paint-brush
Giới thiệu về các mô hình AI nền tảng: Các loại, trường hợp sử dụng và cách bắt đầutừ tác giả@itrex
3,828 lượt đọc
3,828 lượt đọc

Giới thiệu về các mô hình AI nền tảng: Các loại, trường hợp sử dụng và cách bắt đầu

từ tác giả ITRex9m2023/03/20
Read on Terminal Reader

dài quá đọc không nổi

Các mô hình nền tảng là các mô hình máy học lớn được đào tạo trên khối lượng lớn dữ liệu chưa được gắn nhãn dưới sự hướng dẫn của các chuyên gia tư vấn AI lành nghề. Những mô hình như vậy có thể được sử dụng để nâng cao hoặc tự động hóa các nhiệm vụ khác nhau, từ chuyển đổi tài liệu trên giấy thành tệp văn bản có thể chỉnh sửa để khám phá cảm tính của khách hàng trên mạng xã hội.
featured image - Giới thiệu về các mô hình AI nền tảng: Các loại, trường hợp sử dụng và cách bắt đầu
ITRex HackerNoon profile picture
0-item

Trong khi các tổ chức trên toàn cầu từ lâu đã đầu tư mạnh tay vào AI, số lượng dự án trí tuệ nhân tạo từ nguyên mẫu đến sản xuất vẫn dao động khoảng 53% .


Các chuyên gia tin rằng điều này thường xảy ra do thiếu kỹ năng công nghệ, nguồn nhân lực và công cụ để mở rộng bằng chứng khái niệm AI (PoC) bị cô lập trong các trường hợp sử dụng khác. Và tất nhiên, chi phí đào tạo các mô hình AI riêng biệt cho các nhiệm vụ khác nhau có lẽ là cao.


Các mô hình nền tảng — tức là các mô hình máy học lớn được đào tạo trên khối lượng lớn dữ liệu chưa được gắn nhãn dưới sự hướng dẫn của các chuyên gia tư vấn AI lành nghề — có thể là câu trả lời cuối cùng cho các vấn đề khó khăn về khả năng mở rộng AI và chi phí.


Công ty của bạn có thể sử dụng các mô hình như vậy làm điểm khởi đầu để nâng cao hoặc tự động hóa các tác vụ khác nhau, từ chuyển đổi tài liệu trên giấy thành tệp văn bản có thể chỉnh sửa để khám phá cảm tính của khách hàng trong các bài đánh giá trên mạng xã hội . Và xây dựng dựa trên sự xuất sắc về AI của bạn từ đó, điều chỉnh các mô hình nền tảng cho các nhiệm vụ và trường hợp sử dụng trong tương lai.

Các mô hình nền tảng là gì và làm thế nào chúng có thể giúp công ty của bạn vượt trội về AI?

Trừ khi bạn đang sống dưới một tảng đá, nếu không bạn đã nghe nói về ChatGPT của OpenAI . Mô hình ngôn ngữ này đã hấp thụ một lượng lớn văn bản hội thoại bằng cách sử dụng phương pháp học có giám sát và, ở giai đoạn tinh chỉnh, phương pháp học tăng cường từ phản hồi của con người (RLHF).


Giải pháp AI tổng quát có thể phân tích dữ liệu đầu vào dựa trên 175 tỷ tham số và hiểu sâu sắc ngôn ngữ viết. Công cụ thông minh có thể trả lời câu hỏi, tóm tắt và dịch văn bản, tạo bài viết về một chủ đề nhất định, viết mã, v.v. Tất cả những gì bạn cần là cung cấp cho ChatGPT lời nhắc phù hợp .


Sản phẩm đột phá của OpenAI chỉ là một ví dụ về các mô hình nền tảng giúp chuyển đổi quá trình phát triển ứng dụng AI như chúng ta biết.

Các mô hình nền tảng phá vỡ sự phát triển của AI như chúng ta biết. Thay vì đào tạo nhiều mô hình cho các trường hợp sử dụng riêng biệt, giờ đây bạn có thể tận dụng giải pháp AI được đào tạo trước để nâng cao hoặc tự động hóa hoàn toàn các nhiệm vụ trên nhiều bộ phận và chức năng công việc.


