گارتنر: مدلهای وزنباز ۹۰ درصد وظایف عاملهای هوشمند را با یکبیستم هزینه انجام میدهند
گزارش جدید موسسه گارتنر نشان میدهد مدلهای وزنباز قادرند بخش عمده وظایف روزمره در عاملهای هوش مصنوعی را با کسری از هزینه مدلهای تجاری پیشرو اجرا کنند. تحلیلگران پیشبینی میکنند تا سال ۲۰۳۰ بیش از ۹۰ درصد مراحل عملیاتی سازمانها به این مدلها واگذار شود و ارزش اصلی بازار به بسترهای مدیریت و هماهنگسازی عاملها منتقل گردد.

در یک نگاه (نکات کلیدی خبر)
خلاصه مهمترین نکات و تحولات این گزارش برای مطالعه سریع
- تحلیلگران موسسه گارتنر پیشبینی میکنند که تا سال ۲۰۳۰ حدود ۹۰ درصد از مراحل عملیاتی عاملهای هوش مصنوعی در سازمانها توسط مدلهای وزنباز اجرا خواهد شد.
- استفاده از مدلهای باز در وظایف تکراری نظیر اعتبارسنجی دادهها و فراخوانی ابزارها هزینه اجرا را تا یکبیستم مدلهای پیشرو کاهش میدهد.
- ارزش راهبردی در حوزه هوش مصنوعی از مدلهای پایهای به ابزارها و بسترهای مدیریت عاملها تغییر کرده است تا امنیت دادههای حساس سازمانی حفظ شود.
طبق ارزیابی موسسه تحلیلی گارتنر، شرکتهای انتفاعی سازنده مدلهای هوش مصنوعی که میلیاردها دلار صرف زیرساختهای پردازشی میکنند، در آینده تنها بر سر کسب درآمد از ۱۰ درصد مراحل جریانهای کاری عاملی به رقابت خواهند پرداخت.
مارک پتی، مدیر ارشد و ریموند پاکت، معاون گروه در گارتنر، در گزارش جدیدی با عنوان «مدلهای وزنباز ۹۰ درصد مراحل جریان کاری عاملهای سازمانی را اجرا خواهند کرد» تاکید کردهاند که از هر ۱۰ مرحله در گردش کار عاملهای هوشمند، ۹ مرحله کاملاً روزمره است و مدلهای وزنباز این وظایف را با کیفیتی مشابه و یکچهارم قیمت ارزانترین مدل بسته اختصاصی انجام میدهند.
این دو تحلیلگر خاطرنشان میکنند که جریانهای کاری عملیاتی معمولی شامل صدها وظیفه تکراری مانند دستهبندی، فراخوانی ابزارها، انتقال، اعتبارسنجی و تطبیق دادهها است. به باور آنها، مدلهای وزنباز میتوانند صدها گام از این مراحل روتین را در ازای هر تکمرحلهای که واقعاً به استدلال سطح بالای مدلهای پیشرو نیاز دارد، بر عهده بگیرند.
پژوهشگران گارتنر میافزایند که مدلهای باز در مقایسه با ارزانترین مدل اختصاصی بسته با امتیاز عملکردی مشابه، یکچهارم هزینه دارند؛ اما اگر معیار مقایسه اجرای تمام مراحل با یک مدل پرچمدار پیشرو باشد، هزینه استفاده از مدل باز تا یکبیستم کاهش پیدا میکند.
البته این اعداد مربوط به ایدهآلترین سناریوها هستند؛ چراکه به گفته تحلیلگران، مدلهای باز فعلی ممکن است پرحرفتر باشند و به تلاشهای مجدد بیشتری نیاز پیدا کنند. در نتیجه، صرفهجویی واقعی برای هر وظیفه در مقایسه با یک مدل پیشرو در عمل به ۵ تا ۶ برابر نزدیکتر خواهد بود.
با وجود اینکه چنین کاهشی همچنان رقمی چشمگیر بهشمار میرود، تحلیلگران این صرفهجویی مالی را صرفاً یک مزیت جانبی خوشایند ناشی از حرکت به سوی مدلهای باز میدانند، نه هدف نهایی سازمانها.
این دو کارشناس توضیح میدهند که سابقه و تاریخچه سالها جریان کاری، بخش عمدهای از ارزش خرید شرکتهای ارائهدهنده خدمات نرمافزاری ابری (SaaS) را تشکیل میدهد؛ ارسال هر مرحله روتین به API مدلهای تجاری پیشرو، بخشی از این دارایی ارزشمند را از مرزهای حفاظتی شرکت بیرون میبرد. در مقابل، مدلهای وزنباز کنترل کامل سازمان بر اطلاعات را حفظ میکنند و صرفهجویی در هزینهها تنها یک امتیاز مضاعف است.
بر همین اساس، تحلیلگران گارتنر فرضیه راهبردی جدیدی را برای سازمانها مطرح میکنند: تا سال ۲۰۳۰، ۹۰ درصد از مراحل عملیاتی عاملهای هوشمند سازمانی روی مدلهای وزنباز به اجرا درخواهند آمد.
آنها استدلال میکنند که شرکتها عمدتاً به سراغ مدلهای وزنباز تخصصی در حوزه کاری خود خواهند رفت؛ زیرا این مدلها در سناریوهایی که تعداد اندکی از مراحل باثبات میلیونها بار در ماه اجرا میشوند، عملکردی بسیار موفق و مطمئن ارائه میدهند.
در این میان، اکثر مدلها هماکنون به کالاهایی تجاری و عمومی تبدیل شدهاند و بسترها یا فریمورکهای هدایت و مدیریت عاملها منبع اصلی خلق ارزش به حساب میآیند. یکی از وظایف بنیادین این بسترها، هدایت هر وظیفه به مناسبترین مدل پردازشی است، بهگونهای که کاربران متوجه تغییری در عملکرد نشوند. یک سیستم مدیریت قدرتمند هزینهها را کاهش میدهد، تدابیر امنیتی و چارچوبهای سختگیرانهای اعمال میکند و ناوگان عاملها را به بهترین شکل پیش میبرد؛ در حالی که بسترهای ضعیفتر بار کاری بیشتری را بر دوش کاربران میگذارند.
این گزارش نشان میدهد که مدلهای پیشرو همچنان نقش موتور تحقیق و توسعه را حفظ خواهند کرد و عملاً در دسته هزینههای سرمایهای قرار میگیرند؛ اما پس از آنکه کارهای سنگین و بنیادین توسط این مدلها به پایان رسید، مدلهای وزنباز بار اصلی کارهای روزمره را بهعنوان هزینههای جاری و عملیاتی سازمانها به دوش خواهند کشید.
مطالب مرتبط و پیشنهادی

