जबकि दुनिया भर के संगठन लंबे समय से एआई निवेश की होड़ में हैं, कृत्रिम बुद्धिमत्ता परियोजनाओं की संख्या जो इसे प्रोटोटाइप से उत्पादन तक बनाती है । , अभी भी लगभग 53% में उतार-चढ़ाव करती है विशेषज्ञों का मानना है कि ऐसा अक्सर तकनीकी कौशल, मानव संसाधन और अन्य उपयोग के मामलों में पृथक प्रूफ ऑफ कॉन्सेप्ट्स (पीओसी) को मापने के लिए उपकरणों की कमी के कारण होता है। और निश्चित रूप से अलग-अलग कार्यों के लिए अलग-अलग एआई मॉडल के प्रशिक्षण की उच्च लागत। एआई फाउंडेशन मॉडल - यानी, कुशल एआई सलाहकारों के मार्गदर्शन में बड़ी मात्रा में बिना लेबल वाले डेटा पर प्रशिक्षित बड़े मशीन लर्निंग मॉडल - चुनौतीपूर्ण एआई स्केलेबिलिटी और लागत की समस्याओं का अंतिम जवाब हो सकते हैं। आपकी कंपनी के लिए पेपर-आधारित दस्तावेज़ों को संपादन योग्य टेक्स्ट फ़ाइलों में परिवर्तित करने से लेकर विभिन्न कार्यों को बढ़ाने या स्वचालित करने के लिए शुरुआती बिंदु के रूप में ऐसे मॉडल का उपयोग कर सकती है। और वहां से अपनी AI उत्कृष्टता का निर्माण करें, भविष्य के कार्यों और उपयोग के मामलों के लिए नींव मॉडल को अपनाएं। सोशल मीडिया समीक्षाओं में ग्राहक भावनाओं को उजागर करने फाउंडेशन मॉडल क्या हैं, और वे आपकी कंपनी को AI में उत्कृष्टता प्राप्त करने में कैसे मदद कर सकते हैं? जब तक आप किसी चट्टान के नीचे नहीं रह रहे हैं, आपने के बारे में सुना होगा। इस भाषा मॉडल ने पर्यवेक्षित शिक्षण का उपयोग करके संवादात्मक पाठ की जबरदस्त मात्रा को अवशोषित किया है और, ठीक-ठीक चरण में, मानव प्रतिक्रिया (आरएलएचएफ) से सुदृढीकरण सीखने का दृष्टिकोण। OpenAI के ChatGPT जनरेटिव एआई समाधान इनपुट डेटा का विश्लेषण कर सकता है और लिखित भाषा को गहराई से समझ सकता है। स्मार्ट टूल सवालों के जवाब दे सकता है, पाठ को सारांशित और अनुवाद कर सकता है, किसी दिए गए विषय पर लेख तैयार कर सकता है, कोड लिख सकता है और बहुत कुछ कर सकता है। आपको केवल की आवश्यकता है। 175 बिलियन मापदंडों के खिलाफ ChatGPT को सही संकेतों के साथ उपलब्ध कराने OpenAI का अभूतपूर्व उत्पाद नींव मॉडल का सिर्फ एक उदाहरण है जो बदल देता है जैसा कि हम जानते हैं। AI अनुप्रयोग विकास को फाउंडेशन मॉडल एआई विकास को बाधित करते हैं जैसा कि हम जानते हैं। अलग-अलग उपयोग के मामलों के लिए कई मॉडलों को प्रशिक्षित करने के बजाय, अब आप कई विभागों और कार्य कार्यों में कार्यों को बढ़ाने या पूरी तरह से स्वचालित करने के लिए पूर्व-प्रशिक्षित एआई समाधान का लाभ उठा सकते हैं। चैटजीपीटी जैसे फाउंडेशन एआई मॉडल के साथ, कंपनियों को अब हर उस कार्य के लिए एल्गोरिदम को स्क्रैच से प्रशिक्षित करने की आवश्यकता नहीं है, जिसे वे बढ़ाना या स्वचालित करना चाहते हैं। इसके बजाय, आपको केवल