प्लेयसने नैतिकदृष्ट्या एआय -ट्रीनिंग एआय रन सुरू केले

एआय फ्रेंच एआय स्टार्टअपने गेल्या वर्षी उशिरा लाटा तयार केल्या आहेत. लहान भाषेच्या मॉडेल्समधून नैतिकदृष्ट्या प्रशिक्षित प्लेयस 1.0 कुटुंबासह – पहिल्या आणि आतापर्यंत पूर्णपणे “ओपन” डेटावर तयार केलेले आहे, म्हणजेच, डेटा स्पष्टपणे सार्वजनिक किंवा अवांछित आणि अमर्याद स्त्रोत म्हणून वर्गीकृत केला गेला आहे.

कंपनीने आता ओपन सोर्स थिंकिंग मॉडेल्स जारी करण्याची घोषणा केली आहे जी विशेषत: पुनर्प्राप्ती (आरएजी) व्युत्पन्न करण्यासाठी, कोटेशनचे संश्लेषित करण्यासाठी आणि बहु -भाषेच्या आयोजकांना आउटपुट करण्यासाठी डिझाइन केलेले आहे.

लाँचमध्ये पीएलआयएएस-आरएजी -350 मीटरची दोन मूलभूत मॉडेल्स समाविष्ट आहेत आणि पीएलआयएएस-आरएजी -1 बी-सीपीयूमध्ये सुधारित जीजीयूएफ स्वरूपात देखील उपलब्ध आहे, जे प्रकाशनासाठी एकूण चार व्हेरिएबल्स सज्ज आहे.

सर्व पीएलआयएएस १.० वर अवलंबून असतात आणि स्वतंत्रपणे किंवा इतर एलएलएमच्या संयोगाने याचा वापर केला जाऊ शकतो ज्या संस्था आधीपासूनच योजना करू शकतात किंवा पसरण्याची योजना आखू शकतात. असे दिसते आहे की प्रत्येकजण ओपन सोर्स अपाचे २.० परवान्याअंतर्गत उपलब्ध आहे, याचा अर्थ असा आहे आम्ही आहोत संस्थांना व्यावसायिक वापराची प्रकरणे घेणे, सुधारित करणे आणि प्रकाशित करण्यासाठी पात्रता.

रॅग, जसे आपल्याला आठवते, असे तंत्रज्ञान आहे जे ओपनएआयच्या जीपीटी -4 ओ, गूगल मिथुन 2.5 फ्लॅश किंवा अँथ्रॉपिकच्या क्लॉड्स सॉनेट 7.7 किंवा कॉर्डरच्या कमांड-ए सारख्या ओपनईच्या जीपीटी -4 ओ, गूगल मिथुन 2.5 फ्लॅश किंवा अँथ्रोपिकच्या क्लॉड्स सॉनेट 7.7 किंवा डीपसेक व्ही 3 सारख्या ओपन सारख्या मोठ्या एआय (एलएलएम) भाषेचे मॉडेल जोडण्यासाठी संस्था आणि संस्था प्रकाशित करू शकतात.

चॅटबॉट्स की आणि इतर कृत्रिम बुद्धिमत्ता अनुप्रयोग तयार करू इच्छित असलेल्या संस्थांसाठी हे आवश्यक आहे जे त्यांची अंतर्गत धोरणे किंवा उत्पादन कॅटलॉग दर्शवितात (पर्याय, जे सर्व आवश्यक माहितीसह दीर्घ संदर्भ देते, अशा संस्थांसाठी योग्य असू शकत नाही जेथे सुरक्षा वाहतुकीची किंमत आणि प्रति टेकेनची चिंता आहे).

लहान भाषेच्या मॉडेल्समधील अचूकता आणि कार्यक्षमता यांच्यातील अंतर कमी करण्यासाठी प्लायस-आरएजी मॉडेल हा नवीनतम प्रयत्न आहे.

या मॉडेल्सचे उद्दीष्ट संस्था, विकसक आणि संशोधकांचे लक्ष्य आहे जे ट्रॅकिंग, बहु -भाषेच्या क्षमता किंवा संघटित वर्कफ्लोचा पूर्वग्रह न ठेवता मोठ्या -स्केल भाषेच्या मॉडेल्सच्या किंमतींच्या बाबतीत प्रभावी पर्याय शोधत आहेत.

