Kerangka kerja baru yang dikembangkan oleh para peneliti di Google Cloud dan DeepMind bertujuan untuk mengatasi salah satu tantangan utama dalam mengembangkan Agen Penggunaan Komputer (CUA): mengumpulkan contoh pelatihan berkualitas tinggi dalam skala besar.

Bingkai, di-dubbing Perhatikan dan pelajari (W&L), mengatasi masalah pembuatan data pelatihan dengan cara yang tidak memerlukan anotasi manusia dan dapat secara otomatis mengekstrak demo dari video mentah.

Eksperimen mereka menunjukkan bahwa data yang dihasilkan oleh W&L dapat digunakan untuk melatih atau menyempurnakan penggunaan komputer dan model dasar yang ada guna meningkatkan kinerja mereka dalam tugas-tugas penggunaan komputer. Namun yang sama pentingnya, pendekatan yang sama dapat digunakan dalam konstruksi Belajar dalam konteks (ICL) merupakan contoh agen pengguna komputer, yang memungkinkan perusahaan membuat CUA untuk tugas internal yang disesuaikan tanpa memerlukan pelatihan model khusus yang mahal.

Kemacetan data CUA

Web kaya dengan tutorial video dan screencast yang menggambarkan alur kerja kompleks untuk menggunakan aplikasi. Video-video ini adalah tambang emas yang bisa didapat Agen penggunaan komputer Dengan pengetahuan domain dan instruksi untuk menyelesaikan berbagai tugas melalui interaksi antarmuka pengguna.

Namun, sebelum dapat digunakan untuk melatih agen CUA, video ini harus diubah menjadi saluran beranotasi (yaitu, serangkaian deskripsi tugas, tangkapan layar, dan tindakan), yang merupakan proses yang mahal dan memakan waktu jika dilakukan secara manual.

Pendekatan yang ada untuk mengatasi hambatan data ini bergantung pada anotasi video ini melalui penggunaan model bahasa multimodal, yang biasanya menghasilkan akurasi rendah dan contoh yang salah. Pendekatan yang berbeda menggunakan agen otonom yang mengeksplorasi antarmuka pengguna secara mandiri untuk mengumpulkan jalur. Namun, teknik yang menggunakan pendekatan ini biasanya menghasilkan contoh sederhana yang tidak berguna dalam situasi dunia nyata yang tidak dapat diprediksi.

Seperti yang dicatat oleh para peneliti dalam makalah mereka, “Secara umum, pendekatan ini mengandalkan heuristik rapuh, mahal karena mengandalkan eksplorasi di lingkungan nyata, atau menghasilkan demonstrasi dengan kompleksitas rendah yang tidak sesuai dengan niat manusia.”

Perhatikan dan pelajari

Kerangka kerja Watch and Learn berupaya untuk mengatasi tantangan dalam menciptakan demonstrasi CUA dengan memikirkan kembali rumusan masalah.

Alih-alih menghasilkan lintasan secara langsung atau mengandalkan jaringan pipa multi-tahap yang kompleks, para peneliti membingkai masalahnya sebagai “tujuan dinamis terbalik”: dengan dua pengamatan berturut-turut, memprediksi tindakan perantara yang mengarah pada transformasi.

Menurut para peneliti, formulasi ini “lebih mudah dipelajari, menghindari heuristik buatan tangan, dan dapat digeneralisasi dengan kuat di seluruh aplikasi.”

Kerangka kerja W&L dapat dibagi menjadi tiga fase utama: pelatihan model dinamika terbalik (IDM), pengambilan video mentah, dan pelatihan agen CUA.

Pada fase pertama, para peneliti menggunakan agen untuk berinteraksi dengan halaman web langsung untuk membuat 500.000 transisi (dua pengamatan berturut-turut dan tindakan yang mengarah pada transisi). Mereka kemudian menggunakan data ini (bersama dengan 132.000 transisi yang dianotasi manusia dari kumpulan data terbuka yang ada) untuk melatih model dinamis terbalik (IDM) yang melakukan dua pengamatan berturut-turut dan memprediksi tindakan transisi. IDM yang dilatih, sebuah model transformator kecil, mengungguli model dasar yang tersedia dalam memprediksi tindakan transformasi.

