Connect with us

Berita

Dari Halusinasi hingga Perangkat: Pelajaran dari Proyek Visi Komputer Nyata berlangsung bersama

Published

on

Bergabunglah dengan acara bahwa para pemimpin lembaga telah dipercaya selama hampir dua dekade. VB Transform menggabungkan orang yang membangun strategi AI untuk institusi nyata. Pelajari lebih lanjut


Proyek visi komputer jarang berjalan sesuai rencana, dan pengecualian ini tidak. Idenya sederhana: Buat model yang dapat melihat gambar laptop dan menentukan kerusakan fisik – hal -hal seperti layar retak, kunci yang hilang atau engsel yang rusak. Itu tampak seperti keadaan penggunaan langsung untuk model foto dan model bahasa besar (LLM), tetapi dengan cepat berubah menjadi sesuatu yang lebih rumit.

Sepanjang jalan, kami menghadapi masalah dengan halusinasi, output, dan gambar yang tidak dapat diandalkan yang bahkan bukan laptop. Untuk menyelesaikannya, kami akhirnya menerapkan kerangka kerja pada agen -agen di Athuma – bukan untuk mengotomatiskan tugas, tetapi untuk meningkatkan kinerja model.

Dalam posting ini, kami akan melalui apa yang kami coba, kecuali berhasil dan bagaimana kami membantu kami serangkaian metode di akhir membangun sesuatu yang dapat diandalkan.

Di mana kami mulai: klaim yang homogen

Pendekatan awal kami agak standar untuk model multimedia. Kami menggunakan satu router besar untuk meneruskan gambar ke LLM yang mampu dari gambar dan memintanya untuk menentukan kerusakan yang terlihat. Strategi homogen ini mudah diimplementasikan dan berfungsi dengan baik untuk tugas yang bersih dan ditentukan dengan baik. Tetapi data di dunia nyata jarang dimainkan.

Kami menghadapi tiga masalah utama lebih awal:

  • HalusinogenikModel tersebut kadang -kadang dapat menemukan kerusakan yang tidak ada atau mencalonkan apa yang dilihatnya.
  • Deteksi gambar yang tidak diinginkanItu tidak memiliki cara yang dapat diandalkan untuk merek foto yang bahkan bukan laptop, seperti kantor, dinding, atau orang -orang terkadang menerima laporan kerusakan irasional.
  • Tidak konsisten: Campuran masalah ini membuat model tidak dapat diandalkan untuk penggunaan operasional.

Inilah poin yang menjadi jelas bahwa kita akan membutuhkan pengulangan.

Perbaikan Pertama: Mencampur Keputusan Foto

Satu hal yang kami perhatikan adalah jumlah kualitas gambar yang mempengaruhi hasil model. Pengguna telah mengunduh semua jenis gambar mulai dari akurasi tajam dan tinggi hingga kabut. Ini mendorong kami untuk merujuk riset Menyoroti bagaimana akurasi gambar mempengaruhi model pembelajaran yang mendalam.

Kami melatih dan menguji model menggunakan campuran gambar resolusi tinggi. Idenya adalah untuk membuat model lebih fleksibel dalam berbagai karakteristik gambar yang akan dihadapi dalam praktiknya. Ini membantu meningkatkan konsistensi, tetapi masalah dasar halusinasi dan berurusan dengan gambar yang tidak diinginkan berlanjut.

The Multimodal Detour: Text-only LLM Goes Multimedia

Mendorong pengalaman modern dalam bentuk jamak KelompokDi mana ilustrasi dibuat dari gambar dan kemudian ditafsirkan melalui model bahasa, kami memutuskan untuk mencobanya.

Inilah cara bekerja:

  • LLM dimulai dengan menghasilkan beberapa komentar yang mungkin untuk gambar.
  • Model lain, yang disebut model inklusi multimedia, memeriksa kesesuaian setiap komentar pada gambar. Dalam hal ini, kami menggunakan Siglip untuk merekam kesamaan antara gambar dan teks.
  • Sistem ini mempertahankan jumlah ilustrasi tertinggi berdasarkan gelar ini.
  • LLM menggunakan ilustrasi atas ini untuk menulis yang baru, mencoba mendekati apa yang sudah ditunjukkan oleh gambar.
  • Proses ini diulangi sampai penunjukan penjelasan menghentikan peningkatan, atau mencapai batas tertentu.

