ਛੋਟਾ ਜਵਾਬ: ਇੱਕ AI ਕੰਪਨੀ ਉਹ ਹੁੰਦੀ ਹੈ ਜਿਸਦਾ ਮੁੱਖ ਉਤਪਾਦ, ਮੁੱਲ, ਜਾਂ ਪ੍ਰਤੀਯੋਗੀ ਫਾਇਦਾ AI 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ - AI ਨੂੰ ਹਟਾ ਦਿਓ ਅਤੇ ਪੇਸ਼ਕਸ਼ ਢਹਿ ਜਾਂਦੀ ਹੈ ਜਾਂ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਬਦਤਰ ਹੋ ਜਾਂਦੀ ਹੈ। ਜੇਕਰ ਕੱਲ੍ਹ AI ਅਸਫਲ ਹੋ ਜਾਂਦਾ ਹੈ ਅਤੇ ਤੁਸੀਂ ਅਜੇ ਵੀ ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ ਜਾਂ ਬੁਨਿਆਦੀ ਸੌਫਟਵੇਅਰ ਨਾਲ ਡਿਲੀਵਰ ਕਰ ਸਕਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ AI-ਸਮਰੱਥ ਹੋ, AI-ਮੂਲ ਨਹੀਂ। ਅਸਲ AI ਕੰਪਨੀਆਂ ਡੇਟਾ, ਮੁਲਾਂਕਣ, ਤੈਨਾਤੀ, ਅਤੇ ਤੰਗ ਦੁਹਰਾਓ ਲੂਪਾਂ ਰਾਹੀਂ ਵੱਖਰਾ ਕਰਦੀਆਂ ਹਨ।
ਮੁੱਖ ਗੱਲਾਂ:
ਮੁੱਖ ਨਿਰਭਰਤਾ : ਜੇਕਰ AI ਨੂੰ ਹਟਾਉਣ ਨਾਲ ਉਤਪਾਦ ਟੁੱਟ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਇੱਕ AI ਕੰਪਨੀ ਨੂੰ ਦੇਖ ਰਹੇ ਹੋ।
ਸਧਾਰਨ ਟੈਸਟ : ਜੇਕਰ ਤੁਸੀਂ AI ਤੋਂ ਬਿਨਾਂ ਲੰਗੜੇ-ਲੰਬੜੇ ਚੱਲ ਸਕਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਸ਼ਾਇਦ AI-ਸਮਰੱਥ ਹੋ।
ਸੰਚਾਲਨ ਸੰਕੇਤ : ਡ੍ਰਿਫਟ, ਈਵਲ ਸੈੱਟ, ਲੇਟੈਂਸੀ, ਅਤੇ ਅਸਫਲਤਾ ਮੋਡਾਂ 'ਤੇ ਚਰਚਾ ਕਰਨ ਵਾਲੀਆਂ ਟੀਮਾਂ ਸਖ਼ਤ ਮਿਹਨਤ ਕਰਦੀਆਂ ਹਨ।
ਦੁਰਵਰਤੋਂ ਪ੍ਰਤੀਰੋਧ : ਜਦੋਂ ਮਾਡਲ ਅਸਫਲ ਹੋ ਜਾਂਦੇ ਹਨ ਤਾਂ ਗਾਰਡਰੇਲ, ਨਿਗਰਾਨੀ ਅਤੇ ਰੋਲਬੈਕ ਯੋਜਨਾਵਾਂ ਬਣਾਓ।
ਖਰੀਦਦਾਰ ਦੀ ਮਿਹਨਤ : ਵਿਧੀਆਂ, ਮਾਪਦੰਡਾਂ, ਅਤੇ ਸਪਸ਼ਟ ਡੇਟਾ ਸ਼ਾਸਨ ਦੀ ਮੰਗ ਕਰਕੇ AI-ਧੋਖਾਧੜੀ ਤੋਂ ਬਚੋ।
"ਏਆਈ ਕੰਪਨੀ" ਨੂੰ ਇੰਨੀ ਖੁੱਲ੍ਹ ਕੇ ਉਛਾਲਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਇਹ ਇੱਕੋ ਸਮੇਂ ਸਭ ਕੁਝ ਅਤੇ ਕੁਝ ਵੀ ਨਾ ਹੋਣ ਦਾ ਜੋਖਮ ਲੈਂਦਾ ਹੈ। ਇੱਕ ਸਟਾਰਟਅੱਪ ਏਆਈ ਦਰਜਾ ਪ੍ਰਾਪਤ ਕਰਨ ਦਾ ਦਾਅਵਾ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਸਨੇ ਇੱਕ ਆਟੋਕੰਪਲੀਟ ਬਾਕਸ ਜੋੜਿਆ ਹੈ। ਇੱਕ ਹੋਰ ਕੰਪਨੀ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦੀ ਹੈ, ਟੂਲਿੰਗ ਬਣਾਉਂਦੀ ਹੈ, ਉਤਪਾਦਾਂ ਨੂੰ ਭੇਜਦੀ ਹੈ, ਅਤੇ ਉਤਪਾਦਨ ਵਾਤਾਵਰਣ ਵਿੱਚ ਤੈਨਾਤ ਕਰਦੀ ਹੈ... ਅਤੇ ਫਿਰ ਵੀ ਉਸੇ ਬਾਲਟੀ ਵਿੱਚ ਸੁੱਟ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ।.
ਇਸ ਲਈ ਲੇਬਲ ਨੂੰ ਤਿੱਖੇ ਕਿਨਾਰਿਆਂ ਦੀ ਲੋੜ ਹੈ। ਇੱਕ AI-ਨੇਟਿਵ ਕਾਰੋਬਾਰ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਹਲਕੀ ਜਿਹੀ ਧੂੜ ਨਾਲ ਇੱਕ ਮਿਆਰੀ ਕਾਰੋਬਾਰ ਵਿੱਚ ਅੰਤਰ ਤੇਜ਼ੀ ਨਾਲ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ ਜਦੋਂ ਤੁਹਾਨੂੰ ਪਤਾ ਲੱਗ ਜਾਂਦਾ ਹੈ ਕਿ ਕੀ ਲੱਭਣਾ ਹੈ।.