Selanjutnya, para peneliti merancang saluran yang mengambil video dari platform seperti YouTube dan menjalankannya melalui IDM untuk membuat trek berkualitas tinggi. IDM mengambil frame video berturut-turut dan mengidentifikasi tindakan (menggulir, mengklik) yang menyebabkan perubahan pada lingkungan, yang kemudian dikompilasi ke dalam jalur beranotasi. Dengan menggunakan metode ini, mereka menghasilkan 53.125 jalur dengan label kerja yang sangat akurat.

Contoh-contoh ini dapat digunakan untuk melatih model penggunaan komputer yang efektif untuk tugas-tugas tertentu. Namun para peneliti juga menemukan bahwa jalur yang diekstraksi melalui IDM dapat berfungsi sebagai contoh pembelajaran kontekstual untuk meningkatkan kinerja CUA pada tugas yang diberikan pada waktu inferensi. Untuk ICL, mereka menggunakan Gemini 2.5 Flash untuk menambahkan anotasi tambahan ke contoh pemantauan/tindakan di jalur, yang kemudian dapat dimasukkan ke dalam prompt agen CUA (biasanya 3-5 contoh) selama inferensi.

“Peran ganda ini (pelatihan dan pembinaan dalam konteks) memungkinkan integrasi yang fleksibel dengan model sumber terbuka dan agen tujuan umum,” tulis para peneliti.

W&L beraksi

Untuk menguji kegunaan W&L, para peneliti melakukan serangkaian percobaan menggunakan model web sumber tertutup dan terbuka Standar OSWorldyang mengevaluasi agen di lingkungan desktop dan sistem operasi nyata dalam berbagai tugas, termasuk produktivitas, pemrograman, dan desain.

Untuk menyempurnakannya, mereka menggunakan koleksi 53.000 lintasan untuk melatih dua model sumber terbuka: UI-TARS-1.5, model bahasa gerak dan visi sumber terbuka yang kuat yang dirancang khusus untuk penggunaan komputer, dan Ratu 2.5-VLLLM Multimodal Tertimbang Terbuka.

Untuk pengujian pembelajaran kontekstual, mereka menerapkan contoh W&L pada model multimedia tujuan umum seperti Gemini 2.5 Flash, OpenAI o3, dan Claude Sonnet 4.

W&L menghasilkan peningkatan dibandingkan OSWorld di semua kategori model, termasuk hingga 3 poin untuk ICL dalam model tujuan umum dan hingga 11 poin untuk model sumber terbuka yang disempurnakan.

Yang penting, manfaat ini dicapai tanpa anotasi manual apa pun, “menunjukkan bahwa alur kerja manusia dalam skala web dapat berfungsi sebagai landasan praktis dan terukur untuk mengembangkan CUA menuju penerapan di dunia nyata,” tulis para peneliti.

Hal ini dapat mempunyai implikasi penting bagi penerapan di dunia nyata, memungkinkan organisasi mengubah koleksi video dan rekaman konferensi yang ada menjadi data pelatihan untuk CUA. Ini juga mempermudah pembuatan jalur pelatihan baru. Yang harus Anda lakukan adalah merekam video melakukan berbagai tugas dan membubuhi keterangan dengan IDM. Ketika model-model terkemuka terus ditingkatkan dan menjadi lebih murah, Anda dapat berharap untuk mendapatkan lebih banyak manfaat dari data yang ada dan bidang ini akan terus berkembang.

Tautan sumber

baruAnda sekarang dapat mendengarkan artikel Fox News!

