AI ආකෘති පුහුණු කිරීම: අඩු වියදම් AI සංවර්ධනය සඳහා සෙවීම

• කර්තෘ:
• කර්තෘගේ නම

  Quantumrun Foresight
• මාර්තු 21, 2023

ගැඹුරු ඉගෙනීම (DL) කෘත්‍රිම බුද්ධිය (AI) සංවර්ධනයේ අභියෝග කිහිපයකට දක්‍ෂ විසඳුමක් ලෙස ඔප්පු වී ඇත. කෙසේ වෙතත්, DL ද මිල අධික වෙමින් පවතී. ගැඹුරු ස්නායුක ජාල ක්‍රියාත්මක කිරීම සඳහා ඉහළ සැකසුම් සම්පත් අවශ්‍ය වේ, විශේෂයෙන් පෙර පුහුණුවීම් වලදී. නරකම දෙය නම්, මෙම බලශක්ති-අධික ක්‍රියාවලියෙන් අදහස් වන්නේ මෙම අවශ්‍යතා විශාල කාබන් පියසටහන් ඇති කරන අතර AI පර්යේෂණ වාණිජකරණයේ ESG ශ්‍රේණිගත කිරීම් වලට හානි කිරීමයි.

පුහුණු AI ආකෘති සන්දර්භය

පෙර පුහුණු දැන් මහා පරිමාණ ස්නායු ජාල ගොඩනැගීම සඳහා වඩාත් ජනප්රිය ප්රවේශය වන අතර, එය පරිගණක දැක්ම (CV) සහ ස්වභාවික භාෂා සැකසුම් (NLP) විශාල සාර්ථකත්වයක් පෙන්නුම් කර ඇත. කෙසේ වෙතත්, විශාල DL මාදිලි සංවර්ධනය කිරීම ඉතා මිල අධික වී ඇත. උදාහරණයක් ලෙස, OpenAI හි Generative Pre-trained Transformer 3 (GPT-3), පරාමිති බිලියන 175 ක් ඇති සහ ඉහළ පෙළේ ග්‍රැෆික් කාඩ්පත් සහිත අතිවිශාල සේවාදායක පොකුරු වෙත ප්‍රවේශ වීමට අවශ්‍ය වන අතර, එහි ඇස්තමේන්තුගත වියදම ඩොලර් මිලියන 12 කි. ප්‍රබල සේවාදායකයක් සහ ගිගාබයිට් සිය ගණනක් වීඩියෝ සසම්භාවී ප්‍රවේශ මතකය (VRAM) ආකෘතිය ක්‍රියාත්මක කිරීම සඳහා අවශ්‍ය වේ.

ප්‍රධාන තාක්ෂණික සමාගම්වලට එවැනි පුහුණු වියදම් දැරීමට හැකි වුවද, කුඩා ආරම්භක සහ පර්යේෂණ ආයතන සඳහා එය තහනම් වේ. සාධක තුනක් මෙම වියදමට හේතු වේ. 

1. ග්‍රැෆික් සැකසුම් ඒකක දහස් ගණනක් (GPU) සමඟ සති කිහිපයක් අවශ්‍ය වන පුළුල් ගණනය කිරීමේ පිරිවැය.

2. සියුම්-සුසර කරන ලද මාදිලි සඳහා විශාල ගබඩාවක් අවශ්‍ය වේ, සාමාන්‍යයෙන් ගිගාබයිට් සිය ගණනක් (GBs) ගනී. තවද, විවිධ කාර්යයන් සඳහා බහු මාදිලි ගබඩා කිරීම අවශ්ය වේ.

3. විශාල මාදිලි පුහුණු කිරීම සඳහා නිශ්චිත ගණනය කිරීමේ බලය සහ දෘඩාංග අවශ්‍ය වේ; එසේ නොමැති නම්, ප්රතිඵල සුදුසු නොවේ.

