បណ្ដុះបណ្ដាលគំរូ AI៖ ការស្វែងរកការអភិវឌ្ឍន៍ AI ដែលមានតម្លៃទាប

• អ្នកនិពន្ធ:
• ឈ្មោះអ្នកនិពន្ធ

  ការទស្សន៍ទាយ Quantumrun
• ខែមីនា 21, 2023

ការរៀនជ្រៅជ្រះ (DL) បានបង្ហាញថាជាដំណោះស្រាយដែលមានសមត្ថកិច្ចចំពោះបញ្ហាប្រឈមជាច្រើនក្នុងការអភិវឌ្ឍន៍បញ្ញាសិប្បនិម្មិត (AI)។ ទោះយ៉ាងណាក៏ដោយ DL ក៏មានតម្លៃថ្លៃជាងដែរ។ ប្រតិបត្តិការបណ្តាញសរសៃប្រសាទជ្រៅ ទាមទារធនធានដំណើរការខ្ពស់ ជាពិសេសនៅក្នុងការបណ្តុះបណ្តាលជាមុន។ អាក្រក់ជាងនេះទៅទៀត ដំណើរការដែលពឹងផ្អែកខ្លាំងលើថាមពលនេះមានន័យថាតម្រូវការទាំងនេះបណ្តាលឱ្យមានដានកាបូនធំ ដែលបំផ្លាញការវាយតម្លៃ ESG នៃការស្រាវជ្រាវពាណិជ្ជកម្ម AI ។

បរិបទនៃគំរូ AI ការបណ្តុះបណ្តាល

ការបណ្តុះបណ្តាលមុនគឺជាវិធីសាស្រ្តដ៏ពេញនិយមបំផុតក្នុងការកសាងបណ្តាញសរសៃប្រសាទខ្នាតធំ ហើយវាបានបង្ហាញពីភាពជោគជ័យដ៏អស្ចារ្យនៅក្នុងចក្ខុវិស័យកុំព្យូទ័រ (CV) និងដំណើរការភាសាធម្មជាតិ (NLP) ។ ទោះជាយ៉ាងណាក៏ដោយ ការអភិវឌ្ឍន៍ម៉ូដែល DL ដ៏ធំបានក្លាយទៅជាថ្លៃពេក។ ជាឧទាហរណ៍ ការបណ្តុះបណ្តាល OpenAI's Generative Pre-trained Transformer 3 (GPT-3) ដែលមានប៉ារ៉ាម៉ែត្រ 175 ពាន់លាន ហើយត្រូវការចូលទៅកាន់ចង្កោមម៉ាស៊ីនមេដ៏ធំសម្បើមជាមួយនឹងកាតក្រាហ្វិកកំពូល មានតម្លៃប៉ាន់ស្មាន 12 លានដុល្លារ។ ម៉ាស៊ីនមេដ៏មានឥទ្ធិពល និងរាប់រយជីហ្គាបៃនៃអង្គចងចាំចូលដំណើរការដោយចៃដន្យវីដេអូ (VRAM) ក៏ត្រូវការដើម្បីដំណើរការម៉ូដែលនេះ។

ខណៈពេលដែលក្រុមហ៊ុនបច្ចេកវិទ្យាធំៗអាចមានលទ្ធភាពចំណាយលើការបណ្តុះបណ្តាលបែបនេះ វាក្លាយជាការហាមឃាត់សម្រាប់អ្នកចាប់ផ្តើមអាជីវកម្មតូចៗ និងអង្គការស្រាវជ្រាវ។ កត្តាបីជំរុញការចំណាយនេះ។ 

1. ការចំណាយលើការគណនាយ៉ាងទូលំទូលាយ ដែលនឹងត្រូវការជាច្រើនសប្តាហ៍ជាមួយនឹងអង្គភាពដំណើរការក្រាហ្វិក (GPUs) រាប់ពាន់។

2. ម៉ូដែលដែលបានកំណត់យ៉ាងម៉ត់ចត់ ទាមទារទំហំផ្ទុកដ៏ធំ ដែលជាធម្មតាទទួលយកបានរាប់រយជីហ្គាបៃ (GBs)។ លើសពីនេះ គំរូជាច្រើនសម្រាប់កិច្ចការផ្សេងៗគ្នាត្រូវរក្សាទុក។

3. ការបណ្តុះបណ្តាលម៉ូដែលធំតម្រូវឱ្យមានថាមពលគណនាច្បាស់លាស់ និងផ្នែករឹង។ បើមិនដូច្នេះទេ លទ្ធផលអាចនឹងមិនល្អទេ។