Hingga saat-saat terakhir, Pemimpin Minoritas DPR Hakeem Jeffries, D-N.Y., berpura-pura malu-malu mendukung Zahran Mamdani dalam pemilihan walikota New York City.

“Pemungutan suara awal, seperti yang Anda tahu, dimulai besok,” kata seorang reporter Jefferies pada pukul 11:06 hari Jumat. “Apakah kamu siap mendukung Mamdani?”

“Nantikan terus,” jawab Jeffries.

“Apa lagi yang ingin kamu dengar saat ini?” tanya penulis lain.

‘Nantikan terus’: Jefferies berulang kali menghindari dukungan Mamdani saat tenggat waktu yang ditentukan sendiri semakin dekat

Pemimpin Minoritas DPR Hakeem Jeffries mengumumkan dukungannya terhadap kandidat sayap kiri Zahran Mamdani sebagai walikota kotanya. (Angelina Katsanis-Paul/Getty Images; Al Drago/Bloomberg melalui Getty Images)

“Jawaban yang sama,” kata Jeffries. “Saya tidak menolak untuk mendukung. Saya menolak untuk menyatakan posisi saya dan akan melakukannya sebentar lagi, sebelum pemungutan suara awal.”

Ya, pemungutan suara awal dimulai hari Sabtu di New York. Sesuai dengan perkataannya, Jeffries menyatakan posisinya melalui pernyataan yang dikeluarkan Jumat sore, yang menyatakan pengaruh politiknya mendukung Mamdani.

“Zahran Mamdani tanpa henti fokus dalam mengatasi krisis keterjangkauan dan secara eksplisit berkomitmen untuk menjabat sebagai walikota bagi semua warga New York, termasuk mereka yang tidak mendukung pencalonannya,” kata Jeffries. “Masyarakat yang saya wakili di Brooklyn sedang dihancurkan oleh Partai Republik versi ekstremis ini. Dalam lingkungan ini, kami memiliki komitmen yang jelas untuk menghadapi mimpi buruk nasional yang ditimbulkan oleh ekstremisme Partai Republik terhadap rakyat Amerika.”

Jeffries mengakhiri dukungannya dengan kalimat kunci ini: “Saya mendukung partai Demokrat.”

Dalam beberapa hal, ini adalah kalimat yang paling tidak penting dalam pernyataan Jeffries. Tidak masuk akal untuk berpikir bahwa petinggi Partai Demokrat, dari New York City, tidak akan mendukung calon wali kota dari Partai Demokrat di kampung halamannya.

Ceritanya bisa menjadi lebih besar jika Jeffries tidak mendukung Mamdani.

Kami tidak tahu persis apa yang dipikirkan Jeffries selama ini. Namun kami memahami perpecahan di dalam Partai Demokrat antara Demokrat yang berhaluan tengah dan sayap kiri. Itu sebabnya Partai Republik berteriak dari Empire State Building bahwa Mamdani adalah seorang “sosialis” atau bahkan “komunis.” Partai Republik diam-diam tidak menyukai kenyataan bahwa Mamdani adalah calon dari Partai Demokrat. Mereka menerima kenyataan bahwa Mamdani mengkhawatirkan sejumlah anggota Partai Demokrat ketika partai tersebut berusaha menjangkau pemilih moderat – sembari bergulat dengan pandangan kandidat yang berhaluan sayap kiri.

Zahran Mamdanina mendapat dukungan penting dalam pemilihan walikota New York City

“Apa yang kita saksikan sebenarnya adalah akhir dari Partai Demokrat yang kita ketahui,” kata Ketua DPR Mike Johnson, anggota DPR dari Los Angeles. “Hakeem Jeffries akhirnya mengalah. Dia menyerah dan memberikan dukungannya kepada kandidat sosialis untuk walikota New York City. Partai Demokrat di DPR telah menunjukkan kepada dunia apa yang sebenarnya mereka yakini. Tidak ada lagi tempat bagi kaum sentris dan moderat di partai mereka.”