ਇਸ ਤੋਂ ਬਾਅਦ ਤੁਸੀਂ ਜੋ ਲੇਖ ਪੜ੍ਹਨਾ ਪਸੰਦ ਕਰ ਸਕਦੇ ਹੋ:
🔗 AI ਅੱਪਸਕੇਲਿੰਗ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ
ਸਿੱਖੋ ਕਿ ਮਾਡਲ ਤਸਵੀਰਾਂ ਨੂੰ ਸਾਫ਼-ਸੁਥਰਾ ਵੱਡਾ ਕਰਨ ਲਈ ਵੇਰਵੇ ਕਿਵੇਂ ਜੋੜਦੇ ਹਨ।
🔗 AI ਕੋਡ ਕਿਹੋ ਜਿਹਾ ਦਿਖਦਾ ਹੈ
ਤਿਆਰ ਕੀਤੇ ਕੋਡ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਵੇਖੋ ਅਤੇ ਇਹ ਕਿਵੇਂ ਬਣਤਰ ਹੈ।
🔗 AI ਐਲਗੋਰਿਦਮ ਕੀ ਹੈ
ਉਹਨਾਂ ਐਲਗੋਰਿਦਮਾਂ ਨੂੰ ਸਮਝੋ ਜੋ AI ਨੂੰ ਸਿੱਖਣ, ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ ਅਨੁਕੂਲ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।
🔗 AI ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਕੀ ਹੈ?
ਸਿਖਲਾਈ ਲਈ ਡੇਟਾ ਨੂੰ ਸਾਫ਼ ਕਰਨ, ਲੇਬਲ ਕਰਨ ਅਤੇ ਫਾਰਮੈਟ ਕਰਨ ਵਾਲੇ ਕਦਮਾਂ ਦੀ ਖੋਜ ਕਰੋ।
ਏਆਈ ਕੰਪਨੀ ਕੀ ਹੈ: ਸਾਫ਼ ਪਰਿਭਾਸ਼ਾ ਜੋ ਕਾਇਮ ਰਹਿੰਦੀ ਹੈ ✅
ਇੱਕ ਵਿਹਾਰਕ ਪਰਿਭਾਸ਼ਾ:
ਇੱਕ AI ਕੰਪਨੀ ਇੱਕ ਅਜਿਹਾ ਕਾਰੋਬਾਰ ਹੁੰਦਾ ਹੈ ਜਿਸਦਾ ਮੁੱਖ ਉਤਪਾਦ, ਮੁੱਲ, ਜਾਂ ਪ੍ਰਤੀਯੋਗੀ ਫਾਇਦਾ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ - ਭਾਵ ਜੇਕਰ ਤੁਸੀਂ AI ਨੂੰ ਹਟਾ ਦਿੰਦੇ ਹੋ, ਤਾਂ ਕੰਪਨੀ ਦੀ "ਚੀਜ਼" ਢਹਿ ਜਾਂਦੀ ਹੈ ਜਾਂ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਬਦਤਰ ਹੋ ਜਾਂਦੀ ਹੈ। ( OECD , NIST AI RMF )
ਇਹ ਨਹੀਂ ਕਿ "ਅਸੀਂ ਇੱਕ ਵਾਰ ਹੈਕਾਥੌਨ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਸੀ।" ਇਹ ਨਹੀਂ ਕਿ "ਅਸੀਂ ਸੰਪਰਕ ਪੰਨੇ ਵਿੱਚ ਇੱਕ ਚੈਟਬੋਟ ਜੋੜਿਆ ਸੀ।" ਹੋਰ ਪਸੰਦ:
-
ਇਹ ਉਤਪਾਦ ਹੈ (ਜਾਂ ਇੱਕ ਸਿਰੇ ਤੋਂ ਸਿਰੇ ਤੱਕ ਸੰਚਾਲਿਤ ਹੈ) ( OECD )
-
ਕੰਪਨੀ ਦੀ ਤਰੱਕੀ ਮਾਡਲਾਂ, ਡੇਟਾ, ਮੁਲਾਂਕਣ ਅਤੇ ਦੁਹਰਾਓ ਤੋਂ ਆਉਂਦੀ ਹੈ ( Google Cloud MLOps , NIST AI RMF Playbook - Measure )
-
AI ਕੋਈ ਵਿਸ਼ੇਸ਼ਤਾ ਨਹੀਂ ਹੈ - ਇਹ ਇੰਜਣ ਹੈ 🧠⚙️
ਇੱਥੇ ਇੱਕ ਆਸਾਨ ਅੰਤੜੀ ਦੀ ਜਾਂਚ ਹੈ:
ਕੱਲ੍ਹ ਨੂੰ AI ਦੇ ਅਸਫਲ ਹੋਣ ਦੀ ਕਲਪਨਾ ਕਰੋ। ਜੇਕਰ ਗਾਹਕ ਅਜੇ ਵੀ ਤੁਹਾਨੂੰ ਭੁਗਤਾਨ ਕਰਦੇ ਰਹਿਣ ਅਤੇ ਤੁਸੀਂ ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ ਜਾਂ ਬੁਨਿਆਦੀ ਸੌਫਟਵੇਅਰ ਨਾਲ ਉਲਝ ਸਕਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਸ਼ਾਇਦ AI-ਸਮਰੱਥ ਹੋ, AI-ਮੂਲ ਨਹੀਂ।.