Với các mô hình AI nền tảng như ChatGPT, các công ty không còn phải đào tạo các thuật toán từ đầu cho mọi tác vụ mà họ muốn nâng cao hoặc tự động hóa. Thay vào đó, bạn chỉ cần chọn một mô hình nền tảng phù hợp nhất với trường hợp sử dụng của mình — và tinh chỉnh hiệu suất của nó cho một mục tiêu cụ thể mà bạn muốn đạt được.


Các mô hình nền tảng là hoàn hảo cho các ngành mà dữ liệu đào tạo có thể quá khó hoặc tốn kém để có được. Những ngành này bao gồm chăm sóc sức khỏe , khoa học đời sống, công nghệ sinh học và sản xuất, v.v.

Có những loại mô hình AI nền tảng nào?

Một số loại mô hình AI nền tảng thường được sử dụng trong các ứng dụng kinh doanh:


  • Các mô hình học bán giám sát được đào tạo trên tập dữ liệu chứa hỗn hợp dữ liệu được gắn nhãn và không được gắn nhãn. Mục tiêu là sử dụng dữ liệu được gắn nhãn để cải thiện hiệu suất của mô hình trên dữ liệu không được gắn nhãn. Các chuyên gia AI chuyển sang học bán giám sát khi dữ liệu đào tạo khó lấy hoặc sẽ khiến công ty của bạn phải trả giá đắt. Chẳng hạn, điều này có thể xảy ra trong môi trường y tế nơi các quy định về CNTT chăm sóc sức khỏe khác nhau được ban hành. Một số ví dụ phổ biến về các mô hình bán giám sát bao gồm các thuật toán phân loại nội dung web và tài liệu văn bản được đào tạo trước.


  • Các mô hình học tập không giám sát được đào tạo đầy đủ trên các tập dữ liệu chưa được gắn nhãn. Họ khám phá các mẫu trong dữ liệu huấn luyện hoặc tự mình cấu trúc hóa nó. Các mô hình như vậy, trong số những thứ khác, có thể phân đoạn thông tin thành các cụm dựa trên các tham số mà chúng đã phát hiện ra trong tập dữ liệu huấn luyện. Các kỹ sư ML sử dụng bộ mã hóa tự động, K-Means, phân cụm theo thứ bậc và các kỹ thuật khác để tạo ra các giải pháp máy học không giám sát và cải thiện độ chính xác của chúng.


  • Các mô hình học tăng cường tương tác với môi trường của chúng mà không cần đào tạo cụ thể. Khi đạt được kết quả mong muốn - tức là đưa ra dự đoán mà các nhà phát triển đã hy vọng - các mô hình sẽ được khen thưởng. Ngược lại, các mô hình học tăng cường bị phạt khi đưa ra các giả định sai. Cách tiếp cận này cho phép các thuật toán AI đưa ra các quyết định phức tạp hơn so với các thuật toán được giám sát và bán giám sát của chúng. Một ví dụ về học tăng cường trong hành động sẽ là các phương tiện tự động hoặc trí tuệ nhân tạo chơi trò chơi như AlphaGo.


  • Các mô hình AI sáng tạo tạo ra dữ liệu mới tương tự như dữ liệu mà chúng đã được đào tạo. Dữ liệu này có thể bao gồm văn bản, hình ảnh, đoạn âm thanh và video. Giải pháp ChatGPT được đề cập trong phần trước thuộc danh mục mô hình AI nền tảng này. Các ví dụ khác về AI tổng quát bao gồm công cụ DALL-E 2 , tạo hình ảnh dựa trên mô tả được viết bằng ngôn ngữ tự nhiên và nền tảng video Synthesia.io , sử dụng đầu vào dựa trên văn bản để tạo nội dung video.