Saat teori pintar, pendekatan ini menyajikan masalah baru dengan keadaan penggunaan kami:

  • Halusinasi terus menerus: Terkadang ilustrasi termasuk kerusakan palsu, yang telah diberitahu dengan percaya diri tentang LLM.
  • Cakupan yang tidak lengkap: Bahkan dengan beberapa komentar, beberapa masalah sepenuhnya terlewatkan.
  • Peningkatan kompleksitas, manfaat minimalLangkah -langkah tambahan membuat sistem lebih rumit tanpa andal unggul atas persiapan sebelumnya.

Itu adalah pengalaman yang menarik, tetapi pada akhirnya itu bukan solusi.

Penggunaan kerangka kerja yang kreatif

Ini adalah titik balik. Sementara kerangka kerja biasanya digunakan untuk mengoordinasikan aliran tugas (diyakini bahwa agen undangan kalender atau prosedur layanan pelanggan), kami telah bertanya apakah akan melanggar tugas menafsirkan gambar menjadi agen yang lebih kecil dan khusus yang dapat membantu.

Kami telah membangun kerangka kerja terorganisir seperti ini:

  • Agen orkestrator: Periksa gambar dan identifikasi komponen laptop (layar, keyboard, struktur, port).
  • Agen karcineFaktor -faktor yang ditunjuk memeriksa setiap komponen dari jenis kerusakan tertentu; Misalnya, satu untuk layar retak, dan yang lainnya untuk sakelar yang hilang.
  • Penemuan yang tidak diinginkanAgen terpisah telah ditandai jika gambar adalah laptop di tempat pertama.

Pendekatan standar berbasis tugas ini telah menghasilkan hasil yang lebih akurat dan interpretatif. Halusinasi telah menurun secara signifikan, tanda gambar yang tidak diinginkan dibuat dengan andal dan tugas masing -masing agen sederhana dan cukup fokus untuk mengontrol kualitas dengan baik.

Bintik -bintik buta: Pendekatan Al -Wakeel

Buruknya efektif, itu tidak sempurna. Pembatasan utama muncul:

  • Peningkatan jintan: Menjalankan beberapa faktor serial yang telah ditambahkan ke total waktu inferensi.
  • Menutupi celahAgen hanya dapat menemukan masalah yang telah diprogram secara eksplisit untuk dicari. Jika sebuah gambar menunjukkan sesuatu yang tidak terduga bahwa tidak ada pekerja yang ditugaskan untuk definisi, itu akan tanpa ada yang menyadarinya.

Kami membutuhkan cara untuk menyeimbangkan akurasi dengan cakupan.

Solusi Campuran: Menggabungkan Agen dan Agen Terjemahan

Untuk kesenjangan, kami membuat sistem hybrid:

  1. itu Kerangka kerja Pertama, ia berlari, berhadapan dengan deteksi dengan cermat jenis kerusakan yang diketahui dan gambar yang tidak diinginkan. Kami telah membatasi jumlah agen pada faktor terpenting untuk meningkatkan jintan.
  2. Lalu, a Homoing photo router llm Bersihkan gambar hal lain yang dilewatkan oleh agen.
  3. Akhirnya, kami Atur formulir Menggunakan serangkaian foto gambar prioritas tinggi, seperti skenario kerusakan yang sering dilaporkan, untuk meningkatkan akurasi dan keandalan.

Campuran ini telah memberi kita keakuratan dan kemampuan persiapan agen, cakupan luas dari aplikasi homogen dan peningkatan kepercayaan pada instalasi yang tepat yang ditargetkan.

Apa yang kami pelajari

Beberapa hal menjadi jelas pada saat kami menyimpulkan proyek ini:

  • Kerangka kerja musuh lebih beragam daripada yang Anda dikreditkan: Meskipun biasanya terkait dengan manajemen alur kerja, kami telah menemukan bahwa itu dapat meningkatkan kinerja model yang berguna saat menerapkannya dalam standar yang terorganisir.
  • Campur pendekatan berbeda yang mengalahkan hanya satu: Campuran deteksi yang cermat berdasarkan agen di samping cakupan luas LLMS, selain sedikit kontrol karena lebih penting, memberi kami hasil yang jauh lebih dapat diandalkan daripada salah satu cara sendirian.
  • Model visual rentan terhadap halusinasiBahkan pengaturan yang paling canggih dapat melompat ke kesimpulan atau melihat hal -hal yang tidak ada. Penting untuk merancang sistem yang bijaksana untuk menjaga kesalahan ini di bawah diperiksa.
  • Berbagai kualitas gambar membuat perbedaanPelatihan dan pengujian dengan gambar -gambar yang jelas dan tinggi dan suara harian berkualitas rendah agar tetap fleksibel ketika menghadapi gambar yang tidak terduga di dunia nyata.
  • Anda membutuhkan cara untuk mengambil gambar yang tidak diinginkan: Itu adalah gambar gambar yang tidak diinginkan atau tidak diinginkan yang telah kami buat, dan memiliki dampak besar pada keandalan sistem secara umum.