ਅਤੇ ਹਾਂ, ਇੱਕ ਧੁੰਦਲਾ ਵਿਚਕਾਰਲਾ ਖੇਤਰ ਹੈ। ਜਿਵੇਂ ਧੁੰਦ ਵਾਲੀ ਖਿੜਕੀ ਵਿੱਚੋਂ ਲਈ ਗਈ ਇੱਕ ਫੋਟੋ... ਕੋਈ ਵਧੀਆ ਰੂਪਕ ਨਹੀਂ, ਪਰ ਤੁਹਾਨੂੰ ਵਿਚਾਰ ਮਿਲਦਾ ਹੈ 😄
"AI ਕੰਪਨੀ" ਬਨਾਮ "AI-ਯੋਗ ਕੰਪਨੀ" ਵਿੱਚ ਅੰਤਰ (ਇਹ ਹਿੱਸਾ ਦਲੀਲਾਂ ਨੂੰ ਬਚਾਉਂਦਾ ਹੈ) 🥊
ਜ਼ਿਆਦਾਤਰ ਆਧੁਨਿਕ ਕਾਰੋਬਾਰ ਕਿਸੇ ਨਾ ਕਿਸੇ ਤਰ੍ਹਾਂ ਦੇ AI ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਸਿਰਫ਼ ਇਹੀ ਉਹਨਾਂ ਨੂੰ AI ਕੰਪਨੀ ਨਹੀਂ ਬਣਾਉਂਦਾ। ( OECD )
ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ AI ਕੰਪਨੀ:
-
ਏਆਈ ਸਮਰੱਥਾ ਨੂੰ ਸਿੱਧਾ ਵੇਚਦਾ ਹੈ (ਮਾਡਲ, ਸਹਿ-ਪਾਇਲਟ, ਬੁੱਧੀਮਾਨ ਆਟੋਮੇਸ਼ਨ)
-
ਮੁੱਖ ਉਤਪਾਦ ਦੇ ਤੌਰ 'ਤੇ ਮਲਕੀਅਤ ਵਾਲੇ AI ਸਿਸਟਮ ਬਣਾਉਂਦਾ ਹੈ।
-
ਗੰਭੀਰ AI ਇੰਜੀਨੀਅਰਿੰਗ, ਮੁਲਾਂਕਣ, ਅਤੇ ਤੈਨਾਤੀ ਨੂੰ ਇੱਕ ਮੁੱਖ ਕਾਰਜ ਵਜੋਂ ਰੱਖਦਾ ਹੈ ( Google Cloud MLOps )
-
ਡੇਟਾ ਤੋਂ ਲਗਾਤਾਰ ਸਿੱਖਦਾ ਹੈ ਅਤੇ ਇੱਕ ਮੁੱਖ ਮਾਪਦੰਡ ਦੇ ਤੌਰ 'ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ 📈 ( Google MLOps ਵ੍ਹਾਈਟਪੇਪਰ )
ਆਮ ਤੌਰ 'ਤੇ ਇੱਕ AI-ਸਮਰਥਿਤ ਕੰਪਨੀ:
-
ਲਾਗਤਾਂ ਘਟਾਉਣ, ਵਰਕਫਲੋ ਨੂੰ ਤੇਜ਼ ਕਰਨ, ਜਾਂ ਟਾਰਗੇਟਿੰਗ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ AI ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
-
ਅਜੇ ਵੀ ਕੁਝ ਹੋਰ ਵੇਚਦਾ ਹੈ (ਪ੍ਰਚੂਨ ਸਾਮਾਨ, ਬੈਂਕਿੰਗ ਸੇਵਾਵਾਂ, ਲੌਜਿਸਟਿਕਸ, ਮੀਡੀਆ, ਆਦਿ)
-
ਏਆਈ ਨੂੰ ਰਵਾਇਤੀ ਸੌਫਟਵੇਅਰ ਨਾਲ ਬਦਲ ਸਕਦਾ ਹੈ ਅਤੇ ਫਿਰ ਵੀ "ਆਪਣੇ ਆਪ" ਰਹਿ ਸਕਦਾ ਹੈ
ਉਦਾਹਰਣਾਂ (ਜਾਣਬੁੱਝ ਕੇ ਆਮ, ਕਿਉਂਕਿ ਬ੍ਰਾਂਡ ਬਹਿਸ ਕੁਝ ਲੋਕਾਂ ਲਈ ਇੱਕ ਸ਼ੌਕ ਹੈ):
-
ਧੋਖਾਧੜੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲਾ ਬੈਂਕ - AI-ਯੋਗ
-
ਇੱਕ ਰਿਟੇਲਰ ਜੋ ਵਸਤੂ ਸੂਚੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ - AI-ਸਮਰੱਥ
-
ਇੱਕ ਕੰਪਨੀ ਜਿਸਦਾ ਉਤਪਾਦ ਇੱਕ AI ਗਾਹਕ ਸਹਾਇਤਾ ਏਜੰਟ ਹੈ - ਸ਼ਾਇਦ ਇੱਕ AI ਕੰਪਨੀ
-
ਇੱਕ ਪਲੇਟਫਾਰਮ ਜੋ ਮਾਡਲ ਨਿਗਰਾਨੀ, ਮੁਲਾਂਕਣ, ਅਤੇ ਤੈਨਾਤੀ ਸਾਧਨ ਵੇਚਦਾ ਹੈ - AI ਕੰਪਨੀ (ਬੁਨਿਆਦੀ ਢਾਂਚਾ) ( Google Cloud MLOps )
ਤਾਂ ਹਾਂ... ਤੁਹਾਡਾ ਦੰਦਾਂ ਦਾ ਡਾਕਟਰ ਰੀਮਾਈਂਡਰ ਸ਼ਡਿਊਲ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਉਹਨਾਂ ਨੂੰ AI ਕੰਪਨੀ ਨਹੀਂ ਬਣਾਉਂਦਾ 😬🦷
