Stačí zadat překlad. Nepřidávejte žádné komentáře, vysvětlení ani metatext:
Statická éra umělé inteligence skončila. Nebo v to alespoň Trajectory doufá.
Kolegové z velkých společností – Google, Apple, OpenAI – spoléhají na jeden nápad: reálná data pro tréninkové modely. Tento týden spustili projekt Trajectory s cílem vytvořit smyčku učení mezi chybami uživatelů a vylepšením modelů. Už není potřeba jednorázové školení – jen doufat v to nejlepší.
Trajektorie vynesla 15 milionů dolarů. Jedná se o první kolo financování. Odhad projektu je 115 milionů dolarů. Úmluva se v tomto procesu ujala vedení. Na financování se podílely Bessemer a Radical VC. Mezi hlavní investory patří Jafe Dean, hlavní vědec společnosti Google DeepMind, a Fei-Fei Li, „matka umělé inteligence“. Bonita projektu je vysoká.
Ronak Malde je generální ředitel. Pracoval ve Windsurfu a poté se během tohoto náročného procesu náboru za 2,4 miliardy dolarů přestěhoval do DeepMind. Mezi její spoluzakladatele patří Arjun Karanam z týmu Vision Pro společnosti Apple a Michael Elabd, dříve z oddělení robotiky DeepMind. Tým tvoří jedenáct lidí. Ambice jsou velké.
Domnívají se, že průmysl nefunguje správně. Proč?
Protože zpravodajští agenti se po dokončení procesu učení přestanou učit. OpenAI, Anthropic, Google vytvářejí výkonné modely, které dokážou víc než lidé. Co se ale stane po spuštění? Model zůstává statický. Stejný model, který selhal v úterý, selže i v pátek.
“Dokonce i ti nejmocnější zpravodajští agenti jsou dnes statičtí.”
Malde uvádí příklad kódovacích asistentů, jako je Cursor. Používají uživatelská data k průběžnému trénování modelů. Vývoj AI proto probíhá velmi rychle. Nejen síla základních modelů, ale i možnost průběžného učení. Trajectory chce tento princip aplikovat i na další oblasti: zákaznickou podporu, prodej, právní.
Ale je to těžké. Kód musí fungovat nebo ne. Binární opce. Pokud je požadavek na zpracování odeslán robotovi, není to jasné. Úspěch je nepředvídatelný. Karanam tuto výzvu uznává. Trajektorie pomáhá společnostem určit jejich metriky úspěchu. S GPT-4 nezačínáte. Začnete s otevřeným modelem, který lze natrénovat pro konkrétní úkol.
Vezměte si například Decagon. Vyvíjejí zpravodajské agenty na podporu zákazníků. Když robot selže, zaznamenají toto pozorování. Příští týden trénují model s těmito informacemi. Nový model chybu neopakuje. Tvrdí, že tyto modely jsou lepší než tradiční.
Manažeři tento nápad milují. V dnešní době je k implementaci AI potřeba najmout specialisty. Krásné konzultantky, které budou sledovat technickou složku. OpenAI a Anthropic vytvářejí týmy, které tuto práci vykonávají. Elabd to neschvaluje. Chce, aby se program naučil sám. Není třeba najímat specialisty na údržbu. Stačí připojit model. Naučí se a bude lepší.
Je to opravdu neustálé učení? Kritici mohou valit oči. Aktualizace probíhají každý týden. Mezi těmito aktualizacemi však model zůstává statický. Toto je přerušované učení. Ne trvalé.
Elabd to setře. Říká, že týdenní aktualizace jsou jen začátek. Cílem jsou denní aktualizace, a to i hodinové. Představuje si svět, kde společnosti nevytvářejí jeden velký model pro všechny zaměstnance. Pro každého zaměstnance vytvářejí samostatné modely. Personalizované, adaptivní, relevantní.
Zní to riskantně. Ale která možnost bude zvolena?
Zatím si na to budeme muset počkat do příští týdenní aktualizace.