एक नींव मॉडल का चयन करने की आवश्यकता है जो आपके उपयोग के मामले में सबसे उपयुक्त हो - और एक विशिष्ट उद्देश्य के लिए इसके प्रदर्शन को ठीक करें जिसे आप प्राप्त करना चाहते हैं। फाउंडेशन मॉडल उन उद्योगों के लिए एकदम सही हैं जहां प्रशिक्षण डेटा प्राप्त करना बहुत कठिन या महंगा हो सकता है। इन उद्योगों में कुछ नाम रखने के लिए , जीवन विज्ञान, जैव प्रौद्योगिकी और विनिर्माण शामिल हैं। स्वास्थ्य सेवा किस प्रकार के फाउंडेशन एआई मॉडल हैं? व्यावसायिक अनुप्रयोगों में आमतौर पर कई प्रकार के फाउंडेशन एआई मॉडल का उपयोग किया जाता है: एक डेटासेट पर प्रशिक्षित होते हैं जिसमें लेबल किए गए और बिना लेबल वाले डेटा का मिश्रण होता है। लेबल रहित डेटा पर मॉडल के प्रदर्शन को बेहतर बनाने के लिए लेबल किए गए डेटा का उपयोग करना लक्ष्य है। एआई विशेषज्ञ अर्ध-पर्यवेक्षित शिक्षण की ओर मुड़ते हैं जब प्रशिक्षण डेटा प्राप्त करना मुश्किल होता है या आपकी कंपनी को एक हाथ और एक पैर खर्च करना पड़ता है। उदाहरण के लिए, यह चिकित्सा सेटिंग्स में हो सकता है जहां विभिन्न स्वास्थ्य देखभाल आईटी नियम बनाए गए हैं। अर्ध-पर्यवेक्षित मॉडल के कुछ सामान्य उदाहरणों में पूर्व-प्रशिक्षित पाठ दस्तावेज़ और वेब सामग्री वर्गीकरण एल्गोरिदम शामिल हैं। अर्ध-पर्यवेक्षित शिक्षण मॉडल पूरी तरह से बिना लेबल वाले डेटासेट पर प्रशिक्षित होते हैं। वे प्रशिक्षण डेटा में पैटर्न खोजते हैं या इसे स्वयं संरचित करते हैं। इस तरह के मॉडल, अन्य बातों के अलावा, उन मापदंडों के आधार पर जानकारी को समूहों में विभाजित कर सकते हैं जिन्हें उन्होंने प्रशिक्षण डेटासेट में उजागर किया है। मशीन सीखने के समाधान बनाने और उनकी सटीकता में सुधार करने के लिए एमएल इंजीनियर ऑटो-एनकोडर, के-मीन्स, पदानुक्रमित क्लस्टरिंग और अन्य तकनीकों की ओर रुख करते हैं। अनसुपरवाइज्ड लर्निंग मॉडल विशिष्ट प्रशिक्षण के बिना अपने पर्यावरण के साथ बातचीत करते हैं। एक वांछित परिणाम प्राप्त करने पर - यानी, भविष्यवाणी करने से डेवलपर्स को उम्मीद है - मॉडल को पुरस्कृत किया जाता है। इसके विपरीत, गलत अनुमान लगाने पर सुदृढीकरण सीखने के मॉडल को दंडित किया जाता है। दृष्टिकोण एआई एल्गोरिदम को उनके पर्यवेक्षित और अर्ध-पर्यवेक्षित समकक्षों की तुलना में अधिक जटिल निर्णय लेने की अनुमति देता है। कार्रवाई में सुदृढीकरण सीखने का एक उदाहरण स्वायत्त वाहन या अल्फागो जैसे गेम-प्लेइंग आर्टिफिशियल इंटेलिजेंस होगा। सुदृढीकरण सीखने के मॉडल उस डेटा के समान नए डेटा का उत्पादन करते हैं जिस पर उन्हें प्रशिक्षित किया गया है। इस डेटा में टेक्स्ट, इमेज, ऑडियो क्लिप और वीडियो शामिल हो सकते हैं। पिछले अनुभाग में उल्लिखित चैटजीपीटी समाधान फाउंडेशन एआई मॉडल की इस श्रेणी से