ਇੱਕ AI ਕੰਪਨੀ ਦਾ ਇੱਕ ਚੰਗਾ ਸੰਸਕਰਣ ਕੀ ਬਣਾਉਂਦਾ ਹੈ 🏗️
ਸਾਰੀਆਂ AI ਕੰਪਨੀਆਂ ਇੱਕੋ ਜਿਹੀਆਂ ਨਹੀਂ ਬਣੀਆਂ ਹੁੰਦੀਆਂ, ਅਤੇ ਕੁਝ, ਅਸਲ ਵਿੱਚ, ਜ਼ਿਆਦਾਤਰ ਵਾਈਬਸ ਅਤੇ ਉੱਦਮ ਪੂੰਜੀ ਹੁੰਦੀਆਂ ਹਨ। ਇੱਕ AI ਕੰਪਨੀ ਦਾ ਇੱਕ ਚੰਗਾ ਸੰਸਕਰਣ ਕੁਝ ਗੁਣਾਂ ਨੂੰ ਸਾਂਝਾ ਕਰਦਾ ਹੈ ਜੋ ਵਾਰ-ਵਾਰ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ:
-
ਸਮੱਸਿਆ ਦੀ ਸਪੱਸ਼ਟ ਮਾਲਕੀ : ਉਹ ਇੱਕ ਖਾਸ ਦਰਦ ਨੂੰ ਹੱਲ ਕਰਦੇ ਹਨ, "ਹਰ ਚੀਜ਼ ਲਈ AI" ਨਹੀਂ।
-
ਮਾਪਣਯੋਗ ਨਤੀਜੇ : ਸ਼ੁੱਧਤਾ, ਸਮਾਂ ਬਚਾਇਆ, ਲਾਗਤ ਘਟਾਈ, ਘੱਟ ਗਲਤੀਆਂ, ਵੱਧ ਪਰਿਵਰਤਨ - ਕੁਝ ਚੁਣੋ ਅਤੇ ਇਸਨੂੰ ਟਰੈਕ ਕਰੋ ( NIST AI RMF )
-
ਡੇਟਾ ਅਨੁਸ਼ਾਸਨ : ਡੇਟਾ ਗੁਣਵੱਤਾ, ਅਨੁਮਤੀਆਂ, ਸ਼ਾਸਨ, ਅਤੇ ਫੀਡਬੈਕ ਲੂਪ ਵਿਕਲਪਿਕ ਨਹੀਂ ਹਨ ( NIST AI RMF )
-
ਮੁਲਾਂਕਣ ਸੱਭਿਆਚਾਰ : ਉਹ ਬਾਲਗਾਂ ਵਾਂਗ ਮਾਡਲਾਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਨ - ਬੈਂਚਮਾਰਕ, ਐਜ ਕੇਸ ਅਤੇ ਨਿਗਰਾਨੀ ਦੇ ਨਾਲ 🔍 ( Google Cloud MLOps , Datadog )
-
ਤੈਨਾਤੀ ਹਕੀਕਤ : ਸਿਸਟਮ ਸਿਰਫ਼ ਡੈਮੋ ਵਿੱਚ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਰੋਜ਼ਾਨਾ ਦੀਆਂ ਖਰਾਬ ਸਥਿਤੀਆਂ ਵਿੱਚ ਕੰਮ ਕਰਦਾ ਹੈ।
-
ਇੱਕ ਬਚਾਅਯੋਗ ਕਿਨਾਰਾ : ਡੋਮੇਨ ਡੇਟਾ, ਵੰਡ, ਵਰਕਫਲੋ ਏਕੀਕਰਨ, ਜਾਂ ਮਲਕੀਅਤ ਟੂਲਿੰਗ (ਸਿਰਫ "ਅਸੀਂ ਇੱਕ API ਕਹਿੰਦੇ ਹਾਂ" ਨਹੀਂ)
ਇੱਕ ਹੈਰਾਨੀਜਨਕ ਸੰਕੇਤ:
-
ਜੇਕਰ ਕੋਈ ਟੀਮ ਲੇਟੈਂਸੀ, ਡ੍ਰਿਫਟ, ਈਵਲ ਸੈੱਟ, ਮਨੋ-ਭਰਮ, ਅਤੇ ਅਸਫਲਤਾ ਮੋਡਾਂ , ਤਾਂ ਉਹ ਸ਼ਾਇਦ ਅਸਲ AI ਕੰਮ ਕਰ ਰਹੇ ਹਨ। ( IBM - ਮਾਡਲ ਡ੍ਰਿਫਟ , ਓਪਨਏਆਈ - ਮਨੋ-ਭਰਮ , ਗੂਗਲ ਕਲਾਉਡ ਐਮਐਲਓਪੀਐਸ )
-
ਜੇ ਉਹ ਜ਼ਿਆਦਾਤਰ "ਬੁੱਧੀਮਾਨ ਵਾਈਬਸ ਨਾਲ ਤਾਲਮੇਲ ਵਿੱਚ ਕ੍ਰਾਂਤੀ ਲਿਆਉਣ" ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹਨ, ਤਾਂ... ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਕਿ ਇਹ ਕਿਵੇਂ ਹੈ 😅
ਤੁਲਨਾ ਸਾਰਣੀ: ਆਮ AI ਕੰਪਨੀਆਂ ਦੀਆਂ "ਕਿਸਮਾਂ" ਅਤੇ ਉਹ ਕੀ ਵੇਚ ਰਹੀਆਂ ਹਨ 📊🤝
ਹੇਠਾਂ ਇੱਕ ਤੇਜ਼, ਥੋੜ੍ਹੀ ਜਿਹੀ ਅਪੂਰਣ ਤੁਲਨਾ ਸਾਰਣੀ ਹੈ (ਜਿਵੇਂ ਕਿ ਰੋਜ਼ਾਨਾ ਦਾ ਕਾਰੋਬਾਰ)। ਕੀਮਤਾਂ "ਆਮ ਕੀਮਤ ਸ਼ੈਲੀਆਂ" ਹਨ, ਸਹੀ ਸੰਖਿਆਵਾਂ ਨਹੀਂ, ਕਿਉਂਕਿ ਇਹ ਬਹੁਤ ਬਦਲਦੀਆਂ ਹਨ।.