Partai Republik juga mengklaim bahwa alasan Partai Demokrat “menutup pemerintahan” adalah karena Jeffries dan Pemimpin Minoritas Senat Chuck Schumer, D-N.Y., mendengar langkah kaki dari sayap kiri dan takut akan tantangan utama. Dalam kasus Schumer: Rep. Alexandria Ocasio-Cortez, D-N.Y.

“Mereka memutuskan untuk menyelamatkan diri dari keharusan mendukung Mamdani yang Marxis,” Johnson berspekulasi. “Dan dalam sebuah tindakan yang belum pernah terjadi sebelumnya, mereka juga memutuskan bahwa mereka harus menutup pemerintahan dalam sebuah tindakan yang belum pernah terjadi sebelumnya.”

Ketua DPR Mike Johnson, anggota Partai Republik dari Los Angeles, dengan cepat menyerang Jeffries setelah dia “mundur” dan mendukung Mamdani yang “sosialis”. (Al Drago/Bloomberg melalui Getty Images)

Ketika Jeffries ditanya di MSNBC pada akhir pekan mengapa dia butuh waktu lama untuk mendukung Mamdani, dia menjawab bahwa dia “bukan seseorang yang saya kenal sebelum dia mendapat nominasi Partai Demokrat.”

Jeffries menambahkan bahwa dia ingin “duduk dan berbincang” dengan Mamdani.

Namun pertanyaan tentang dukungan telah menjadi sarana yang menyiksa bagi Jeffries sejak Mamdani mendapatkan nominasi walikota dari Partai Demokrat pada 25 Juni.

Pada hari Mamdani memenangkan pemilihan pendahuluan, Jeffries menyampaikan “selamat kepada Zahran Mamdani atas kemenangan yang menentukan dalam pemilihan pendahuluan.”

Namun Jeffries tidak mendukung hal tersebut.

Kandidat dari Partai Sosialis Mamdani bertemu dengan Partai Demokrat di New York ketika mereka menolak dukungan mereka

“Kami berbicara pagi ini dan berencana untuk segera bertemu di pusat kota Brooklyn,” kata Jeffries.

Empat hari kemudian, Jonathan Carle dari ABC bertanya kepada Jefferies apakah dia sudah mendukung Mamdani.

Jawabannya adalah tidak.

Sementara itu, Partai Republik menyalahkan kepemimpinan Partai Demokrat atas penutupan pemerintahan yang sedang berlangsung karena Jeffries dan Schumer menghadapi potensi tantangan utama dari kelompok sayap kiri. (Kevin Lamarque/Reuters)

“Dia unggul dalam pekerjaan, dia unggul dalam komunikasi, dia unggul dalam mengorganisir oposisi. Dan itulah jelas alasan kesuksesannya,” kata Jeffries.

“Jadi, apa yang menghentikanmu untuk mendukungnya sekarang?” Carl bertanya.

“Yah, kami tidak terlalu mengenal satu sama lain. Area kami tidak tumpang tindih. Saya tidak pernah melakukan percakapan substantif dengannya,” jawab Jeffries.

Dan begitulah yang terjadi sepanjang musim panas, dan hingga musim gugur. Wartawan sering kali menghujani Jeffries dengan pertanyaan tentang potensi dukungan atau apa itu filibuster. Jefferies selalu berhati-hati.

Faktanya, penolakan terhadap dukungan tersebut memicu spekulasi bahwa Jeffries memiliki keraguan terhadap Mamdani. Belum lagi potensi masalah yang dapat ditimbulkan Mamdani bagi partainya ketika mencoba merayu pemilih yang tidak aktif.

Pemungutan suara awal sedang berlangsung di New York dan New Jersey di tengah persaingan yang ketat untuk mendapatkan walikota dan gubernur

“Apa yang harus dia lakukan untuk mendapatkan dukungan Anda?” Dana Bash dari CNN bertanya pada 24 Agustus.