संबंधित है। जनरेटिव AI के अन्य उदाहरणों में शामिल है, जो प्राकृतिक भाषा में लिखे गए विवरणों के आधार पर चित्र बनाता है, और वीडियो प्लेटफॉर्म, जो वीडियो सामग्री बनाने के लिए टेक्स्ट-आधारित इनपुट का उपयोग करता है। जनरेटिव एआई मॉडल DALL-E 2 टूल Synthesia.io प्रशिक्षित किए जाने के अलावा अन्य कार्यों को हल कर सकते हैं। उदाहरण के लिए, कंप्यूटर विज़न इंजीनियर ऑब्जेक्ट डिटेक्शन के लिए पूर्व-प्रशिक्षित छवि वर्गीकरण एल्गोरिदम का लाभ उठा सकते हैं। या ग्राहक भावना विश्लेषण जैसे अधिक ज्ञान-गहन कार्यों के लिए मौजूदा एनएलपी समाधानों का उपयोग करें। कुछ लोकप्रिय पूर्व-प्रशिक्षित मशीन लर्निंग समाधानों में शामिल हैं OpenCV, एक कंप्यूटर विज़न लाइब्रेरी जिसमें वस्तु वर्गीकरण और छवि का पता लगाने के लिए मजबूत मॉडल हैं, और हगिंग फेस की ट्रांसफॉर्मर्स लाइब्रेरी की पेशकश, जैसे कि जनरेटिव प्री-ट्रेन्ड ट्रांसफॉर्मर (GPT) - यानी एक समृद्ध भाषा मॉडल जिसका तीसरी पीढ़ी (GPT-3) ChatGPT सेवा को शक्ति प्रदान करती है। ट्रांसफर लर्निंग मॉडल , उनके कार्य-उन्मुख समकक्षों के विपरीत, शाब्दिक रूप से सीखना सीखते हैं (कोई यमक नहीं)। किसी विशिष्ट समस्या को हल करने के लिए डेटा का उपभोग करने के बजाय, ऐसे मॉडल समस्या-समाधान के लिए सामान्य रणनीति विकसित करते हैं। इस तरह, मेटा-लर्निंग समाधान अपने संसाधनों, जैसे मेमोरी और कंप्यूटिंग शक्ति का अधिक कुशलता से उपयोग करते हुए आसानी से नई चुनौतियों के अनुकूल हो सकते हैं। एमएल विशेषज्ञ मेटा-लर्निंग में तब टैप करते हैं जब प्रशिक्षण डेटा दुर्लभ होता है, या किसी कंपनी के पास व्यवसाय में एआई कार्यान्वयन के बारे में निश्चित योजनाओं का अभाव होता है। TensorFlow, PyTorch, और अन्य ओपन-सोर्स मशीन लर्निंग लाइब्रेरी और फ्रेमवर्क ऐसे टूल प्रदान करते हैं जो डेवलपर्स को मेटा-लर्निंग तकनीकों का पता लगाने की अनुमति देते हैं। और Google जैसे क्लाउड कंप्यूटिंग प्रदाता ML विशेषज्ञों की मदद करते हैं और AutoML का उपयोग करके नए लोगों को कस्टम मशीन लर्निंग मॉडल को प्रशिक्षित करते हैं। मेटा-लर्निंग मॉडल विशिष्ट एप्लिकेशन और आपके पास मौजूद डेटा के प्रकार के आधार पर, एक फाउंडेशन मॉडल दूसरे की तुलना में अधिक उपयुक्त हो सकता है। और आपकी कंपनी एक ओपन-सोर्स समाधान के बीच चयन करने के लिए स्वतंत्र है, जिसमें थोड़े से सुधार की आवश्यकता है, या उपयोग के लिए तैयार तृतीय-पक्ष उत्पाद - बशर्ते कि यह आपके व्यावसायिक लक्ष्यों को पूरा करता हो। आपके अगले प्रोजेक्ट के लिए बुनियादी AI मॉडल का लाभ उठाने के शीर्ष 3 कारण स्टैंडअलोन, टास्क-ओरिएंटेड मशीन लर्निंग मॉडल की तुलना में, फाउंडेशन मॉडल कम डेटा शामिल और न्यूनतम फाइन-ट्यूनिंग के साथ विश्वसनीय एआई समाधान