Ide akhir

Apa yang dimulai sebagai ide sederhana, menggunakan klaim LLM untuk mendeteksi kerusakan fisik pada gambar laptop, dengan cepat berubah menjadi pengalaman yang jauh lebih dalam dalam menggabungkan berbagai teknik kecerdasan buatan untuk mengatasi masalah yang tidak terduga dan realistis. Sepanjang jalan, kami menyadari bahwa beberapa alat yang paling berguna pada awalnya tidak dirancang untuk jenis pekerjaan ini.

Berbagai kerangka kerja, yang sering dipandang sebagai alat alur kerja, telah terbukti sangat efektif ketika digunakan kembali untuk tugas -tugas seperti mendeteksi kerusakan terorganisir dan memfilter gambar. Dengan sedikit kreativitas, mereka membantu kami membangun sistem yang tidak hanya lebih akurat, tetapi lebih mudah untuk dipahami dan dikelola dalam praktik.

Shruti Tiwari adalah manajer produk AI di Dell Technologies.

Vadiraj Kulkarni adalah dunia data di Dell Technologies.


Tautan sumber
Continue Reading
Click to comment

Leave a Reply

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *

Berita

GOP mendorong RUU Trump utama dengan akhir tenggat waktu pada 4 Juli

Published

on

baruAnda sekarang dapat mendengarkan Fox News!

Partai Republik terkejut oleh presiden Senat Donald Trump “RUU besar dan indah” melalui hambatan prosedural setelah berjam -jam negosiasi tegang yang menempatkan nasib Megabill sebagai pertanyaan.

Spekulasi memudar apakah Partai Republik akan puas dengan versi terbaru Mammoth Bell, yang dirilis tepat sebelum tengah malam Sabtu.

Hampir setiap penggemar, dengan pengecualian sense. Thom Tillis, rn.c, dan Rand PaulR-Ky. Mereka semua memilih untuk membuka diskusi maraton 20 jam tentang RUU tersebut. Pemimpin Mayoritas Senat John ThunRuby, hanya bisa menanggung kehilangan tiga suara.

Terlepas dari keberhasilannya, pemungutan suara partai 51-49 bukan tanpa drama.

“Hukum draft utama dan indah” Trump menghadapi perselisihan keluarga Republik, sementara Senat mengungkapkan teks akhirnya

Presiden Donald Trump berbicara di sebuah acara untuk mempromosikan kebijakan dan anggaran lokal di Kamar Timur Gedung Putih, pada hari Kamis, 26 Juni 2025, di Washington. (Foto AP/Mark Schiesfelbein)

Senator Ron Johnson, R. West.

Vans dipanggil dalam kasus pemungutan suara pengikat, tetapi hanya layanan negosiasi yang akhirnya menggunakannya.

Tak satu pun dari legislator yang ingin menjadi suara penentu keempat dan terakhir untuk membunuh RUU tersebut. Kepemimpinan Republik di tanah tetap terbuka selama sekitar empat jam, sementara negosiasi berlanjut – pertama di Aula Senat dan kemudian di kantor Thun di akhir.

RUU itu tidak akan segera dibahas berkat Demokrat Senat untuk memaksa seluruh mata uang legislatif 940 halaman di Aula Senat, yang dapat mengeringkan beberapa jam dan memperdalam di malam hari.

Schumer untuk memaksa Senat pada “tagihan besar dan indah” Trump

Nasib Megabill, dan apakah dia bisa lulus ujian pertamanya, paling misterius setelah anggota Senat bertemu di balik pintu tertutup pada hari Jumat, dan bahkan saat makan siang lagi pada hari Sabtu.