“(Rep.) Yvette Clarke, ketua Kongres Kaukus Hitam, dan saya dijadwalkan untuk duduk bersamanya dalam beberapa hari ke depan. Saya menantikan pembicaraan ini,” kata Jeffries.

Bash menjawab, “Apa yang ingin Anda dengar darinya? Apa yang kurang? Maksud saya, tidak biasa bagi seorang tokoh Demokrat seperti Anda untuk menahan dukungan dari calon walikota New York City dari partai Anda.”

“Saya rasa kami tidak menahan dukungan. Kami sedang terlibat dalam perbincangan tentang masa depan Kota New York,” kata Jeffries.

Jeffries mengklaim dia “mengangkat banyak masalah dengan” Mamdani secara pribadi dan juga mengungkapkan keprihatinannya secara terbuka. (Nathan Posner/Anadolu/Getty Images)

Bash bertanya apakah Jefferies mendukung Mamdani karena dia “tidak mengecam penggunaan istilah tersebut atau mendukung istilah globalisasi pemberontakan?”

“Saya mengangkat beberapa masalah dengannya secara pribadi, dan saya juga berbicara secara terbuka tentang beberapa kekhawatiran yang saya miliki,” kata Jeffries.

Jadi, sebenarnya ada “kekhawatiran”.

“Apa yang Anda katakan kepada para pemilih muda Anda, para pemilih muda yang bersemangat yang membantu menempatkan Mamdani pada posisinya sekarang dan sekarang meminta Anda mewakili keinginan mereka dan mendukungnya?” tanya seorang reporter Jefferies di Capitol pada 6 Oktober.

KAMPANYE CLINTON MENDESAK JEFFRIES DAN SCHUMER UNTUK TIDAK MENGAMBIL UMPAN DAN MENDAPATKAN BULLIFIED DALAM DUKUNGAN MAMDANI

“Saya rasa saya telah menjawab pertanyaan-pertanyaan ini berulang kali, dan saya akan menyampaikan lebih banyak hal sebelum pemungutan suara awal,” kata Jeffries.

Ada lebih banyak pertanyaan untuk Jeffries tentang Mamdani pada 9 Oktober.

“Kami berada di tengah penutupan pemerintahan,” Jeffries mengalihkan pandangannya ketika ditanya tentang kemungkinan rencana untuk mendukungnya. “Saya ingin menyampaikan lebih banyak tentang pemilihan walikota sebelum pemungutan suara awal di New York City, yang dimulai pada akhir bulan ini.”

Jadi Jeffries kini mendukung Mamdani. Ini seharusnya menjawab semua pertanyaan, bukan?

dipertanyakan.

Kandidat walikota New York City dari Partai Demokrat Zahran Mamdani menyampaikan pidato di Bronx, New York City, pada Jumat, 24 Oktober 2025. (Fox News Digital/Deirdre Heavy)

Partai Republik menerkam keputusan Jeffries untuk mendukungnya. Kalangan Demokrat moderat dan banyak pemilih pro-Israel mengeluhkan hal ini. Ya. Mungkin Jeffries perlu mencapai tingkat kenyamanan dengan Mamdani dan mengklarifikasi pertanyaan yang ada dalam pikiran Pemimpin Minoritas. Namun pada akhirnya, Jeffries mungkin tidak punya pilihan selain mendukungnya. Kegagalan untuk meratifikasi perjanjian ini dapat menyebabkan perpecahan partai. Jeffries mungkin harus mempertimbangkan risiko yang lebih besar: membuat tidak puas hati dan membuat marah kelompok kiri, atau menyetujui dan kehilangan mereka yang berada di tengah.

Segala sesuatu dalam politik adalah kalkulus. Jeffries melakukan perhitungan — atas nama dirinya sendiri, New York City, dan partainya.

Ya, Partai Republik akan mengkritik keras Jeffries atas keputusan ini. Tapi mereka akan tetap mencoba menghubungkan Jeffries dengan Mamdani. Adil atau tidak.

