blockchsin

لقد كنت أفكر في شيء لا يُناقش بما يكفي في بنية البنية التحتية للذكاء الاصطناعي:
قد تكون ثقة المطور أكثر قيمة كمؤشر من عدد النماذج.
يمكن لمنصّة أن تعرض آلاف نماذج الذكاء الاصطناعي، لكن إذا كان كل مرة يريد فيها مطوّر استخدامها يتعيّن عليه التوقف والتحقق من المعايير، أو مقارنة الإصدارات، أو التحقق المزدوج من سلوك وقت التشغيل، أو قراءة وثائق متفرقة، فإن التكلفة الحقيقية ليست المال. إنها التردد.
من السهل التقليل من شأن هذا التردد لأنه لا يبدو كفشل. لا يحدث تحطم للنظام. تعمل المدفوعات. ويتاح النموذج تقنيًا. ومع ذلك، فإن مجرد شك صغير يتحول إلى شك آخر، وفجأة يصبح أسهل قرار هو إغلاق علامة التبويب أو تأجيل التجربة.
أعتقد أن هذه هي النقطة التي تفقد فيها العديد من منظومات الذكاء الاصطناعي الطلب بشكل خفي.
غالبًا ما يقيس الناس النجاح بعدد النماذج التي يتم ضمّها، لكنني أتساءل إن كان السؤال الأفضل هو:
كم نموذج يصبح جزءًا من سير عمل شخص ما المعتاد؟ هذه مؤشرات مختلفة جدًا.
أن يعود مطوّر إلى نفس النموذج دون أن يشعر بالحاجة إلى إعادة التحقق من كل شيء من البداية يقول الكثير عن المنصّة أكثر مما يمكن أن تقوله مئة صفحة إضافية لعرض نماذج.
وهذا أيضًا يغيّر طريقة تفكيري في نمو شبكات الذكاء الاصطناعي. المزيد من العرض لا يخلق تلقائيًا المزيد من الاستخدام. العنصر الناقص هو الثقة التي تتراكم مع الوقت. كل نشر سلس يجعل التالي أسهل. وكل تجربة مربكة تعيد الثقة إلى الصفر.
بالنسبة لمشروعات مثل $OPG ، قد يؤدي تقليل هذا الاحتكاك غير المرئي إلى أن يصبح ميزة تنافسية أقوى من مجرد توسيع الكتالوج. ربما لن يتم حسم المرحلة التالية من البنية التحتية للذكاء الاصطناعي لصالح من يستضيف أكبر عدد من النماذج، بل لصالح من يجعل المطورين يتوقفون عن إعادة التفكير في خياراتهم.
فضولي لمعرفة رأي الآخرين:
#opg $OPG #AImodel @OpenGradient #OPG #Blockchsin
ما المحرك الأكبر للنمو بالنسبة لـ AI Model Hub: إضافة المزيد من النماذج، أم جعل المطورين واثقين بما يكفي للعودة باستمرار إلى النماذج نفسها؟