ដោយសារតែការចំណាយហាមឃាត់ ការស្រាវជ្រាវ AI បានក្លាយជាពាណិជ្ជកម្មកាន់តែខ្លាំងឡើង ដែលក្នុងនោះក្រុមហ៊ុន Big Tech កំពុងនាំមុខការសិក្សានៅក្នុងវិស័យនេះ។ ក្រុមហ៊ុនទាំងនេះក៏ឈរដើម្បីទទួលបានអត្ថប្រយោជន៍ច្រើនបំផុតពីការរកឃើញរបស់ពួកគេ។ ទន្ទឹមនឹងនេះ ស្ថាប័នស្រាវជ្រាវ និងអង្គការមិនរកប្រាក់ចំណេញជារឿយៗត្រូវសហការជាមួយអាជីវកម្មទាំងនេះ ប្រសិនបើពួកគេចង់ធ្វើការរុករករបស់ពួកគេនៅក្នុងវិស័យនេះ។ 

ផលប៉ះពាល់រំខាន

មានភស្តុតាងដែលបង្ហាញថាបណ្តាញសរសៃប្រសាទអាចត្រូវបាន "កាត់ចេញ" ។ នេះមានន័យថានៅក្នុងបណ្តាញសរសៃប្រសាទធំជាង ក្រុមតូចអាចសម្រេចបាននូវកម្រិតភាពត្រឹមត្រូវដូចគ្នាទៅនឹងគំរូ AI ដើម ដោយមិនមានផលប៉ះពាល់ខ្លាំងលើមុខងាររបស់វា។ ជាឧទាហរណ៍ ក្នុងឆ្នាំ 2020 អ្នកស្រាវជ្រាវ AI នៅមហាវិទ្យាល័យ Swarthmore និងមន្ទីរពិសោធន៍ជាតិ Los Alamos បានបង្ហាញឱ្យឃើញថា ទោះបីជាគំរូ DL ដ៏ស្មុគស្មាញមួយអាចរៀនទស្សន៍ទាយជំហានអនាគតក្នុងគណិតវិទូ John Conway's Game of Life ក៏ដោយ វាតែងតែមានបណ្តាញសរសៃប្រសាទតូចជាងដែលអាចបង្រៀនបាន។ ដើម្បីធ្វើរឿងដូចគ្នា។

អ្នកស្រាវជ្រាវបានរកឃើញថា ប្រសិនបើពួកគេបោះបង់ប៉ារ៉ាម៉ែត្រជាច្រើននៃគំរូ DL បន្ទាប់ពីវាបានបញ្ចប់នីតិវិធីបណ្តុះបណ្តាលទាំងមូល ពួកគេអាចកាត់បន្ថយវាមកត្រឹម 10 ភាគរយនៃទំហំដើមរបស់វា ហើយនៅតែទទួលបានលទ្ធផលដូចគ្នា។ ក្រុមហ៊ុនបច្ចេកវិទ្យាជាច្រើនកំពុងបង្រួមម៉ូដែល AI របស់ពួកគេរួចហើយ ដើម្បីសន្សំទំហំនៅលើឧបករណ៍ដូចជាកុំព្យូទ័រយួរដៃ និងស្មាតហ្វូន។ វិធីសាស្រ្តនេះមិនត្រឹមតែសន្សំប្រាក់ប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងអនុញ្ញាតឱ្យកម្មវិធីដំណើរការដោយមិនចាំបាច់ភ្ជាប់អ៊ីនធឺណិត និងទទួលបានលទ្ធផលក្នុងពេលជាក់ស្តែង។ 

មានករណីផងដែរនៅពេលដែល DL អាចធ្វើទៅបាននៅលើឧបករណ៍ដែលដំណើរការដោយថ្មពន្លឺព្រះអាទិត្យ ឬកោសិកាប៊ូតុង អរគុណចំពោះបណ្តាញសរសៃប្រសាទតូចៗ។ ទោះជាយ៉ាងណាក៏ដោយ ការកំណត់នៃវិធីសាស្ត្រកាត់ចេញគឺថា គំរូនៅតែត្រូវការការបណ្តុះបណ្តាលទាំងស្រុង មុនពេលវាអាចត្រូវបានកាត់បន្ថយ។ មានការសិក្សាដំបូងមួយចំនួនលើផ្នែករងសរសៃប្រសាទដែលអាចត្រូវបានបណ្តុះបណ្តាលដោយខ្លួនឯង។ ទោះជាយ៉ាងណាក៏ដោយ ភាពត្រឹមត្រូវរបស់ពួកគេគឺមិនដូចគ្នាទៅនឹងបណ្តាញសរសៃប្រសាទដែលធំជាងគេនោះទេ។

ផលប៉ះពាល់នៃការបណ្តុះបណ្តាលគំរូ AI

ផលប៉ះពាល់កាន់តែទូលំទូលាយនៃគំរូ AI ការបណ្តុះបណ្តាលអាចរួមមាន: 