තහනම් වියදම් හේතුවෙන්, AI පර්යේෂණ වඩ වඩාත් වාණිජකරණය වී ඇති අතර, මෙම ක්ෂේත්‍රයේ අධ්‍යයන කටයුතු සඳහා Big Tech සමාගම් ප්‍රමුඛ වේ. මෙම සමාගම් ඔවුන්ගේ සොයාගැනීම් වලින් වැඩි වාසියක් ද ලබා ගනී. මේ අතර, පර්යේෂණ ආයතන සහ ලාභ නොලබන ආයතන බොහෝ විට මෙම ක්ෂේත්‍රයේ ගවේෂණය කිරීමට අවශ්‍ය නම් මෙම ව්‍යාපාර සමඟ සහයෝගයෙන් කටයුතු කළ යුතුය. 

කඩාකප්පල්කාරී බලපෑම

ස්නායුක ජාල "කප්පාදු" කළ හැකි බවට යෝජනා කරන සාක්ෂි තිබේ. මෙයින් අදහස් කරන්නේ අධිප්‍රමාණය කළ ස්නායුක ජාල තුළ, කුඩා කණ්ඩායමකට එහි ක්‍රියාකාරීත්වයට දැඩි බලපෑම්වලින් තොරව මුල් AI ආකෘතියට සමාන නිරවද්‍යතාවයක් ලබා ගත හැකි බවයි. උදාහරණයක් ලෙස, 2020 දී, ස්වර්ත්මෝර් විද්‍යාලයේ සහ ලොස් ඇලමෝස් ජාතික රසායනාගාරයේ AI පර්යේෂකයන් පෙන්වා දුන්නේ, ගණිතඥ ජෝන් කොන්වේගේ ගේම් ඔෆ් ලයිෆ් හි අනාගත පියවර අනාවැකි කිරීමට සංකීර්ණ DL ආකෘතියකට ඉගෙන ගත හැකි වුවද, සෑම විටම කුඩා ස්නායු ජාලයක් ඉගැන්විය හැකි බවයි. එකම දේ කිරීමට.

පර්යේෂකයන් විසින් සොයා ගන්නා ලද පරිදි, සම්පූර්ණ පුහුණු ක්‍රියාපටිපාටිය සම්පූර්ණ කිරීමෙන් පසු DL ආකෘතියේ බොහෝ පරාමිතීන් ඉවත දැමියහොත්, ඔවුන්ට එය එහි මුල් ප්‍රමාණයෙන් සියයට 10 දක්වා අඩු කළ හැකි අතර තවමත් එම ප්‍රතිඵලයම ලබා ගත හැකිය. ලැප්ටොප් සහ ස්මාර්ට්ෆෝන් වැනි උපාංගවල ඉඩ ඉතිරි කර ගැනීම සඳහා තාක්ෂණික සමාගම් කිහිපයක් දැනටමත් ඔවුන්ගේ AI මාදිලි සම්පීඩනය කරමින් සිටී. මෙම ක්‍රමය මඟින් මුදල් ඉතිරි කරනවා පමණක් නොව, මෘදුකාංගය අන්තර්ජාල සම්බන්ධතාවයකින් තොරව ක්‍රියාත්මක වීමටත්, තත්‍ය කාලීන ප්‍රතිඵල ලබා ගැනීමටත් ඉඩ සලසයි. 

කුඩා ස්නායු ජාල වලට ස්තුති වන්නට සූර්ය බැටරි හෝ බොත්තම් සෛල මගින් බල ගැන්වෙන උපාංග මත DL හැකි වූ අවස්ථා ද තිබේ. කෙසේ වෙතත්, කප්පාදු කිරීමේ ක්රමයේ සීමාවක් වන්නේ එය අඩු කිරීමට පෙර ආකෘතිය තවමත් සම්පූර්ණයෙන්ම පුහුණු කළ යුතු බවයි. ඔවුන් විසින්ම පුහුණු කළ හැකි ස්නායු උප කුලක පිළිබඳ මූලික අධ්‍යයනයන් කිහිපයක් විය. කෙසේ වෙතත්, ඒවායේ නිරවද්‍යතාවය අධි ප්‍රමාණයේ ස්නායු ජාල වල නිරවද්‍යතාවයට සමාන නොවේ.