तेजी से और सस्ता बनाने में मदद करते हैं। और इसका उल्लेख नहीं है कि, एक संगठन से अधिक डेटा पर प्रशिक्षित होने के कारण, नींव मॉडल पहले दिन से उच्च सटीकता प्रदर्शित करते हैं। नीचे आपको फाउंडेशन एआई मॉडल के फायदों की एक सूची मिलेगी: । एआई समाधान बनाने और तैनात करने के लिए काफी समय और संसाधनों की आवश्यकता होती है। प्रत्येक नए एप्लिकेशन के लिए, आपको एक अलग अच्छी तरह से लेबल किए गए डेटा सेट की आवश्यकता होती है। और यदि आपके पास यह नहीं है, तो आपको उस जानकारी को खोजने, शुद्ध करने और लेबल करने के लिए डेटा विशेषज्ञों की एक टीम की आवश्यकता होगी। आईबीएम एआई के सीटीओ दक्षी अग्रवाल के अनुसार, फाउंडेशन मॉडल किसी दिए गए उपयोग के मामले के आधार पर डेटा लेबलिंग आवश्यकताओं को 10-200 गुना कम करने में मदद करते हैं, जो महत्वपूर्ण लागत बचत में परिवर्तित होता है। व्यावसायिक पक्ष पर, आपको क्लाउड कंप्यूटिंग के बढ़ते खर्चों पर भी विचार करना चाहिए। उदाहरण के लिए, Google ने डीपमाइंड को गो खेलना सिखाने के लिए $35 मिलियन खर्च किए। और भले ही आपका AI प्रोजेक्ट आधा महत्वाकांक्षी न हो, लेकिन आप अपने AI ऐप को चलाने और चलाने के लिए केवल क्लाउड सर्वर लागतों में । नींव मॉडल का उपयोग करने का एक अन्य कारण, जैसे कि जनरेटिव एआई समाधान, आरएंडडी में भारी निवेश किए बिना विभिन्न अवधारणाओं को जल्दी से प्रोटोटाइप और परीक्षण करने का अवसर है। फाउंडेशन मॉडल एआई को तेजी से, सस्ते और कम संसाधनों के साथ लागू करने में आपकी मदद करेंगे आसानी से $300,000 खर्च कर सकते हैं । जैसा कि उनके नाम से पता चलता है, एआई फाउंडेशन मॉडल कई एआई अनुप्रयोगों के आधार के रूप में काम कर सकते हैं। कार चलाने के बारे में सोचें। एक बार जब आपको ड्राइविंग लाइसेंस मिल जाता है, तो आपको हर बार कोई अन्य वाहन खरीदने पर परीक्षा पास करने की आवश्यकता नहीं होती है। इसी तरह, आप एक सामान्य-उद्देश्य नींव मॉडल को प्रशिक्षित करने के लिए लेबल किए गए डेटा की एक छोटी मात्रा का उपयोग कर सकते हैं जो डोमेन-विशिष्ट सामग्री को संसाधित करने के लिए टेक्स्ट को सारांशित करता है। और नींव के मॉडल में "उभरने" की क्षमता भी होती है, जिसका अर्थ है कि एक बार प्रशिक्षित होने पर एक मॉडल उन समस्याओं को हल करना सीख सकता है जिन्हें संबोधित नहीं करना चाहिए था या प्रशिक्षण डेटा से अप्रत्याशित अंतर्दृष्टि प्राप्त कर सकता है। आप विभिन्न एप्लिकेशन बनाने के लिए आधार AI मॉडल का पुन: उपयोग कर सकते हैं । एक बड़े मशीन लर्निंग मॉडल को प्रशिक्षित करने से जैसा कि अपने जीवनकाल में पांच कारों को चलाने से होता है। इतना भारी कार्बन फुटप्रिंट इस तथ्य के बिल्कुल विपरीत है कि 66% और 49% व्यवसाय क्रमशः हैं और नई जलवायु-अनुकूल सेवाओं और उत्पादों को