  • Các mô hình học tập chuyển giao có thể giải quyết các nhiệm vụ khác với những gì chúng đã được đào tạo. Chẳng hạn, các kỹ sư thị giác máy tính có thể tận dụng các thuật toán phân loại hình ảnh được đào tạo trước để phát hiện đối tượng. Hoặc khai thác các giải pháp NLP hiện có cho các tác vụ đòi hỏi nhiều kiến thức hơn, chẳng hạn như phân tích cảm tính của khách hàng. Một số giải pháp máy học được đào tạo trước phổ biến bao gồm OpenCV, thư viện thị giác máy tính chứa các mô hình mạnh mẽ để phân loại đối tượng và phát hiện hình ảnh, và các dịch vụ thư viện Transformers của Hugging Face, chẳng hạn như máy biến áp được đào tạo trước tổng quát (GPT) — tức là, một mô hình ngôn ngữ phong phú có thế hệ thứ ba (GPT-3) hỗ trợ dịch vụ ChatGPT.


  • Các mô hình siêu học tập , không giống như các mô hình tương đương định hướng theo nhiệm vụ của chúng, học để học theo nghĩa đen (không có ý định chơi chữ). Thay vì ngấu nghiến dữ liệu để giải quyết một vấn đề cụ thể, những mô hình như vậy phát triển các chiến lược chung để giải quyết vấn đề. Bằng cách này, các giải pháp siêu học tập có thể dễ dàng thích ứng với những thách thức mới trong khi sử dụng tài nguyên của chúng, chẳng hạn như bộ nhớ và sức mạnh tính toán, hiệu quả hơn. Các chuyên gia ML khai thác meta-learning khi khan hiếm dữ liệu đào tạo hoặc một công ty thiếu các kế hoạch dứt khoát liên quan đến việc triển khai AI trong kinh doanh. TensorFlow, PyTorch cũng như các thư viện và khung máy học nguồn mở khác cung cấp các công cụ cho phép các nhà phát triển khám phá các kỹ thuật siêu học. Và các nhà cung cấp điện toán đám mây như Google giúp các chuyên gia ML và người mới sử dụng AutoML đào tạo các mô hình máy học tùy chỉnh.


Tùy thuộc vào ứng dụng cụ thể và loại dữ liệu bạn có, một mô hình nền tảng có thể phù hợp hơn mô hình khác. Và công ty của bạn có thể tự do lựa chọn giữa giải pháp mã nguồn mở, cần điều chỉnh một chút hoặc sản phẩm của bên thứ ba sẵn sàng sử dụng — miễn là giải pháp đó đáp ứng các mục tiêu kinh doanh của bạn.

3 lý do hàng đầu để tận dụng các mô hình AI nền tảng cho dự án tiếp theo của bạn

So với các mô hình máy học độc lập, định hướng nhiệm vụ, các mô hình nền tảng giúp tạo ra các giải pháp AI đáng tin cậy nhanh hơn và rẻ hơn, sử dụng ít dữ liệu hơn và tinh chỉnh ở mức tối thiểu. Và đó là chưa kể đến việc được đào tạo trên nhiều dữ liệu hơn một tổ chức đơn lẻ có thể có được, các mô hình nền tảng hiển thị độ chính xác cao ngay từ ngày đầu tiên.


Dưới đây, bạn sẽ tìm thấy danh sách các ưu điểm của các mô hình AI nền tảng:


  • Các mô hình nền tảng sẽ giúp bạn triển khai AI nhanh hơn, rẻ hơn và sử dụng ít tài nguyên hơn . Việc tạo và triển khai một giải pháp AI đòi hỏi thời gian và nguồn lực đáng kể. Đối với mọi ứng dụng mới, bạn cần có một bộ dữ liệu được dán nhãn rõ ràng. Và nếu bạn không có nó, bạn sẽ cần một nhóm chuyên gia dữ liệu để tìm, làm sạch và gắn nhãn thông tin đó. Theo Dakshi Agrawal, CTO của IBM AI, các mô hình nền tảng giúp cắt giảm yêu cầu ghi nhãn dữ liệu từ 10-200 lần tùy thuộc vào trường hợp sử dụng nhất định, giúp tiết kiệm chi phí đáng kể. Về phía doanh nghiệp, bạn cũng nên xem xét chi phí điện toán đám mây ngày càng tăng. Chẳng hạn, Google đã chi tới 35 triệu USD để dạy DeepMind chơi cờ vây. Và mặc dù dự án AI của bạn có thể không tham vọng bằng một nửa, nhưng bạn có thể dễ dàng chi 300.000 USD cho riêng chi phí máy chủ đám mây để thiết lập và chạy ứng dụng AI của mình. Một lý do khác để sử dụng các mô hình nền tảng, chẳng hạn như các giải pháp AI tổng quát, là cơ hội để nhanh chóng tạo nguyên mẫu và thử nghiệm các khái niệm khác nhau mà không cần đầu tư nhiều vào R&D.