Kekhawatiran berkelanjutan di kedua dewan tentang Medicaid – khususnya tingkat penyedia Medicaid dan pengaruh pembayaran langsung untuk negara bagian – kredit pajak energi, pengurangan pajak lokal (SALT) dan poin nyeri lainnya yang mengancam kelangsungan hidup faktur.

Partai Republik khawatir tentang Trump di tengah bagian tentang “RUU besar dan indah”

John Thun

Pemimpin mayoritas Senat, John Thun, terlihat setelah makan siang Senat di Gedung American Capitol pada hari Selasa, 24 Juni 2025. (Tom Williams/CQ-Roll Call, Inc via Getty Images)

Namun, perubahan menit terakhir dilakukan baik pada episode atau kepatuhan dengan aturan Senat. Memang, parlemen Senat telah melucuti banyak elemen dari rancangan undang -undang yang harus dirumuskan ulang.

Tarif pajak penyedia Medicaid sebagian besar disimpan, kecuali untuk tanggal implementasinya diulangi lagi setahun. Itu juga termasuk yang lokal untuk legislator seperti Sens. Susan Collins, R-Maine, Josh Hawley dan R-Mo, dan lainnya adalah dana stabilitas di rumah sakit pedesaan senilai $ 25 miliar selama lima tahun ke depan.

Collins mengatakan bahwa dia akan mendukung RUU tersebut melalui hambatan prosedural, dan mengindikasikan bahwa dana stabilitas di rumah sakit pedesaan adalah awal, tetapi apakah itu mendukung RUU di koridor akhir masih harus dilihat.

“Jika rancangan undang -undang tidak diubah, saya akan cenderung ke RUU tersebut, tetapi saya percaya bahwa pemungutan suara prosedural ini untuk mendapatkan RUU tersebut sehingga orang dapat membuat amandemen dan mendiskusikan hal ini,” kata Collins.

Tilis, yang juga khawatir tentang perubahan yang dilakukan pada seorang pelayan dan ingin melihat kembali ke versi Partai Republik, mengatakan dia tidak akan memilih hukum hukum selama klip terakhir.

Senator untuk Partai Republik menyerukan penembakan parlemen setelah menyerahkannya ke “RUU besar dan indah untuk Trump” oleh Trump “

Diskon garam yang termasuk dalam versi parlemen dari RUU tersebut juga bertahan, meskipun maksimum $ 40.000 akan tetap utuh selama lima tahun. Setelah itu, penutup akan kembali ke $ 10.000 saat ini.

Pemanis lain, seperti memperluas ruang lingkup nutrisi yang melepaskan di Alaska dan menurunkan pajak untuk kapten kapal paus, juga dilemparkan untuk menjadi moderat seperti Senator Lisa Morkovski, Rasca, di atas tagihan.

Rand Paul dikelilingi oleh jurnalis pada Mei 2025

Senator Rand Paul berbicara, R-Ky. (Tom Williams/CQ-Roll Call, Inc)

Dia mengumumkan kepada saya bahwa dia menarik keputusan untuk menjual tanah terbuka, yang telah terbukti menjadi titik yang sesuai bagi legislator di Montana dan Idahu.

Namun, Partai Republik yang tidak puas dengan situasi rancangan undang-undang saat ini akan menggunakan “Pott-A Rama” yang akan datang, ketika legislator dapat membuat jumlah modifikasi yang tidak terbatas, untuk mencoba mengubah sebanyak mungkin sebelum klip akhir.

Namun, Demokrat akan menggunakan proses ini untuk menimbulkan rasa sakit sebanyak mungkin pada Partai Republik.

Setelah amandemen maraton, yang dapat terjadi pada dini hari Senin pagi, anggota parlemen akan pindah ke pemungutan suara terakhir untuk mengirim rancangan undang -undang, yang merupakan amandemen terhadap salinan Dewan Perwakilan Rakyat dari “hukum besar yang indah”, ke Kamar Bawah.

Klik di sini untuk mendapatkan aplikasi Fox News

Dari sana, ini adalah perlombaan mati untuk mendapatkan paket di kantor presiden pada 4 Juli.

Dalam pernyataan kebijakan manajemen yang diperoleh oleh Fox News Digital, Trump mengindikasikan bahwa ia akan menandatangani RUU tersebut.

“Presiden Trump berkomitmen untuk mempertahankan janjinya.” “Kegagalan untuk mengesahkan undang -undang ini akan menjadi pengkhianatan terakhir.”

