیت کوتاه مدت از چه معیارهایی استفاده می کنید؟
در حالی که معیارهای کوتاه مدت غالباً در مورد تأخیر ، توان یا دقت مدل متمرکز شده اند ، ارزش بلند مدت در چهار محور ارزیابی می شود: زمان به سازگاری (چقدر سریع می تواند تکامل یابد؟) ، مقاومت سیستمیک (با کمال میل سیستم تخریب می شود؟) ، عمق توضیحات (آیا کاربران تجاری می توانند به نتیجه اعتماد کنند؟) ، و داده های خالص را در طول زمان بهبود می بخشد؟ ROI واقعی در هوشمندی و نه فقط دقت اولیه نهفته است.
چگونه می توانید در پنج سال آینده صنایع تغییر دهنده AI را مانند خودرو ، تولید و تدارکات در نظر بگیرید؟
در صنعت خودرو ، عامل AI عامل تشخیص هوشمند ، تشخیص ناهنجاری لبه محور و نگهداری پیش بینی کننده خواهد بود. در ساخت ، شبکه های عامل غیرمتمرکز را می بینیم که همه چیز را از تصمیمات زنجیره تأمین گرفته تا نقص تشخیص در زمان واقعی ارکستر می کنند. تدارکات از طریق عوامل خودمختار بهینه سازی مسیرها ، موجودی و پیش بینی تقاضای در زمان واقعی تبدیل می شوند و نمایندگان حتی در محیط های امن و فدرال با هم همکاری می کنند. AI عامل ، ارکستراسیون را پویا ، متنی و خودمختار می کند.
شما در تقاطع مهندسی و رهبری می نشینید. برای مهندسین مشتاق که به دنبال رهبری در دوره اول هستند ، چه شیفت های ذهنیت لازم است؟
من فکر می کنم مهندسان باید از “سازنده” به “یکپارچه سازهای استراتژیک” تغییر کنند. نوشتن کد عالی کافی نیست. شما باید جدول زمانی محصول ، هزینه استنباط ، مدیریت چرخه حیات مدل و اخلاق اتوماسیون را درک کنید. رهبری در هوش مصنوعی نیاز به سیستم ها و طرح های تفکر ، همدلی ذینفعان و راحتی با ابهام بودن دارد زیرا مرز هنوز نقشه برداری می شود.
برخی از چالش های منحصر به فرد که با استفاده از LLM های شخصی سازی برای استفاده از تولید روبرو شده اید ، و چگونه بر آنها غلبه کرده اید؟
تأخیر و توهم دو مانع مکرر است. در یک مورد ، ما مجبور شدیم یک سیستم ترکیبی را طراحی کنیم که در آن قوانین قطعی ، خروجی های LLM تولیدی را تکمیل می کند. ما همچنین تنظیم سریع ابرداده آگاه را پیاده سازی کردیم و از لایه های معنایی برگشتی با نمایه سازی بردار استفاده کردیم. نکته اصلی تعادل خلاقیت و صحت و اطمینان از محدود کردن LLM در زمینه تجارت بدون محدود کردن قدرت استدلال خود بود.
با سرعت شتاب اتوماسیون ، به متخصصانی که نگران جابجایی شغل در مقابل ایجاد فرصت هستند ، چه توصیه ای می کنید؟
به دنبال نقش هایی باشید که همزیستی و ماشین انسان را ارکستر کند. بهترین نقش ها در آینده در مورد رقابت با هوش مصنوعی نخواهد بود. آنها در مورد تنظیم ، حسابرسی ، فرمان ، اعمال و تقویت صحیح آن خواهند بود. بیشترین مهارت های ضد آینده ، دانش دامنه را با توانایی زیر سوال بردن ، اعتبارسنجی و رفتار خوب هوش مصنوعی ترکیب می کنند. نیازی به مهندس سریع نیست. شما باید یک همکار هوش مصنوعی شوید.
سرانجام ، اگر هوش مصنوعی یک غذاها بود ، چه ظرفی به بهترین وجه نشان دهنده رویکرد شما برای ساختن سیستم های هوشمند است و چرا؟
من می گویم یک جعبه بنتو کاملاً متعادل با یک سیستم ، که متنوع ، مدولار و سازگار با ترجیحات منطقه ای است ، اما با یک فلسفه متحد طراحی شده است. درست مانند هر ظرف موجود در جعبه ، مانند ادویه ، پایه یا طراوت ، هر مؤلفه در یک سیستم هوش مصنوعی باید کل را تکمیل کند. این در مورد به حداکثر رساندن مدلهای فردی نیست بلکه طراحی ارکستراسیون است که چندین اشتها را برآورده می کند: تفسیر ، تأثیر و دوباره ، طبق معمول ، مقیاس.