  • Bạn có thể sử dụng lại các mô hình AI nền tảng để tạo các ứng dụng khác nhau . Đúng như tên gọi của chúng, các mô hình nền tảng AI có thể làm cơ sở cho nhiều ứng dụng AI. Hãy nghĩ về việc lái xe ô tô. Khi bạn đã có bằng lái xe, bạn không cần phải vượt qua kỳ thi mỗi khi mua một chiếc xe khác. Tương tự như vậy, bạn có thể sử dụng một lượng dữ liệu được gắn nhãn nhỏ hơn để đào tạo một mô hình nền tảng có mục đích chung nhằm tóm tắt các văn bản để xử lý nội dung theo miền cụ thể. Và các mô hình nền tảng cũng sở hữu các khả năng “xuất hiện”, nghĩa là một mô hình, sau khi được đào tạo, có thể học cách giải quyết các vấn đề mà nó không được giải quyết hoặc thu thập những hiểu biết bất ngờ từ dữ liệu đào tạo.


  • Các mô hình AI của Foundation giúp đạt được các mục tiêu bền vững của công ty bạn . Việc đào tạo một mô hình máy học lớn có thể gây ra tác động đến môi trường tương tự như việc vận hành năm chiếc ô tô trong suốt vòng đời của chúng. Lượng khí thải carbon lớn như vậy tương phản rõ rệt với thực tế là 66% và 49% doanh nghiệp đang tăng hiệu quả sử dụng năng lượng và phát triển các dịch vụ và sản phẩm mới thân thiện với khí hậu. Với các mô hình AI nền tảng, bạn có thể đào tạo các thuật toán thông minh nhanh hơn và sử dụng tài nguyên máy tính một cách khôn ngoan — đặc biệt là nhờ kiến trúc của các mô hình tận dụng tính song song của phần cứng, thực hiện đồng thời nhiều tác vụ.


Được coi là “tương lai của AI”, các mô hình nền tảng hạ thấp ngưỡng khai thác trí tuệ nhân tạo và có khả năng chấm dứt chu trình chứng minh khái niệm AI thất bại bằng cách giúp các doanh nghiệp mở rộng quy mô mô hình trong các trường hợp sử dụng khác và trên toàn công ty.

Nhưng với mỗi cơ hội đến một thách thức.

Những điều cần xem xét khi sử dụng mô hình nền tảng

Hạn chế rõ ràng duy nhất của các mô hình AI nền tảng là thiếu khả năng giải thích .

Các mô hình nền tảng lớn có thể sử dụng rất nhiều dữ liệu đào tạo và có nhiều lớp sâu đến mức đôi khi khó xác định cách các thuật toán đưa ra kết luận của chúng.

Bản chất hộp đen của các mô hình nền tảng cũng để lại một cửa hậu cho tội phạm mạng. Tin tặc có thể khởi động các cuộc tấn công đầu độc dữ liệu và gây ra sự thiên vị AI , làm trầm trọng thêm các vấn đề đạo đức của trí tuệ nhân tạo.


Các công ty công nghệ nên hợp tác với các chính phủ để thiết lập cơ sở hạ tầng cho các dự án AI công cộng để tránh tranh chấp xung quanh việc sử dụng các mô hình AI nền tảng. Các nhà cung cấp AI cũng nên tiết lộ bộ dữ liệu nào họ sử dụng và cách họ huấn luyện các mô hình của mình.


Như Percy Liang, giảng viên Stanford HAI và giáo sư khoa học máy tính, đã phát biểu trong cuộc phỏng vấn gần đây với Venture Beat , “Chúng ta còn rất nhiều trong những ngày đầu, vì vậy các tiêu chuẩn nghề nghiệp còn kém phát triển. Do đó, điều cấp thiết là chúng ta, với tư cách là một cộng đồng, phải hành động ngay bây giờ để đảm bảo rằng công nghệ này được phát triển và triển khai theo cách có trách nhiệm với xã hội và đạo đức.”