| ਵਿਕਲਪ / "ਕਿਸਮ" | ਸਭ ਤੋਂ ਵਧੀਆ ਦਰਸ਼ਕ | ਕੀਮਤ (ਆਮ) | ਇਹ ਕਿਉਂ ਕੰਮ ਕਰਦਾ ਹੈ |
|---|---|---|---|
| ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲ ਬਿਲਡਰ | ਡਿਵੈਲਪਰ, ਉੱਦਮ, ਹਰ ਕੋਈ... ਕੁਝ ਹੱਦ ਤੱਕ | ਵਰਤੋਂ-ਅਧਾਰਤ, ਵੱਡੇ ਇਕਰਾਰਨਾਮੇ | ਮਜ਼ਬੂਤ ਜਨਰਲ ਮਾਡਲ ਇੱਕ ਪਲੇਟਫਾਰਮ ਬਣ ਜਾਂਦੇ ਹਨ - "ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ-ਇਸ਼" ਪਰਤ ( ਓਪਨਏਆਈ ਏਪੀਆਈ ਕੀਮਤ ) |
| ਵਰਟੀਕਲ ਏਆਈ ਐਪ (ਕਾਨੂੰਨੀ, ਮੈਡੀਕਲ, ਵਿੱਤ, ਆਦਿ) | ਖਾਸ ਵਰਕਫਲੋ ਵਾਲੀਆਂ ਟੀਮਾਂ | ਗਾਹਕੀ + ਸੀਟ ਦੀ ਕੀਮਤ | ਡੋਮੇਨ ਪਾਬੰਦੀਆਂ ਹਫੜਾ-ਦਫੜੀ ਨੂੰ ਘਟਾਉਂਦੀਆਂ ਹਨ; ਸ਼ੁੱਧਤਾ ਵੱਧ ਸਕਦੀ ਹੈ (ਜਦੋਂ ਸਹੀ ਢੰਗ ਨਾਲ ਕੀਤੀ ਜਾਵੇ) |
| ਗਿਆਨ ਕਾਰਜ ਲਈ ਏਆਈ ਸਹਿ-ਪਾਇਲਟ | ਵਿਕਰੀ, ਸਹਾਇਤਾ, ਵਿਸ਼ਲੇਸ਼ਕ, ਓਪਸ | ਪ੍ਰਤੀ-ਉਪਭੋਗਤਾ ਮਾਸਿਕ | ਸਮਾਂ ਤੇਜ਼ੀ ਨਾਲ ਬਚਾਉਂਦਾ ਹੈ, ਰੋਜ਼ਾਨਾ ਟੂਲਸ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਹੁੰਦਾ ਹੈ... ਜਦੋਂ ਇਹ ਵਧੀਆ ਹੁੰਦਾ ਹੈ ਤਾਂ ਸਟਿੱਕੀ ਹੁੰਦਾ ਹੈ ( ਮਾਈਕ੍ਰੋਸਾਫਟ 365 ਕੋਪਾਇਲਟ ਕੀਮਤ ) |
| ਐਮਐਲਓਪੀਐਸ / ਮਾਡਲ ਓਪਸ ਪਲੇਟਫਾਰਮ | ਉਤਪਾਦਨ ਵਿੱਚ AI ਟੀਮਾਂ | ਐਂਟਰਪ੍ਰਾਈਜ਼ ਇਕਰਾਰਨਾਮਾ (ਕਈ ਵਾਰ ਦੁਖਦਾਈ) | ਨਿਗਰਾਨੀ, ਤੈਨਾਤੀ, ਸ਼ਾਸਨ - ਅਸ਼ਲੀਲ ਪਰ ਜ਼ਰੂਰੀ ( ਗੂਗਲ ਕਲਾਉਡ ਐਮਐਲਓਪੀਐਸ ) |
| ਡਾਟਾ + ਲੇਬਲਿੰਗ ਕੰਪਨੀ | ਮਾਡਲ ਬਿਲਡਰ, ਉੱਦਮ | ਪ੍ਰਤੀ-ਕੰਮ, ਪ੍ਰਤੀ-ਲੇਬਲ, ਮਿਸ਼ਰਤ | ਹੈਰਾਨੀਜਨਕ ਤੌਰ 'ਤੇ ਅਕਸਰ ਬਿਹਤਰ ਡੇਟਾ "ਫੈਨਸੀਅਰ ਮਾਡਲ" ਨੂੰ ਮਾਤ ਦਿੰਦਾ ਹੈ ( MIT ਸਲੋਨ / ਡੇਟਾ-ਕੇਂਦ੍ਰਿਤ AI 'ਤੇ ਐਂਡਰਿਊ ਐਨਜੀ ) |
| ਐਜ ਏਆਈ / ਡਿਵਾਈਸ 'ਤੇ ਏਆਈ | ਹਾਰਡਵੇਅਰ + IoT, ਗੋਪਨੀਯਤਾ-ਭਾਰੀ ਸੰਸਥਾਵਾਂ | ਪ੍ਰਤੀ-ਡਿਵਾਈਸ, ਲਾਇਸੈਂਸਿੰਗ | ਘੱਟ ਲੇਟੈਂਸੀ + ਗੋਪਨੀਯਤਾ; ਔਫਲਾਈਨ ਵੀ ਕੰਮ ਕਰਦਾ ਹੈ (ਵੱਡੀ ਡੀਲ) ( NVIDIA , IBM ) |
| ਏਆਈ ਕੰਸਲਟੈਂਸੀ / ਇੰਟੀਗ੍ਰੇਟਰ | ਗੈਰ-ਏਆਈ-ਮੂਲ ਸੰਸਥਾਵਾਂ | ਪ੍ਰੋਜੈਕਟ-ਅਧਾਰਤ, ਰਿਟੇਨਰ | ਅੰਦਰੂਨੀ ਭਰਤੀ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਦਾ ਹੈ - ਪਰ ਅਭਿਆਸ ਵਿੱਚ ਪ੍ਰਤਿਭਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ |
| ਮੁਲਾਂਕਣ / ਸੁਰੱਖਿਆ ਟੂਲਿੰਗ | ਟੀਮਾਂ ਸ਼ਿਪਿੰਗ ਮਾਡਲ | ਟੀਅਰਡ ਗਾਹਕੀ | ਚੁੱਪ ਅਸਫਲਤਾਵਾਂ ਤੋਂ ਬਚਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ - ਅਤੇ ਹਾਂ, ਇਹ ਬਹੁਤ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ ( NIST AI RMF , OpenAI - ਭਰਮ ) |
ਇੱਕ ਗੱਲ ਵੱਲ ਧਿਆਨ ਦਿਓ। "ਏਆਈ ਕੰਪਨੀ" ਦਾ ਮਤਲਬ ਬਹੁਤ ਵੱਖਰੇ ਕਾਰੋਬਾਰ ਹੋ ਸਕਦੇ ਹਨ। ਕੁਝ ਮਾਡਲ ਵੇਚਦੇ ਹਨ। ਕੁਝ ਮਾਡਲ ਬਿਲਡਰਾਂ ਲਈ ਬੇਲਚੇ ਵੇਚਦੇ ਹਨ। ਕੁਝ ਤਿਆਰ ਉਤਪਾਦ ਵੇਚਦੇ ਹਨ। ਉਹੀ ਲੇਬਲ, ਬਿਲਕੁਲ ਵੱਖਰੀ ਹਕੀਕਤ।.