लक्ष्य वापरकर्ता बेस म्हणजे प्रत्यक्षात युरोपमधील प्लीयस खंड आहे, कारण सह -फॉन्डर अलेक्झांडर व्हेंचरबिटने सोशल नेटवर्क एक्स वर थेट संदेश सांगितला:

“प्राथमिक प्रेरणा म्हणजे युरोपमधील रॅग अनुप्रयोगांचा विस्तार करण्याची अडचण. बहुतेक खासगी संस्थांमध्ये काही ग्राफिक्स प्रक्रिया युनिट्स असतात (कदाचित बदलले असावेत परंतु युरोपमधील सर्व (एनव्हीआयडीआयए) एच 100 (जीपीयू) पेक्षा कमी).

“एसएलएमएस गेल्या वर्षभरात लक्षणीय प्रगत झाला आहे, तथापि बर्‍याचदा “लहान चॅटबॉट्स” म्हणून कल्पना केली जाते आणि मजकूर निर्मितीची स्त्रोत आणि गुणवत्ता समजून घेण्याच्या दृष्टीने, नॉन -एंग्लिश भाषांमध्ये कामगिरीमध्ये लक्षणीय घट झाली आहे. म्हणून आम्ही आमच्या बर्‍याच ध्येयांवर प्रहार करण्यास समाधानी आहोत:

• सीपीयू आणि इतर प्रतिबंधित माहितीवरही उल्लंघन करण्याच्या मॉडेलसाठी 7-8 बीचा वास्तविक पर्याय.
• कोटेशन समर्थनासह संपूर्णपणे सत्यापित मॉडेल.
• युरोपियन भाषेची कामगिरी राखणे. “

तथापि, अर्थातच, अपाचे २.० परवान्याअंतर्गत ओपन सोर्स मॉडेल्सचा अर्थ असा आहे की कोणीही त्यांना घेऊ शकेल आणि जगात कोठेही मुक्तपणे त्यांचा वापर करू शकेल.

ग्राउंडिंग, श्रेण्या आणि तथ्यांवर लक्ष केंद्रित करा

नवीन पीएलआयएएस-रॅग मॉडेल्सचे मुख्य वैशिष्ट्य म्हणजे क्राफ्ट रेट्ससह स्त्रोताच्या शहादतासाठी मूळ समर्थन, अनुमान प्रक्रियेमध्ये पूर्णपणे समाकलित केलेले.

वाटप केलेल्या किंवा बाह्य नियंत्रण पाइपलाइन नंतर कोटेशनच्या पद्धतींच्या विरूद्ध, प्लेयस-आरएजी मॉडेल विकिपीडिया संदर्भ स्वरूपाद्वारे प्रेरित वाक्य वापरून थेट कोट तयार करतात.

हा दृष्टिकोन सत्यापन राखताना एक लहान आणि अधिक वाचनीय कोटेशन उतारा अनुमती देतो.

कोटेशन ग्राउंड्स संघटित सेटिंग्जमध्ये कार्यशील भूमिका बजावते.

आरोग्य आणि कायदेशीर काळजी आणि वित्तपुरवठा-म्हणून निर्णय घेण्यासारख्या क्षेत्रांसाठी दस्तऐवजीकरण केले पाहिजे आणि ट्रॅक केले जाऊ शकतात-हे एकात्मिक संदर्भ थेट ऑडिटवर उपलब्ध आहेत. कृत्रिम बुद्धिमत्ता स्पष्ट करण्यासाठी वाढत्या नियामक आवश्यकतांच्या अनुषंगाने प्लीयस हे डिझाइन एक नैतिक आवश्यकता म्हणून सेट करते.

प्रोटो एजंटिक?

प्लेयस-रॅग मॉडेल्सचे वर्णन “प्रोटो” म्हणून केले गेले आहे-क्वेरी स्वतंत्रपणे समजली आहे की नाही हे मूल्यांकन करू शकते किंवा ते क्षुल्लक आहे की नाही हे ठरवू शकते आणि स्त्रोताच्या पर्याप्ततेवर आधारित उत्तर, सुधारित किंवा नाकारले पाहिजे की नाही हे ठरवते.

संरचित आउटपुटमध्ये भाषा शोध, क्वेरी विश्लेषण अहवाल, स्त्रोत आणि तार्किक उत्तर समाविष्ट आहे.

तुलनेने लहान आकार असूनही (प्लेयस-आरएजी -350 एममध्ये केवळ 350 दशलक्ष शिक्षक असतात), मॉडेल सर्वात मोठ्या खोल प्रणालींमध्ये पारंपारिक संबंधित वर्तन दर्शवितात.