Cần những gì để bắt đầu sử dụng các mô hình nền tảng trong tổ chức của bạn

Là người đã dành mười năm qua để giúp các công ty triển khai các hệ thống AI, nhóm ITRex đang chứng kiến sự thay đổi của trí tuệ nhân tạo.


Các hệ thống thực thi các tác vụ cụ thể trong một miền duy nhất nhường chỗ cho AI mở rộng, học hỏi tổng quát hơn và hoạt động trong các ngành và trường hợp sử dụng. Các mô hình nền tảng, được đào tạo trên các bộ dữ liệu lớn, không có nhãn và được tinh chỉnh cho các ứng dụng khác nhau, đang thúc đẩy quá trình chuyển đổi này.

Nếu công ty của bạn đã sẵn sàng vượt qua các đối thủ cạnh tranh và nhận được ROI từ hệ thống AI của bạn nhanh hơn, thì đây là chiến lược cấp cao để triển khai các mô hình nền tảng:


  1. Thu thập và xử lý trước dữ liệu của bạn . Bước đầu tiên liên quan đến việc thu thập và xử lý trước dữ liệu bạn sẽ cung cấp cho mô hình AI nền tảng. Chất lượng và sự đa dạng của dữ liệu này rất quan trọng để đảm bảo rằng mô hình tinh chỉnh là chính xác và mạnh mẽ.
  2. Chọn một mô hình nền tảng . Nhiều mô hình nền tảng AI được đào tạo trước có sẵn trên thị trường. Một số giải pháp phổ biến bao gồm BERT, GPT và ResNet, trong số những giải pháp khác. Điều quan trọng là chọn mô hình nền tảng phù hợp dựa trên nhiệm vụ bạn muốn giải quyết và loại dữ liệu bạn có.
  3. Tinh chỉnh mô hình phù hợp với mục tiêu kinh doanh của bạn . Khi mô hình nền tảng và dữ liệu của bạn đã sẵn sàng, bạn có thể điều chỉnh các tham số của mô hình cho nhiệm vụ cụ thể của mình. Một cách để đạt được mục tiêu này là học chuyển đổi, trong đó bạn sử dụng các trọng số được đào tạo trước của mô hình nền tảng làm điểm bắt đầu và điều chỉnh chúng dựa trên dữ liệu đào tạo của bạn.
  4. Đánh giá mô hình . Sau khi tinh chỉnh, điều quan trọng là phải xác định xem mô hình có hoạt động tốt hay không và liệu có cần điều chỉnh thêm hay không. Để đánh giá hiệu suất của mô hình nền tảng, bạn có thể sử dụng các chỉ số tiêu chuẩn như độ chính xác, độ chính xác, khả năng thu hồi và điểm F1.
  5. Triển khai giải pháp AI của bạn . Sau khi hài lòng với hiệu suất của mô hình tinh chỉnh của mình, bạn có thể triển khai mô hình đó trong môi trường sản xuất. Một số tùy chọn để triển khai các mô hình AI bao gồm nền tảng dựa trên đám mây, máy chủ tại chỗ hoặc thiết bị biên.


Điều quan trọng cần nhớ là việc triển khai các mô hình nền tảng AI đòi hỏi chuyên môn kỹ thuật và quyền truy cập vào các công cụ phần cứng và phần mềm chuyên dụng. Do đó, có thể hữu ích khi hợp tác với nhà cung cấp AI chuyên biệt hoặc tham khảo ý kiến của nhóm chuyên gia AI để đảm bảo quy trình được thực hiện hiệu quả.


Gửi cho chúng tôi một dòng để thảo luận về nhu cầu AI của bạn! Chúng tôi sẽ đánh giá mức độ sẵn sàng về AI của công ty bạn, kiểm tra dữ liệu của bạn và chuẩn bị dữ liệu để phân tích thuật toán, đồng thời chọn mô hình nền tảng phù hợp để bắt đầu với trí tuệ nhân tạo!