Klik di sini untuk mengunduh aplikasi FOX NEWS

Diragukan apakah dukungan Jeffries akan memenangkan atau kalah dalam pemilihan walikota Mamdani.

Namun menolak untuk melakukan sertifikasi akan menyoroti perpecahan di dalam Partai Demokrat. Hal ini akan menimbulkan lebih banyak pertanyaan daripada pertanyaan Jefferies tentang apakah dia akan mendukungnya atau tidak.

Chad Pergram saat ini menjabat sebagai Koresponden Kongres Senior untuk Fox News Channel (FNC). Dia bergabung dengan jaringan tersebut pada bulan September 2007 dan berbasis di Washington, DC

Tautan sumber

Beberapa perusahaan mendapatkan layanan terbaik dengan menyesuaikan model yang lebih besar dengan kebutuhan mereka, namun sejumlah perusahaan berencana untuk melakukannya Membangun model mereka sendirisebuah proyek yang memerlukan akses ke unit pemrosesan grafis.

Google Cloud ingin memainkan peran yang lebih besar dalam perjalanan pemodelan perusahaan dengan layanan barunya. Pelatihan Vertex AI. Layanan ini memberi organisasi yang ingin melatih model mereka sendiri akses ke lingkungan terkelola Slurm, alat ilmu data, dan chipset apa pun yang mampu melatih model dalam skala besar.

Dengan layanan baru ini, Google Cloud berharap dapat menjauhkan lebih banyak organisasi dari penyedia lain dan mendorong pengembangan lebih banyak model AI perusahaan.

Meskipun Google Cloud selalu menawarkan kemampuan untuk menyesuaikan model Gemini, layanan baru ini memungkinkan pelanggan untuk membawa model mereka sendiri atau menyesuaikan model sumber terbuka apa pun ke host Google Cloud.

Pelatihan Vertex AI mengadu Google Cloud secara langsung dengan perusahaan sejenis IntiWeave Dan Laboratorium Lambdaselain pesaing cloud-nya Os Dan MicrosoftAzure.

Jaime de Guerre, direktur senior manajemen produk di Gloogle Cloud, mengatakan kepada VentureBeat bahwa perusahaan mendengar dari banyak organisasi dengan berbagai ukuran bahwa mereka memerlukan cara untuk mengoptimalkan komputasi dengan lebih baik tetapi dalam lingkungan yang lebih andal.

“Apa yang kami lihat adalah semakin banyak perusahaan yang membangun atau menyesuaikan model AI besar untuk memberikan penawaran produk berdasarkan model tersebut, atau untuk membantu meningkatkan bisnis mereka dengan cara tertentu,” kata De Guerre. “Hal ini mencakup startup AI, perusahaan teknologi, organisasi berdaulat yang sedang membangun model untuk wilayah, budaya atau bahasa tertentu, dan beberapa perusahaan besar yang mungkin sedang membangun operasi internal.”

De Guerre mencatat bahwa meskipun secara teknis siapa pun dapat menggunakan layanan ini, Google menargetkan perusahaan yang merencanakan pelatihan model skala besar daripada pengguna LoRA atau penyempurnaan sederhana. Vertex AI Services akan fokus pada pekerjaan pelatihan jangka panjang yang melibatkan ratusan atau bahkan ribuan chip. Penetapan harga akan bergantung pada seberapa banyak komputasi yang dibutuhkan suatu organisasi.

“Melatih Vertex AI bukan tentang menambahkan lebih banyak informasi ke dalam konteks atau menggunakan RAG; ini tentang melatih model di mana Anda dapat memulai dari bobot yang sepenuhnya acak,” katanya.