بنچمارک MER-Bench ضعف مدلهای هوش مصنوعی را در ویرایش دقیق میمها آشکار کرد
میمهای اینترنتی بهدلیل پیوند ناگسستنی میان متن و تصویر، به چالشی بزرگ برای ابزارهای ویرایش چندوجهی هوش مصنوعی تبدیل شدهاند. بنچمارک جدید MER-Bench نشان میدهد که مدلهای تصویری هنوز نمیتوانند بار احساسی یک میم را بدون برهم زدن ساختار تصویر، چیدمان صحنه یا اصل شوخی تغییر دهند.

OpenAI پاداش کشف باگ را برای شناسایی آسیبپذیریهای امنیتی به ۱۷۲ هزار دلار رساند
شرکت OpenAI با راهاندازی یک برنامه فشرده امنیتی و همکاری با استارتاپ Cathedral Systems، سقف پاداش کشف باگ را برای آسیبپذیریهای حیاتی به ۱۷۲ هزار دلار افزایش داد. این برنامه با بهرهگیری از مدلهای پیشرفته هوش مصنوعی تلاش میکند رخنههای امنیتی و خطرات ناشی از سوءاستفاده عوامل خودکار را پیش از مهاجمان شناسایی کند.

استارتاپ Nanochap برای بازگرداندن بینایی با رابط مغز و رایانه، ۵۰۰ میلیون یوان سرمایه جذب کرد
استارتاپ چینی Nanochap که در زمینه توسعه رابطهای مغز و رایانه برای بازگرداندن بینایی فعالیت میکند، موفق به جذب ۵۰۰ میلیون یوان سرمایه در دور سری C+ شد. این سرمایهگذاری جدید به رهبری Gaorong Ventures انجام شده است و مجموع منابع مالی جذبشده توسط این شرکت را به یک میلیارد یوان میرساند.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.