Tautan sumber

Continue Reading

Berita

Mengapa Strategi AI untuk Yayasan Membutuhkan Model Terbuka dan Tertutup: Pemeriksaan TCO

Published

on

Artikel ini adalah bagian dari jumlah khusus VentureBeat, “Biaya sebenarnya dari Amnesty International: Kinerja, Efisiensi dan Investasi Skala Besar.” Baca lebih lanjut dari nomor khusus ini.

Selama dua dekade terakhir, perusahaan memiliki pilihan antara teknologi terbuka dan properti tertutup.

Opsi asli untuk institusi terutama berpusat pada sistem operasi, karena Linux menawarkan sumber terbuka dari Windows Microsoft. Di dunia pengembang, bahasa open source seperti Python dan JavaScript mendominasi, karena teknologi open source, termasuk Kubernetes, adalah standar di cloud.

Jenis pilihan yang sama antara terbuka dan penutupan sekarang menghadapi institusi untuk kecerdasan buatan, dengan banyak opsi untuk kedua jenis model. Di bagian depan model kepemilikan tertutup, ada beberapa model terbesar dan paling banyak digunakan di planet ini, termasuk yang ada di openai dan antropologi. Di sisi open source, ada model seperti Meta’s Llama, IBM Granite, Qwen dan Deepseek Alibaba.

Memahami ketika model terbuka atau tertutup digunakan sebagai opsi yang menentukan bagi para pembuat keputusan yayasan pada tahun 2025 dan seterusnya. Memilihnya memiliki efek keuangan dan mengalokasikan pada setiap opsi yang perlu dipahami dan dipertimbangkan lembaga.

Pahami perbedaan antara lisensi terbuka dan tertutup

Tidak ada kekurangan dekade berlebihan yang berlebihan antara lisensi terbuka dan tertutup. Tapi apa arti semua ini untuk pengguna institusi?

Teknologi properti tertutup, seperti Openai’s GPT 4O, misalnya, tidak berisi kode pelatihan atau bobot yang terbuka atau patut dicontoh yang tersedia bagi siapa saja untuk melihatnya. Model ini tidak dapat dengan mudah tersedia dengan baik, dan hanya tersedia untuk penggunaan institusi nyata dengan biaya (pasti, chatgpt adalah lapisan gratis, Tapi ini tidak akan terganggu oleh pekerjaan lembaga nyata).

Teknologi terbuka, seperti meta llama, granit IBM, atau Deepseek, tersedia secara publik. Lembaga dapat menggunakan formulir secara bebas, secara umum tanpa batasan, termasuk penyesuaian dan kustomisasi.

Rohan Gupta, direktur dengan DeluetteMemberitahu VentureBeat bahwa diskusi terbuka versus sumber tertutup tidak unik atau asli dalam kecerdasan buatan, dan tidak mungkin diselesaikan dalam waktu dekat.

GOPTA menjelaskan bahwa penyedia sumber daya tertutup biasanya menawarkan banyak sampul tentang model mereka yang memungkinkan kemudahan penggunaan, ekspansi yang disederhanakan, promosi yang lebih halus, intervensi yang mengalir dan aliran perbaikan yang berkelanjutan. Ini juga memberikan dukungan besar bagi pengembang. Ini termasuk dokumen di samping saran praktis dan seringkali memberikan integrasi yang lebih ketat dengan infrastruktur dan aplikasi. Di sisi lain, lembaga dibayar selain layanan ini.

“Model open source, di sisi lain, dapat memberikan lebih banyak kontrol, fleksibilitas dan opsi alokasi, dan didukung oleh ekosistem yang dikembangkan yang dinamis,” kata Gupta. “Model -model ini dapat semakin diakses melalui fasad pemrograman aplikasi yang dikelola sepenuhnya melalui penjual cloud, yang memperluas distribusinya.”

Ambil pilihan antara model AI yang terbuka dan tertutup

Pertanyaan yang mungkin ditanyakan oleh banyak pengguna lembaga adalah yang terbaik: model terbuka atau tertutup? Tetapi jawabannya belum tentu satu atau lain.

“Kami tidak menganggap ini sebagai pilihan bilateral,” David Garrera, pemimpin Ai Tawili di Ey AmericaBeri tahu VentureBeat. “Terbuka versus tertutup semakin banyak ruang untuk desain cair, di mana model dipilih, atau bahkan diatur secara otomatis, berdasarkan perbedaan antara akurasi, jintan, biaya, interpretasi dan keamanan pada titik yang berbeda dalam alur kerja.”