• ការកើនឡើងនៃការស្រាវជ្រាវនៅក្នុងវិធីសាស្រ្តផ្សេងគ្នានៃការបណ្តុះបណ្តាបណ្តាញសរសៃប្រសាទ; ទោះយ៉ាងណាក៏ដោយ វឌ្ឍនភាពអាចនឹងត្រូវយឺតយ៉ាវ ដោយសារកង្វះថវិកា។
• បច្ចេកវិទ្យាធំបន្តផ្តល់មូលនិធិដល់មន្ទីរពិសោធន៍ស្រាវជ្រាវ AI របស់ពួកគេ ដែលបណ្តាលឱ្យមានជម្លោះផលប្រយោជន៍កាន់តែច្រើន។
• ការចំណាយនៃការអភិវឌ្ឍន៍ AI បង្កើតលក្ខខណ្ឌសម្រាប់ភាពផ្តាច់មុខដើម្បីបង្កើត ការកំណត់សមត្ថភាពនៃការចាប់ផ្តើមអាជីវកម្ម AI ថ្មីដើម្បីប្រកួតប្រជែងដោយឯករាជ្យជាមួយក្រុមហ៊ុនបច្ចេកវិទ្យាដែលបានបង្កើតឡើង។ សេណារីយ៉ូអាជីវកម្មដែលកំពុងរីកចម្រើនអាចឃើញក្រុមហ៊ុនបច្ចេកវិទ្យាធំៗមួយចំនួនកំពុងអភិវឌ្ឍគំរូ AI ដែលមានកម្មសិទ្ធិយក្ស ហើយជួលពួកគេទៅឱ្យក្រុមហ៊ុន AI តូចៗជាសេវាកម្ម/ឧបករណ៍ប្រើប្រាស់។
• ស្ថាប័នស្រាវជ្រាវ អង្គការមិនរកប្រាក់ចំណេញ និងសាកលវិទ្យាល័យនានាត្រូវបានផ្តល់មូលនិធិដោយបច្ចេកវិទ្យាធំៗ ដើម្បីធ្វើការពិសោធន៍ AI ជំនួសពួកគេ។ និន្នាការនេះអាចនាំឱ្យមានការបង្ហូរខួរក្បាលកាន់តែច្រើនពីបណ្ឌិត្យសភាទៅសាជីវកម្ម។
• សម្ពាធកើនឡើងសម្រាប់បច្ចេកវិទ្យាធំៗក្នុងការបោះពុម្ព និងធ្វើបច្ចុប្បន្នភាពជាប្រចាំនូវគោលការណ៍ណែនាំអំពីក្រមសីលធម៌ AI របស់ពួកគេ ដើម្បីធ្វើឱ្យពួកគេទទួលខុសត្រូវចំពោះគម្រោងស្រាវជ្រាវ និងអភិវឌ្ឍន៍របស់ពួកគេ។
• ការបណ្តុះបណ្តាលម៉ូដែល AI កាន់តែថ្លៃជាងមុន ដោយសារថាមពលកុំព្យូទ័រកាន់តែខ្ពស់ត្រូវបានទាមទារកាន់តែខ្លាំង ដែលនាំឱ្យមានការបំភាយកាបូនកាន់តែច្រើន។
• ភ្នាក់ងាររដ្ឋាភិបាលមួយចំនួនដែលព្យាយាមគ្រប់គ្រងទិន្នន័យដែលប្រើក្នុងការបណ្តុះបណ្តាលគំរូ AI យក្សទាំងនេះ។ ដូចគ្នាដែរ ភ្នាក់ងារប្រកួតប្រជែងអាចបង្កើតច្បាប់ដែលបង្ខំគំរូ AI នៃទំហំជាក់លាក់មួយ ដើម្បីឱ្យក្រុមហ៊ុនក្នុងស្រុកតូចៗអាចចូលដំណើរការបានក្នុងកិច្ចខិតខំប្រឹងប្រែងដើម្បីជំរុញការបង្កើតថ្មីរបស់សហគ្រាសធុនតូច និងមធ្យម។

សំណួរដែលត្រូវពិចារណា

• ប្រសិនបើអ្នកធ្វើការក្នុងវិស័យ AI តើស្ថាប័នរបស់អ្នកកំពុងអភិវឌ្ឍគំរូ AI ដែលមាននិរន្តរភាពបរិស្ថានបន្ថែមទៀតយ៉ាងដូចម្តេច?
• តើ​អ្វី​ទៅ​ជា​ផល​វិបាក​រយៈពេល​វែង​នៃ​ម៉ូដែល AI ដែល​មាន​តម្លៃ​ថ្លៃ?