प्लीयसच्या मते, या क्षमता मध्य -प्रशिक्षण पाइपलाइनपासून उद्भवतात जी कृत्रिम डेटाची निर्मिती वारंवार विचारांच्या दाव्यांसह मिसळतात.

प्लेयस-आरएजी -350 मीटर स्पष्टपणे प्रतिबंधित वातावरणासाठी डिझाइन केलेले आहे. हे मोबाइल फोन श्रेणीच्या पायाभूत सुविधांसह मानक सेंट्रल प्रोसेसिंग युनिट्सवर चांगले कार्य करते.

अंतर्गत मानकांनुसार, अप्रिय जीजीयूएफ आवृत्ती 8 जीबी रॅम सेटिंग्जवर सुमारे 20 सेकंदात संपूर्ण विचारांचे आउटपुट तयार करते. हे क्वेन -0.5 आणि एसएमओएलएम सारख्या फारच कमी प्रतिस्पर्धींसह एका छोट्या फिंगरप्रिंटमध्ये ठेवते, परंतु संघटित स्त्रोत संश्लेषणावर अधिक लक्ष केंद्रित करते.

कार्ये आणि भाषांद्वारे स्पर्धात्मक कामगिरी

मानक मूल्यांकनांमध्ये, प्लीयस-आरएजी -350 एम आणि प्लेयस-आरएजी -1 बी हॉटपोटक्यूए, 2 विकिमल्टिहोपक्यूए आणि व्यूझिक सारख्या कार्यांसह, लामा -3.1-8 बी आणि क्वेन -2.5 बी यासह 4 अब्ज पॅरामीटरपेक्षा कमी ओपन-वेट मॉडेल्सपेक्षा उत्कृष्ट आहे.

मल्टी-जंपिंग मानके मॉडेलच्या एकाधिक कागदपत्रांद्वारे विचार करण्याची आणि संस्थेच्या स्तरावरील ज्ञान प्रणालींमध्ये विखुरलेल्या-सामान्य आवश्यकता परिभाषित करण्याची क्षमता तपासतात.

मॉडेल्सची ताकद बहु -भाषेच्या परिदृश्यांपर्यंत विस्तारित आहे. फ्रेंच, जर्मन, स्पॅनिश आणि इटालियन मॉडेल्सद्वारे अनुवादित मापन गटांमध्ये, प्लेयस मॉडेल्स कामगिरीमध्ये थोडी बिघाड दर्शवितात.

हे त्यांना इतर एसएलएमंपेक्षा वेगळे करते, जे सामान्यत: इंग्रजी नसलेल्या क्वेरीचा सामना करताना 10-35 % कामगिरीच्या तोट्यात ग्रस्त असतात.

बहु -भाषेचे समर्थन विशिष्ट, अचूक प्रतीक आणि कृत्रिम प्रतिकूल प्रशिक्षणाच्या डिझाइनमधून आहे ज्यात भाषा स्विचिंग व्यायामाचा समावेश आहे. मॉडेल्स केवळ वापरकर्त्याची चौकशी भाषा शोधतात परंतु त्याच भाषेत प्रतिसाद देण्याचे लक्ष्य ठेवतात – जागतिक प्रकाशनाचे एक महत्त्वाचे वैशिष्ट्य.

याव्यतिरिक्त, फाउंडेशन आधीपासूनच वापरू शकणार्‍या इतर विद्यमान मॉडेल्सची कार्यक्षमता वाढविण्यासाठी मॉडेल्सचा कसा उपयोग केला जाऊ शकतो हे अधूनमधून हायलाइट केले:

“आम्ही कल्पना करतो की मॉडेल्स सेटअप तयारीमध्ये वापरली जातात, विशेषत: त्यांच्या खात्याची किंमत कमी असल्याने. मूल्यांकन पैलूवरील अतिशय मनोरंजक परिणाम: अगदी 350 -मीटर मॉडेलने देखील दर्शविले की उत्तरे (मेटा) लामा आणि (अलिबाबा) पासून पूर्णपणे भिन्न उत्तरांमध्ये ते चांगले होते. म्हणूनच आम्ही असे म्हटले आहे की पाइपलाइनचे श्रेय आहे.… “”

मुक्त प्रवेश आणि परवाना

पालीएस-रॅग प्रशिक्षणानुसार, मॉडेल्सचे प्रशिक्षण दिले गेले: “कॉमन कॉर्पस एक चिंधी प्रशिक्षण गट तयार करण्यासाठी (सर्व 3 दशलक्ष उदाहरणे आल्या.