Gararrera memperhatikan bahwa model tertutup membatasi cara meningkatkan organisasi atau adaptasi perilaku. Model cadangan sering membatasi perumusan formula, menagih tarif premium, atau menyembunyikan proses dalam kotak hitam. Meskipun alat API menyederhanakan integrasi, mereka mengambil banyak kendali, yang membuatnya sulit untuk membangun sistem yang spesifik atau dapat ditafsirkan.

Sebaliknya, model open source memungkinkan desain target, desain pegangan dan peningkatan untuk kasus penggunaan tertentu. Ini lebih penting di masa depan agen, karena model tidak lagi menjadi alat homogen untuk tujuan umum, tetapi mereka merupakan komponen pengganti dalam alur kerja yang dinamis. Kemampuan untuk membentuk perilaku model secara akurat menjadi, dengan biaya rendah dan melengkapi transparansi, keunggulan kompetitif yang besar saat menerbitkan tugas atau solusi yang terorganisir dengan ketat.

“Dalam praktiknya, kami mengharapkan masa depan agen di mana pemilihan model diekstraksi,” kata Garra.

Misalnya, pengguna dapat merumuskan pesan e -mail menggunakan satu alat AI, merangkum dokumen hukum dengan dokumen lembaga penelitian lainnya dengan model sumber terbuka, dan berinteraksi dengan kecerdasan buatan secara lokal melalui LLM pada perangkat, semua tanpa mengetahui model apa pun yang melakukan apa yang dia lakukan.

“Pertanyaan sebenarnya menjadi: Apa campuran model yang sesuai dengan tuntutan alur kerja Anda?” Kata Garrera.

Pertimbangkan total biaya kepemilikan

Dengan model terbuka, ide dasarnya adalah bahwa model tersedia secara gratis untuk digunakan. Meskipun sebaliknya, lembaga selalu membayar model tertutup.

Realitas adalah ketika datang untuk melihat total biaya kepemilikan (TCO) lebih akurat.

Praven Akkiraju, Direktur Pelaksana Mitra wawasan Saya menjelaskan risiko bahwa TCO memiliki banyak lapisan yang berbeda. Beberapa pertimbangan utama termasuk biaya hosting infrastruktur dan teknik: Apakah model open source di -host oleh lembaga atau penyedia cloud? Berapa banyak rekayasa, termasuk instalasi, tes taman penjaga dan tes keamanan, yang diperlukan untuk mengoperasikan model dengan aman?

Perhatikan Akkiraju itu Menyesuaikan model berat terbuka juga bisa menjadi tugas yang sangat kompleks. Perusahaan model perbatasan tertutup menghabiskan upaya rekayasa yang luar biasa untuk memastikan kinerja melalui berbagai tugas. Menurut pendapatnya, kecuali lembaga menerbitkan pengalaman teknik yang serupa, mereka benar -benar akan menghadapi anggaran yang kompleks ketika merumuskan model sumber terbuka. Ini menciptakan efek biaya ketika institusi memilih strategi penerbitan model. Misalnya, institusi dapat menyesuaikan beberapa versi model dari berbagai tugas atau menggunakan antarmuka pemrograman aplikasi tunggal untuk beberapa tugas.

Ryan Gross, Kepala Data dan Aplikasi di Penyedia Layanan Cloud Asli Kylent VentureBeat mengatakan bahwa dari sudut pandangnya, ketentuan lisensi tidak peduli, kecuali untuk skenario kasus Edge. Pembatasan terbesar seringkali terkait dengan ketersediaan model ketika ada akomodasi data. Dalam hal ini, menerbitkan formulir terbuka pada infrastruktur seperti Amazon Sagemaker mungkin satu -satunya cara untuk mendapatkan model yang lebih baru yang masih sesuai. Ketika datang ke TCO, Gross mencatat bahwa barter jatuh di antara biaya segalanya dan biaya hosting dan pemeliharaan.

“Ada titik setara yang jelas saat ekonomi berubah dari model terbuka tertutup menjadi lebih murah,” kata Gross.