विकसित कर रहे हैं। नींव एआई मॉडल के साथ, आप बुद्धिमान एल्गोरिदम को तेजी से प्रशिक्षित कर सकते हैं और कंप्यूटिंग संसाधनों का बुद्धिमानी से उपयोग कर सकते हैं - कम से कम मॉडल के आर्किटेक्चर के लिए धन्यवाद जो हार्डवेयर समानता का लाभ उठाता है, एक साथ कई कार्यों को निष्पादित करता है। फाउंडेशन एआई मॉडल आपकी कंपनी के स्थिरता लक्ष्यों को प्राप्त करने में मदद करते हैं पर्यावरण पर वैसा ही प्रभाव पड़ सकता है ऊर्जा उपयोग की दक्षता बढ़ा रहे "एआई का भविष्य" माना जाता है, नींव मॉडल कृत्रिम बुद्धि में दोहन के लिए सीमा को कम करते हैं और संभावित रूप से अन्य उपयोग मामलों और कंपनी के व्यापक पैमाने पर व्यवसायों के मॉडल की मदद करके अवधारणा चक्र के असफल एआई प्रमाण को समाप्त कर सकते हैं। लेकिन हर अवसर के साथ एक चुनौती आती है। फाउंडेशन मॉडल का उपयोग करते समय किन बातों का ध्यान रखना चाहिए नींव एआई मॉडल की एकमात्र स्पष्ट कमी है। व्याख्यात्मकता की कमी बड़े नींव मॉडल इतने अधिक प्रशिक्षण डेटा का उपयोग कर सकते हैं और इतनी गहरी परतें हैं कि कभी-कभी यह निर्धारित करना कठिन होता है कि एल्गोरिदम अपने निष्कर्ष पर कैसे पहुंचे। फाउंडेशन मॉडल की ब्लैक-बॉक्स प्रकृति साइबर अपराधियों के लिए भी एक पिछले दरवाजे को छोड़ देती है। हैकर्स डेटा पॉइज़निंग हमले शुरू कर सकते हैं और परिचय दे सकते हैं, जो कृत्रिम बुद्धिमत्ता के नैतिक मुद्दों को और बढ़ा देते हैं। एआई पूर्वाग्रह का प्रौद्योगिकी कंपनियों को सार्वजनिक एआई परियोजनाओं के लिए आधारभूत संरचना स्थापित करने के लिए सरकारों के साथ सेना में शामिल होना चाहिए ताकि नींव एआई मॉडल के उपयोग के विवाद से बचा जा सके। एआई विक्रेताओं को यह भी खुलासा करना चाहिए कि वे किस डेटासेट का उपयोग करते हैं और वे अपने मॉडल को कैसे प्रशिक्षित करते हैं। पर्सी लियांग के रूप में, स्टैनफोर्ड एचएआई संकाय और कंप्यूटर विज्ञान के प्रोफेसर, , "हम बहुत शुरुआती दिनों में हैं, इसलिए पेशेवर मानदंड अविकसित हैं। इसलिए यह जरूरी है कि हम, एक समुदाय के रूप में, अब यह सुनिश्चित करने के लिए कार्य करें कि यह तकनीक नैतिक और सामाजिक रूप से जिम्मेदार तरीके से विकसित और तैनात की गई है। ने वेंचर बीट के साथ अपने हालिया साक्षात्कार के दौरान कहा आपके संगठन में नींव मॉडल का उपयोग शुरू करने में क्या लगता है? किसी ऐसे व्यक्ति के रूप में जिसने पिछले दस वर्षों में कंपनियों को एआई सिस्टम को लागू करने में मदद की है, ITRex टीम कृत्रिम बुद्धिमत्ता में बदलाव देख रही है। सिस्टम जो एक ही डोमेन में विशिष्ट कार्यों को निष्पादित करते हैं, व्यापक एआई के लिए रास्ता देते हैं जो अधिक आम तौर पर सीखता है और उद्योगों में काम करता है और मामलों का उपयोग करता है। फाउंडेशन मॉडल, बड़े, बिना