ਏਆਈ ਕੰਪਨੀਆਂ ਦੇ ਮੁੱਖ ਆਰਕੀਟਾਈਪਸ (ਅਤੇ ਉਹ ਕੀ ਗਲਤ ਕਰਦੇ ਹਨ) 🧩
ਆਓ ਥੋੜ੍ਹਾ ਡੂੰਘਾਈ ਵਿੱਚ ਜਾਈਏ, ਕਿਉਂਕਿ ਇਹੀ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਲੋਕ ਫਸ ਜਾਂਦੇ ਹਨ।.
1) ਮਾਡਲ-ਪਹਿਲਾਂ ਕੰਪਨੀਆਂ 🧠
ਇਹ ਬਿਲਡ ਜਾਂ ਫਾਈਨ-ਟਿਊਨ ਮਾਡਲ ਹਨ। ਇਹਨਾਂ ਦੀ ਤਾਕਤ ਆਮ ਤੌਰ 'ਤੇ ਹੁੰਦੀ ਹੈ:
-
ਖੋਜ ਪ੍ਰਤਿਭਾ
-
ਗਣਨਾ ਸੁਯੋਗਕਰਨ
-
ਮੁਲਾਂਕਣ ਅਤੇ ਦੁਹਰਾਓ ਲੂਪ
-
ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਸੇਵਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ( Google MLOps ਵ੍ਹਾਈਟਪੇਪਰ )
ਆਮ ਨੁਕਸਾਨ:
-
ਉਹ ਮੰਨਦੇ ਹਨ ਕਿ "ਬਿਹਤਰ ਮਾਡਲ" ਆਪਣੇ ਆਪ ਹੀ "ਬਿਹਤਰ ਉਤਪਾਦ" ਦੇ ਬਰਾਬਰ ਹੋ ਜਾਂਦਾ ਹੈ।
ਅਜਿਹਾ ਨਹੀਂ ਹੁੰਦਾ। ਉਪਭੋਗਤਾ ਮਾਡਲ ਨਹੀਂ ਖਰੀਦਦੇ, ਉਹ ਨਤੀਜੇ ਖਰੀਦਦੇ ਹਨ।
2) ਉਤਪਾਦ-ਪਹਿਲੀਆਂ AI ਕੰਪਨੀਆਂ 🧰
ਇਹ ਇੱਕ ਵਰਕਫਲੋ ਦੇ ਅੰਦਰ AI ਨੂੰ ਏਮਬੇਡ ਕਰਦੇ ਹਨ। ਉਹ ਇਹਨਾਂ ਵਿੱਚੋਂ ਜਿੱਤਦੇ ਹਨ:
-
ਵੰਡ
-
UX ਅਤੇ ਏਕੀਕਰਨ
-
ਮਜ਼ਬੂਤ ਫੀਡਬੈਕ ਲੂਪਸ
-
ਕੱਚੀ ਬੁੱਧੀ ਨਾਲੋਂ ਭਰੋਸੇਯੋਗਤਾ ਵੱਧ
ਆਮ ਨੁਕਸਾਨ:
-
ਉਹ ਜੰਗਲੀ ਤੌਰ 'ਤੇ ਮਾਡਲ ਵਿਵਹਾਰ ਨੂੰ ਘੱਟ ਸਮਝਦੇ ਹਨ। ਅਸਲ ਉਪਭੋਗਤਾ ਤੁਹਾਡੇ ਸਿਸਟਮ ਨੂੰ ਨਵੇਂ ਅਤੇ ਰਚਨਾਤਮਕ ਤਰੀਕਿਆਂ ਨਾਲ ਤੋੜ ਦੇਣਗੇ। ਰੋਜ਼ਾਨਾ।.
3) ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਏਆਈ ਕੰਪਨੀਆਂ ⚙️
ਨਿਗਰਾਨੀ, ਤੈਨਾਤੀ, ਸ਼ਾਸਨ, ਮੁਲਾਂਕਣ, ਆਰਕੈਸਟ੍ਰੇਸ਼ਨ ਬਾਰੇ ਸੋਚੋ। ਉਹ ਇਹਨਾਂ ਰਾਹੀਂ ਜਿੱਤਦੇ ਹਨ:
-
ਓਪਰੇਸ਼ਨਲ ਦਰਦ ਘਟਾਉਣਾ
-
ਜੋਖਮ ਪ੍ਰਬੰਧਨ
-
ਏਆਈ ਨੂੰ ਦੁਹਰਾਉਣ ਯੋਗ ਅਤੇ ਸੁਰੱਖਿਅਤ ਬਣਾਉਣਾ ( ਐਨਆਈਐਸਟੀ ਏਆਈ ਆਰਐਮਐਫ , ਗੂਗਲ ਕਲਾਉਡ ਐਮਐਲਓਪੀਐਸ )
ਆਮ ਨੁਕਸਾਨ:
-
ਉਹ ਉੱਨਤ ਟੀਮਾਂ ਲਈ ਬਣਾਉਂਦੇ ਹਨ ਅਤੇ ਬਾਕੀ ਸਾਰਿਆਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦੇ ਹਨ, ਫਿਰ ਸੋਚਦੇ ਹਨ ਕਿ ਗੋਦ ਲੈਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੌਲੀ ਕਿਉਂ ਹੈ।.
4) ਡਾਟਾ-ਕੇਂਦ੍ਰਿਤ AI ਕੰਪਨੀਆਂ 🗂️
ਇਹ ਡੇਟਾ ਪਾਈਪਲਾਈਨਾਂ, ਲੇਬਲਿੰਗ, ਸਿੰਥੈਟਿਕ ਡੇਟਾ, ਅਤੇ ਡੇਟਾ ਗਵਰਨੈਂਸ 'ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦੇ ਹਨ। ਉਹ ਇਹਨਾਂ ਰਾਹੀਂ ਜਿੱਤਦੇ ਹਨ:
-
ਸਿਖਲਾਈ ਸਿਗਨਲ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ
-
ਸ਼ੋਰ ਘਟਾਉਣਾ
-
ਮੁਹਾਰਤ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਣਾ ( ਡਾਟਾ-ਕੇਂਦ੍ਰਿਤ AI 'ਤੇ MIT ਸਲੋਨ / ਐਂਡਰਿਊ ਐਨਜੀ )
ਆਮ ਨੁਕਸਾਨ:
-
ਉਹ "ਡੇਟਾ ਸਭ ਕੁਝ ਹੱਲ ਕਰਦਾ ਹੈ" ਨੂੰ ਜ਼ਿਆਦਾ ਵੇਚਦੇ ਹਨ। ਡੇਟਾ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ, ਪਰ ਤੁਹਾਨੂੰ ਅਜੇ ਵੀ ਚੰਗੀ ਮਾਡਲਿੰਗ ਅਤੇ ਮਜ਼ਬੂਤ ਉਤਪਾਦ ਸੋਚ ਦੀ ਲੋੜ ਹੈ।.