Menurut pendapatnya, bagi sebagian besar organisasi, model tertutup, dengan solusi hosting dan ekspansi atas nama organisasi, akan lebih sedikit. Namun, untuk lembaga besar, perusahaan SaaS dengan permintaan yang sangat tinggi pada LLM, tetapi sapi yang disederhanakan membutuhkan kinerja dalam batas, atau produk yang berfokus pada kecerdasan buatan, dapat menjadi model penyuling yang lebih efektif.

Bagaimana pengembang program yayasan mengevaluasi model terbuka untuk yang tertutup

Josh Busquiz, CTO di Sistem depan kedua Ini adalah salah satu perusahaan yang harus berpikir dan mengevaluasi model terbuka untuk ditutup.

“Kami menggunakan model kecerdasan buatan yang terbuka dan tertutup, tergantung pada penggunaan spesifik, persyaratan keselamatan dan tujuan strategis,” kata Buswiz kepada VentureBeat.

Bosquez menjelaskan bahwa model terbuka memungkinkan perusahaannya untuk mengintegrasikan kemampuan canggih tanpa waktu atau biaya formulir pelatihan dari awal. Untuk eksperimen internal atau model awal yang cepat, model terbuka membantu perusahaannya untuk mengulangi dengan cepat dan mendapat manfaat dari perkembangan yang bergantung pada masyarakat.

Dia mengatakan: “Model tertutup, di sisi lain, adalah pilihan kami ketika database, dukungan gelar di tingkat lembaga dan jaminan keamanan diperlukan, terutama untuk aplikasi yang dihadapi pelanggan atau operasi penerbitan yang mencakup lingkungan yang sensitif atau terorganisir.” “Model -model ini sering berasal dari penjual yang andal, yang memberikan kinerja yang kuat, dukungan untuk kepatuhan dan opsi pengarahan diri.”

Bosquez mengatakan bahwa pemilihan model multi -fungsional dan infus risiko, tidak hanya mengevaluasi kesesuaian teknis, tetapi juga kebijakan pemrosesan data, persyaratan integrasi dan ekspansi jangka panjang.

Melihat TCO, ia mengatakan bahwa itu sangat berbeda antara model terbuka dan tertutup dan pendekatannya tidak lebih murah.

“Ini tergantung pada skala publikasi dan kedewasaan organisasi,” kata Busquiz. “Pada akhirnya, kami mengevaluasi TCO tidak hanya pada dolar yang dihabiskan, tetapi pada kecepatan pengiriman, risiko kepatuhan dan kemampuan untuk berkembang dengan aman.”

Apa artinya ini bagi strategi AI yayasan

Untuk pembuat keputusan teknologi pintar yang mengevaluasi investasi kecerdasan buatan pada tahun 2025, debat terbuka terhadap tertutup tidak terkait dengan pilihan kedua belah pihak. Muncul untuk membangun pendekatan dompet strategis yang meningkatkan berbagai kasus penggunaan dalam organisasi Anda.

Elemen tindakan langsung jelas. Pertama, periksa beban kerja AI saat ini dan rencanakan mereka untuk kerangka kerja pengambilan keputusan, dengan mempertimbangkan persyaratan akurasi, kebutuhan jintan, pembatasan biaya, persyaratan keselamatan dan kewajiban kepatuhan untuk setiap kasus penggunaan. Kedua, mengevaluasi kemampuan teknik organisasi Anda untuk merumuskan model model, hosting dan pemeliharaan, karena ini secara langsung mempengaruhi total biaya kepemilikan riil.

Ketiga, mulailah bereksperimen dengan model pemformatan platform yang secara otomatis dapat mengarahkan tugas ke model yang paling tepat, baik terbuka atau tertutup. Ini menempatkan institusi Anda untuk masa depan agen yang diharapkan oleh para pemimpin industri, seperti Guarrera di EY, di mana pemilihan model menjadi tidak terlihat bagi pengguna akhir.

Tautan sumber

Continue Reading

Berita

Hakim Senior, Roberts, memperingatkan politisi hakim retorika panas yang menargetkan para hakim

Published

on

baruAnda sekarang dapat mendengarkan Fox News!

Pada hari Sabtu, presiden Mahkamah Agung Amerika Serikat, John Roberts, memperingatkan bahaya politisi menggunakan pidato panas terhadap hakim.

“Sudah berakhir dalam konflik politik bahwa hakim yang melakukan pekerjaannya adalah bagian dari masalah,” kata Roberts di Charlotte, North Carolina, pada Konferensi Yudisial Distrik Keempat, pertemuan para hakim dan pengacara.