AI ආකෘති පුහුණු කිරීමේ ඇඟවුම්

AI ආකෘති පුහුණු කිරීමේ පුළුල් ඇඟවුම් ඇතුළත් විය හැකිය: 

• ස්නායු ජාල පුහුණු කිරීමේ විවිධ ක්රම පිළිබඳ පර්යේෂණ වැඩි කිරීම; කෙසේ වෙතත්, අරමුදල් නොමැතිකම නිසා ප්‍රගතිය මන්දගාමී විය හැක.
• විශාල තාක්‍ෂණය ඔවුන්ගේ AI පර්යේෂණ විද්‍යාගාර සඳහා අරමුදල් සැපයීම දිගටම කරගෙන යන අතර එහි ප්‍රතිඵලයක් ලෙස උනන්දුව පිළිබඳ ගැටුම් වැඩි වේ.
• AI සංවර්ධනයේ පිරිවැය ඒකාධිකාරයන් පිහිටුවීමට කොන්දේසි නිර්මානය කරයි, ස්ථාපිත තාක්ෂණික සමාගම් සමඟ ස්වාධීනව තරඟ කිරීමට නව AI ආරම්භකයින්ට ඇති හැකියාව සීමා කරයි. නැගී එන ව්‍යාපාරික තත්ත්වයකදී විශාල තාක්‍ෂණ සමාගම් අතලොස්සක් යෝධ හිමිකාර AI මාදිලි සංවර්ධනය කර කුඩා AI සමාගම්වලට සේවා/උපයෝගිතා ලෙස බදු දීම දැකිය හැකිය.
• පර්යේෂණ ආයතන, ලාභ නොලබන ආයතන සහ විශ්ව විද්‍යාල ඔවුන් වෙනුවෙන් AI අත්හදා බැලීම් සිදු කිරීමට විශාල තාක්‍ෂණයෙන් අරමුදල් සපයනු ලැබේ. මෙම ප්‍රවණතාවය ශාස්ත්‍රාලිකයේ සිට සංගත දක්වා වැඩි බුද්ධි ගලනයකට තුඩු දිය හැකිය.
• ඔවුන්ගේ පර්යේෂණ සහ සංවර්ධන ව්‍යාපෘති සඳහා වගකිව යුතු බවට පත් කිරීම සඳහා ඔවුන්ගේ AI ආචාර ධර්ම මාර්ගෝපදේශ ප්‍රකාශයට පත් කිරීමට සහ නිතිපතා යාවත්කාලීන කිරීමට විශාල තාක්‍ෂණයට ඇති පීඩනය වැඩි වීම.
• ඉහළ පරිගණක බලය වැඩි වැඩියෙන් අවශ්‍ය වන බැවින් AI ආකෘති පුහුණු කිරීම වඩා මිල අධික වන අතර එය වැඩි කාබන් විමෝචනයකට තුඩු දෙයි.
• මෙම යෝධ AI ආකෘති පුහුණු කිරීමේදී භාවිතා කරන දත්ත නියාමනය කිරීමට උත්සාහ කරන සමහර රාජ්‍ය ආයතන. කුඩා හා මධ්‍ය පරිමාණ ව්‍යවසායකයින්ගේ නවෝත්පාදනයන් දිරිමත් කිරීමේ උත්සාහයක් ලෙස කුඩා දේශීය සමාගම්වලට ප්‍රවේශ විය හැකි ලෙස යම් ප්‍රමාණයක AI මාදිලි බල කරන නීති සම්පාදනය කිරීමට තරඟකාරී ආයතන ඉඩ ඇත.

සලකා බැලිය යුතු ප්‍රශ්න

• ඔබ AI අංශයේ වැඩ කරන්නේ නම්, ඔබේ සංවිධානය වඩාත් පරිසර හිතකාමී AI ආකෘති සංවර්ධනය කරන්නේ කෙසේද?
• මිල අධික AI මාදිලිවල විභව දිගුකාලීන ප්‍රතිවිපාක මොනවාද?