ਇੱਕ AI ਕੰਪਨੀ ਦੇ ਅੰਦਰ ਕੀ ਲੁਕਿਆ ਹੋਇਆ ਹੈ: ਸਟੈਕ, ਲਗਭਗ 🧱
ਜੇ ਤੁਸੀਂ ਪਰਦੇ ਪਿੱਛੇ ਝਾਤੀ ਮਾਰੋ, ਤਾਂ ਜ਼ਿਆਦਾਤਰ ਅਸਲੀ ਏਆਈ ਕੰਪਨੀਆਂ ਇੱਕ ਸਮਾਨ ਅੰਦਰੂਨੀ ਬਣਤਰ ਸਾਂਝੀਆਂ ਕਰਦੀਆਂ ਹਨ। ਹਮੇਸ਼ਾ ਨਹੀਂ, ਪਰ ਅਕਸਰ।.
ਡਾਟਾ ਪਰਤ 📥
-
ਇਕੱਠਾ ਕਰਨਾ ਅਤੇ ਗ੍ਰਹਿਣ ਕਰਨਾ
-
ਲੇਬਲਿੰਗ ਜਾਂ ਕਮਜ਼ੋਰ ਨਿਗਰਾਨੀ
-
ਗੋਪਨੀਯਤਾ, ਇਜਾਜ਼ਤਾਂ, ਧਾਰਨ
-
ਫੀਡਬੈਕ ਲੂਪਸ (ਉਪਭੋਗਤਾ ਸੁਧਾਰ, ਨਤੀਜੇ, ਮਨੁੱਖੀ ਸਮੀਖਿਆ) ( NIST AI RMF )
ਮਾਡਲ ਪਰਤ 🧠
-
ਬੇਸ ਮਾਡਲਾਂ ਦੀ ਚੋਣ ਕਰਨਾ (ਜਾਂ ਸ਼ੁਰੂ ਤੋਂ ਸਿਖਲਾਈ)
-
ਫਾਈਨ-ਟਿਊਨਿੰਗ, ਡਿਸਟਿਲੇਸ਼ਨ, ਤੁਰੰਤ ਇੰਜੀਨੀਅਰਿੰਗ (ਹਾਂ, ਅਜੇ ਵੀ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ)
-
ਪ੍ਰਾਪਤੀ ਪ੍ਰਣਾਲੀਆਂ (ਖੋਜ + ਦਰਜਾਬੰਦੀ + ਵੈਕਟਰ ਡੇਟਾਬੇਸ) ( ਆਰਏਜੀ ਪੇਪਰ (ਲੇਵਿਸ ਐਟ ਅਲ., 2020) , ਓਰੇਕਲ - ਵੈਕਟਰ ਖੋਜ )
-
ਮੁਲਾਂਕਣ ਸੂਟ ਅਤੇ ਟੈਸਟ ਸੈੱਟ ( ਗੂਗਲ ਕਲਾਉਡ ਐਮਐਲਓਪੀਐਸ )
ਉਤਪਾਦ ਪਰਤ 🧑💻
-
UX ਜੋ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ (ਵਿਸ਼ਵਾਸ ਸੰਕੇਤ, "ਸਮੀਖਿਆ" ਸਥਿਤੀਆਂ)
-
ਗਾਰਡਰੇਲ (ਨੀਤੀ, ਇਨਕਾਰ, ਸੁਰੱਖਿਅਤ ਸੰਪੂਰਨਤਾ) ( NIST AI RMF )
-
ਵਰਕਫਲੋ ਏਕੀਕਰਨ (ਈਮੇਲ, ਸੀਆਰਐਮ, ਦਸਤਾਵੇਜ਼, ਟਿਕਟਿੰਗ, ਆਦਿ)
ਓਪਸ ਲੇਅਰ 🛠️
-
ਡ੍ਰਿਫਟ ਅਤੇ ਡਿਗ੍ਰੇਡੇਸ਼ਨ ਲਈ ਨਿਗਰਾਨੀ ( IBM - ਮਾਡਲ ਡ੍ਰਿਫਟ , ਗੂਗਲ ਕਲਾਉਡ MLOps )
-
ਘਟਨਾ ਪ੍ਰਤੀਕਿਰਿਆ ਅਤੇ ਵਾਪਸੀ ( Uber - ਤੈਨਾਤੀ ਸੁਰੱਖਿਆ )
-
ਲਾਗਤ ਪ੍ਰਬੰਧਨ (ਗਣਨਾ ਇੱਕ ਭੁੱਖਾ ਛੋਟਾ ਜਿਹਾ ਰਾਖਸ਼ ਹੋ ਸਕਦਾ ਹੈ)
-
ਸ਼ਾਸਨ, ਆਡਿਟ, ਪਹੁੰਚ ਨਿਯੰਤਰਣ ( NIST AI RMF , ISO/IEC 42001 ਸੰਖੇਪ ਜਾਣਕਾਰੀ )
ਅਤੇ ਉਹ ਹਿੱਸਾ ਜਿਸਦਾ ਕੋਈ ਇਸ਼ਤਿਹਾਰ ਨਹੀਂ ਦਿੰਦਾ:
-
ਮਨੁੱਖੀ ਪ੍ਰਕਿਰਿਆਵਾਂ - ਸਮੀਖਿਅਕ, ਵਾਧਾ, QA, ਅਤੇ ਗਾਹਕ ਫੀਡਬੈਕ ਪਾਈਪਲਾਈਨਾਂ।
AI "ਇਸਨੂੰ ਸੈੱਟ ਕਰੋ ਅਤੇ ਭੁੱਲ ਜਾਓ" ਨਹੀਂ ਹੈ। ਇਹ ਬਾਗਬਾਨੀ ਵਰਗਾ ਹੈ। ਜਾਂ ਇੱਕ ਪਾਲਤੂ ਜਾਨਵਰ ਰੈਕੂਨ ਰੱਖਣ ਵਰਗਾ ਹੈ। ਇਹ ਪਿਆਰਾ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਜੇ ਤੁਸੀਂ ਨਹੀਂ ਦੇਖ ਰਹੇ ਹੋ ਤਾਂ ਇਹ ਤੁਹਾਡੀ ਰਸੋਈ ਨੂੰ ਬਿਲਕੁਲ ਤਬਾਹ ਕਰ ਦੇਵੇਗਾ 😬🦝