“Dan, tentu saja, adalah seseorang yang mungkin mengambilnya. Tentu saja, kami memiliki ancaman serius terhadap kekerasan dan pembunuhan bagi para hakim hanya untuk melakukan pekerjaan mereka. Oleh karena itu, saya pikir orang -orang politik di kedua sisi koridor perlu mempertimbangkannya.”

Roberts tidak menyebutkan siapa pun, tetapi tampaknya dia merujuk pada Presiden Donald Trump dan pemimpin Demokrat Chuck Schumer ketika dia mengatakan dia merasa bahwa dia harus berbicara menentang retorika oleh Demokrat dan Republik di masa lalu.

Hakim Senior, Roberts, menggandakan pembelaan pengadilan sementara Scotus sedang bersiap untuk mendengar kasus utama Trump

Pada hari Sabtu, presiden Mahkamah Agung Amerika Serikat, John Roberts, memperingatkan bahaya politisi yang menggunakan wacana panas terhadap hakim. (Foto AP / Manuel Balce Center, file)

Trump telah mengkritik para hakim beberapa kali selama bertahun -tahun, termasuk panggilan untuk mengisolasi hakim yang memutuskan menentang kebijakan deportasi awal tahun ini, mengacu pada nama “Radical Left” dan “Crazy”.

Roberts menanggapi pada saat itu, dengan mengatakan: “Selama lebih dari dua abad, telah terbukti bahwa pemecatan itu bukan tanggapan yang tepat untuk perselisihan mengenai keputusan peradilan. Ada proses peninjauan banding reguler untuk tujuan ini.”

Pada tahun 2020, Roberts Schumer mengutuk pepatahnya bahwa hakim Mahkamah Agung menunjuk Trump Brett Cavano dan Nil Gorsu akan “membayar harga” mengenai masalah hak aborsi selama periode pertama Trump.

Chuck Schumer di Kongres

Pada tahun 2020, Ketua Hakim Roberts Chuck Shomer mengutuk bahwa hakim Mahkamah Agung yang ditunjuk oleh Trump Brett Cavano dan Nil Gora “akan membayar harga” mengenai masalah hak aborsi selama periode pertama Trump. (Kayla Bartkowski/Getty Images)

Anthony Kennedy, mantan hakim Pengadilan Superim, menyarankan wacana politik sipil, memperingatkan, “demokrasi dalam bahaya”

“Saya telah menerbitkan Tawaaf, dan harganya akan dibayar,” kata Schumer dalam pawai di luar Mahkamah Agung pada waktu itu. “Kamu tidak akan tahu apa yang terjadi padamu jika kamu membuat keputusan yang mengerikan ini.”

Shomer kemudian mengatakan bahwa dia merujuk pada harga politik yang dia yakini akan membayar Partai Republik di Senat, tetapi dia berkata: “Saya seharusnya tidak menggunakan kata -kata yang saya lakukan, tetapi saya sama sekali bukan ancaman.

Trump ada dalam gugatan

Presiden Donald Trump telah mengkritik para hakim beberapa kali selama bertahun -tahun, termasuk seruan untuk mengisolasi hakim yang memutuskan menentang kebijakan deportasi awal tahun ini, menyebut hakim sebagai “kiri radikal” dan “gila”. (Tasos Katopodis/Getty Images)

“Para hakim tahu bahwa kritik datang dengan wilayah tersebut, tetapi ancaman data jenis pemerintahan tertinggi ini tidak hanya tidak pantas, tetapi mereka juga berbahaya. Semua anggota pengadilan akan terus melakukan pekerjaan mereka, tanpa rasa takut atau baik, dari kuartal mana pun.”

Klik di sini untuk mendapatkan aplikasi Fox News

Pada bulan April, seorang pria bersenjata yang ditangkap di luar rumah Kavanu mengakui bahwa ia bersalah dalam upaya untuk membunuh keadilan.

Komentar Roberts muncul setelah Mahkamah Agung mengeluarkan keputusan akhir masa jabatannya, dan pemerintahan Trump menyerahkan kemenangan pada hari Jumat dengan membatasi kemampuan hakim untuk mencegah agendanya melalui perintah pengadilan.

Associated Press berkontribusi pada laporan ini.

Tautan sumber

Continue Reading

Trending