दोन्ही मॉडेल अपाचे २.० परवान्याअंतर्गत जारी केले जातात, ज्यामुळे मोठ्या सिस्टममध्ये व्यावसायिक पुनर्वापर आणि एकत्रीकरण होऊ शकते.

पीएलआयएएस कार्यकर्ते, शैक्षणिक साधने आणि वापरकर्ता समर्थन प्रणालींमध्ये एकत्रीकरणासाठी मॉडेलच्या उपयुक्ततेवर जोर देते. विकसकांच्या संघटित इनपुटचे समन्वय सुलभ करण्यासाठी कंपनी एपीआय लायब्ररी देखील प्रदान करते.

मॉडेलची आवृत्ती बहु -उद्दीष्ट संभाषण रोबोट्सऐवजी लहान एलएलएमला आयोजित केलेल्या विचारांची साधने म्हणून पुन्हा टाकण्यासाठी प्लेयसच्या विस्तीर्ण तुकडीचा एक भाग आहे.

बाह्य मेमरी आणि पद्धतशीर कोट्सच्या संरचनेचा फायदा घेऊन, प्लीयस-आरएजी मालिका गडद सीमा मॉडेल्सला एक पारदर्शक आणि बेबंद पर्याय प्रदान करते.

भविष्यातील अपेक्षा

भविष्याकडे पाहता, प्लेयसने सर्वात लांब संदर्भ, सर्वात तडजोड संशोधन आणि अधिक सातत्याने ओळख दर्शविण्यासाठी वर्ण सेट करून मॉडेल्सच्या क्षमतांचा विस्तार करण्याची योजना आखली आहे.

मजबुतीकरण शिक्षण देखील शोधले जाते, विशेषत: कोटेशनच्या अचूकतेसारख्या क्षेत्रात, जेथे कोटेशनची पडताळणी केली जाऊ शकते.

विश्वसनीय स्त्रोतांचा वापर करून लक्ष्यित संशोधनाच्या समाकलनास पाठिंबा देण्यासाठी ही टीम विकिमीडिया फाउंडेशनसारख्या भागीदारांसह सक्रियपणे सहकार्य करीत आहे.

शेवटी, कृत्रिम बुद्धिमत्ता मॉडेल अधिक प्रगत आणि पसरलेले असल्याने रॅगसाठी अनुप्रयोग, मॉडेल्स आणि वर्कफ्लोचा सध्याचा वापर कमी होऊ शकतो आणि साधनांच्या वापरामध्ये कटिंग आणि एजंट्सचा समावेश आहे. हे डीएमद्वारे व्हेंचरबीटला देखील सांगितले:

“दीर्घकाळापर्यंत, माझी खात्री आहे की दोन्ही क्लासिक पाइपलाइन आणि लांब संदर्भ मॉडेल संशोधन एजंट्सद्वारे विस्कळीत होतील. आम्ही या दिशेने जायला सुरुवात केली आहे: या कारणास्तव मॉडेल आधीपासूनच रॅग applications प्लिकेशन्समध्ये बर्‍याच बाह्य वैशिष्ट्यांसह आले आहे (क्वेरी, रेरेंकिंग इ. पुन्हा परिभाषित करीत आहे). हे स्पष्ट आहे की आम्ही संशोधन क्षमता आणि संसाधन उपचार क्षमता थेट त्याच स्वरूपात पुढे आणि समाकलित करण्याचे आमचे लक्ष्य आहे. माझी खात्री आहे की एजंट मॉडेलद्वारे आपोआपच रॅग अदृश्य होईल जे एजंट मॉडेलद्वारे त्यांच्या वर्कफ्लो कार्ये निर्देशित करण्यास सक्षम आहेत.“

प्लेयस-आरएजी -350 मी आणि 1 बी सह, कंपनीने असे म्हटले आहे की लहान मॉडेल्सने त्याच्या सहकार्याने जोरदार विचारांची छाननी आणि सत्यापित आउटपुट-कॅन त्यांच्या भागातील भागातील अधिक मोठ्या स्पर्धांमध्ये स्पर्धा केली, विशेषत: बहु-भाषेच्या फ्लायर्स आणि मर्यादित पायाभूत सुविधांमध्ये.