लेबल वाले डेटासेट पर प्रशिक्षित और विभिन्न अनुप्रयोगों के लिए ठीक-ठीक, इस परिवर्तन को चला रहे हैं। यदि आपकी कंपनी आपके प्रतिस्पर्धियों से छलांग लगाने और आपके एआई सिस्टम से तेजी से आरओआई प्राप्त करने के लिए तैयार है, तो यहां फाउंडेशन मॉडल को लागू करने के लिए एक उच्च स्तरीय रणनीति है: । पहले चरण में उस डेटा को एकत्र करना और पूर्व-प्रसंस्करण करना शामिल है जिसे आप एक फाउंडेशन AI मॉडल को फीड करेंगे। इस डेटा की गुणवत्ता और विविधता यह सुनिश्चित करने के लिए महत्वपूर्ण है कि फाइन-ट्यून किया गया मॉडल सटीक और मजबूत है। अपना डेटा एकत्र और पूर्व-संसाधित करें । कई पूर्व-प्रशिक्षित एआई फाउंडेशन मॉडल बाजार में उपलब्ध हैं। कुछ लोकप्रिय समाधानों में दूसरों के साथ-साथ BERT, GPT और ResNet शामिल हैं। आप जिस कार्य को हल करना चाहते हैं और आपके पास जिस प्रकार का डेटा है, उसके आधार पर सही नींव मॉडल चुनना महत्वपूर्ण है। एक फाउंडेशन मॉडल चुनें । एक बार आपका आधार मॉडल और डेटा तैयार हो जाने पर, आप मॉडल के पैरामीटर को अपने विशिष्ट कार्य के अनुसार समायोजित कर सकते हैं। इस लक्ष्य को हासिल करने का एक तरीका ट्रांसफर लर्निंग है, जहां आप शुरुआती बिंदु के रूप में नींव मॉडल के पूर्व-प्रशिक्षित भार का उपयोग करते हैं और उन्हें अपने प्रशिक्षण डेटा के आधार पर समायोजित करते हैं। मॉडल को अपने व्यावसायिक उद्देश्यों के अनुरूप बदलें । फाइन-ट्यूनिंग के बाद, यह निर्धारित करना महत्वपूर्ण है कि क्या मॉडल अच्छी तरह से काम करता है और यदि आगे समायोजन आवश्यक है। नींव मॉडल के प्रदर्शन का आकलन करने के लिए, आप मानक मेट्रिक्स जैसे सटीकता, सटीकता, रिकॉल और F1 स्कोर का उपयोग कर सकते हैं। मॉडल का मूल्यांकन करें । एक बार जब आप अपने परिष्कृत मॉडल के प्रदर्शन से संतुष्ट हो जाते हैं, तो आप इसे उत्पादन परिवेश में परिनियोजित कर सकते हैं। एआई मॉडल को तैनात करने के कई विकल्पों में क्लाउड-आधारित प्लेटफॉर्म, ऑन-प्रिमाइसेस सर्वर या एज डिवाइस शामिल हैं। अपने एआई समाधान को तैनात करें यह याद रखना महत्वपूर्ण है कि एआई फाउंडेशन मॉडल को लागू करने के लिए तकनीकी विशेषज्ञता और विशेष हार्डवेयर और सॉफ्टवेयर टूल्स तक पहुंच की आवश्यकता होती है। इसलिए, यह सुनिश्चित करने के लिए कि प्रक्रिया प्रभावी ढंग से की जाती है, किसी विशेष एआई विक्रेता के साथ साझेदारी करना या एआई विशेषज्ञों की एक टीम के साथ परामर्श करना मददगार हो सकता है। अपनी एआई जरूरतों पर चर्चा करने के लिए ! हम आपकी कंपनी की एआई तत्परता का आकलन करेंगे, आपके डेटा का ऑडिट करेंगे और इसे एल्गोरिथम विश्लेषण के लिए तैयार करेंगे, और आर्टिफिशियल इंटेलिजेंस के साथ शुरुआत करने के लिए सही फाउंडेशन मॉडल चुनेंगे! हमें एक पंक्ति में छोड़ दें