Kustomisasi formulir sedang meningkat

Perusahaan menyadari nilai membangun model khusus yang lebih dari sekadar menyempurnakan LLM mereka melalui recall augmented generation (RAG). Formulir khusus akan mengetahui informasi lebih rinci tentang perusahaan dan merespons dengan jawaban khusus organisasi. Perusahaan seperti Arcee.ai saya mulai Kirimkan model mereka Dapat disesuaikan untuk pelanggan. Adobe Baru-baru ini mengumumkan layanan baru yang memungkinkan bisnis Firefly dilatih ulang untuk memenuhi kebutuhannya sendiri. Organisasi seperti FicoYang menciptakan model linguistik kecil Khusus untuk industri keuangan,Mereka sering membeli GPU untuk pelatihan dengan harga mahal.

Google Cloud mengatakan Vertex AI Training membedakan dirinya dengan menyediakan akses ke rangkaian chip dan layanan yang lebih luas untuk memantau dan mengelola pelatihan serta keahlian yang dipelajari dari pelatihan model Gemini.

Beberapa pelanggan awal Vertex AI Training meliputi: Amnesty Internasional Singapurasebuah konsorsium lembaga penelitian dan startup Singapura yang membangun SEA-LION versi 4 dengan 27 miliar parameter, dan Tenaga penjualanTim Peneliti Kecerdasan Buatan.

Perusahaan sering kali harus memilih antara mengambil LLM yang sudah dibangun dan menyempurnakan atau membangun model mereka sendiri. Namun membuat LLM dari awal biasanya tidak dapat dicapai oleh usaha kecil, atau tidak masuk akal untuk beberapa kasus penggunaan. Namun, bagi organisasi yang menginginkan model kustom atau model awal, masalahnya adalah akses ke GPU yang diperlukan untuk menjalankan pelatihan.

Pelatihan model bisa mahal

Melatih modelnya bisa seperti itu, kata De Guerre Sulit dan mahalterutama ketika perusahaan bersaing dengan banyak perusahaan lain untuk mendapatkan ruang GPU.

Perusahaan-perusahaan berskala besar seperti AWS dan Microsoft – dan ya, Google – telah menunjukkan bahwa pusat data besar mereka serta rak-rak chip mutakhir memberikan nilai tertinggi bagi perusahaan. Mereka tidak hanya memiliki akses ke GPU yang mahal, tetapi penyedia cloud sering kali menawarkan layanan terintegrasi untuk membantu organisasi beralih ke produksi.

Layanan seperti CoreWeave menjadi terkenal dalam menyediakan akses sesuai permintaan ke… Nvidia H100s, memberikan pelanggan fleksibilitas dalam daya komputasi saat membuat model atau aplikasi. Hal ini juga memunculkan model bisnis di mana perusahaan pemilik GPU menyewa ruang server.

De Guerre mengatakan Pelatihan Vertex AI bukan hanya tentang menyediakan akses ke model pelatihan komputasi telanjang, di mana organisasi menyewa server GPU; Mereka juga harus membawa program pelatihan mereka sendiri dan mengatur waktu dan kegagalan.

“Ini adalah lingkungan Slurm terkelola yang akan membantu penjadwalan pekerjaan penuh dan pemulihan otomatis pekerjaan yang gagal,” kata De Guerre. “Jadi, jika misi pelatihan melambat atau berhenti karena kegagalan perangkat keras, pelatihan akan dimulai ulang secara otomatis dengan sangat cepat, berdasarkan proses verifikasi otomatis yang kami lakukan dalam manajemen pos pemeriksaan untuk melanjutkan dengan waktu henti yang sangat sedikit.”

Hal ini memberikan throughput yang lebih tinggi dan pelatihan yang lebih efisien untuk cluster komputasi yang lebih luas, tambahnya.

Layanan seperti Pelatihan Vertex AI dapat memudahkan organisasi untuk membangun model khusus atau menyesuaikan sepenuhnya model yang ada. Namun, hanya karena ada suatu pilihan tidak berarti pilihan tersebut tepat untuk setiap organisasi.

Tautan sumber