ਕਾਰੋਬਾਰੀ ਮਾਡਲ: ਏਆਈ ਕੰਪਨੀਆਂ ਕਿਵੇਂ ਪੈਸਾ ਕਮਾਉਂਦੀਆਂ ਹਨ 💸
ਏਆਈ ਕੰਪਨੀਆਂ ਕੁਝ ਆਮ ਮੁਦਰੀਕਰਨ ਰੂਪਾਂ ਵਿੱਚ ਆਉਂਦੀਆਂ ਹਨ:
-
ਵਰਤੋਂ-ਅਧਾਰਿਤ (ਪ੍ਰਤੀ ਬੇਨਤੀ, ਪ੍ਰਤੀ ਟੋਕਨ, ਪ੍ਰਤੀ ਮਿੰਟ, ਪ੍ਰਤੀ ਚਿੱਤਰ, ਪ੍ਰਤੀ ਕੰਮ) ( OpenAI API ਕੀਮਤ , OpenAI - ਟੋਕਨ )
-
ਸੀਟ-ਅਧਾਰਿਤ ਗਾਹਕੀਆਂ (ਪ੍ਰਤੀ ਉਪਭੋਗਤਾ ਪ੍ਰਤੀ ਮਹੀਨਾ) ( ਮਾਈਕ੍ਰੋਸਾਫਟ 365 ਕੋਪਾਇਲਟ ਕੀਮਤ )
-
ਨਤੀਜਾ-ਅਧਾਰਤ ਕੀਮਤ (ਦੁਰਲੱਭ, ਪਰ ਸ਼ਕਤੀਸ਼ਾਲੀ - ਪ੍ਰਤੀ ਪਰਿਵਰਤਨ ਜਾਂ ਹੱਲ ਕੀਤੀ ਟਿਕਟ ਦਾ ਭੁਗਤਾਨ)
-
ਐਂਟਰਪ੍ਰਾਈਜ਼ ਇਕਰਾਰਨਾਮੇ (ਸਹਾਇਤਾ, ਪਾਲਣਾ, SLA, ਕਸਟਮ ਤੈਨਾਤੀ)
-
ਲਾਇਸੈਂਸਿੰਗ (ਡਿਵਾਈਸ 'ਤੇ, ਏਮਬੈਡਡ, OEM ਸਟਾਈਲ) ( NVIDIA )
ਬਹੁਤ ਸਾਰੀਆਂ AI ਕੰਪਨੀਆਂ ਇੱਕ ਤਣਾਅ ਦਾ ਸਾਹਮਣਾ ਕਰਦੀਆਂ ਹਨ:
-
ਗਾਹਕ ਅਨੁਮਾਨਤ ਖਰਚ ਚਾਹੁੰਦੇ ਹਨ 😌
-
ਵਰਤੋਂ ਅਤੇ ਮਾਡਲ ਦੀ ਚੋਣ ਦੇ ਨਾਲ AI ਲਾਗਤਾਂ ਵਿੱਚ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਆ ਸਕਦਾ ਹੈ 😵
ਇਸ ਲਈ ਚੰਗੀਆਂ AI ਕੰਪਨੀਆਂ ਇਹਨਾਂ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਹੁੰਦੀਆਂ ਹਨ:
-
ਜਦੋਂ ਵੀ ਸੰਭਵ ਹੋਵੇ, ਕੰਮਾਂ ਨੂੰ ਸਸਤੇ ਮਾਡਲਾਂ ਵੱਲ ਭੇਜਣਾ
-
ਕੈਸ਼ਿੰਗ ਨਤੀਜੇ
-
ਬੈਚਿੰਗ ਬੇਨਤੀਆਂ
-
ਸੰਦਰਭ ਆਕਾਰ ਨੂੰ ਕੰਟਰੋਲ ਕਰਨਾ
-
UX ਡਿਜ਼ਾਈਨ ਕਰਨਾ ਜੋ "ਅਨੰਤ ਪ੍ਰੋਂਪਟ ਸਪਿਰਲਜ਼" ਨੂੰ ਨਿਰਾਸ਼ ਕਰਦਾ ਹੈ (ਅਸੀਂ ਸਾਰਿਆਂ ਨੇ ਇਹ ਕੀਤਾ ਹੈ...)
ਖਾਈ ਦਾ ਸਵਾਲ: ਇੱਕ AI ਕੰਪਨੀ ਨੂੰ ਕੀ ਸੁਰੱਖਿਅਤ ਬਣਾਉਂਦਾ ਹੈ 🏰
ਇਹ ਮਸਾਲੇਦਾਰ ਹਿੱਸਾ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਮੰਨਦੇ ਹਨ ਕਿ ਖਾਈ "ਸਾਡਾ ਮਾਡਲ ਬਿਹਤਰ ਹੈ"। ਕਈ ਵਾਰ ਇਹ ਹੁੰਦਾ ਹੈ, ਪਰ ਅਕਸਰ... ਨਹੀਂ।.
ਆਮ ਬਚਾਅਯੋਗ ਫਾਇਦੇ:
-
ਮਲਕੀਅਤ ਡੇਟਾ (ਖਾਸ ਕਰਕੇ ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼)
-
ਵੰਡ (ਉਸ ਵਰਕਫਲੋ ਵਿੱਚ ਏਮਬੈਡ ਕੀਤਾ ਗਿਆ ਜਿਸ ਵਿੱਚ ਉਪਭੋਗਤਾ ਪਹਿਲਾਂ ਤੋਂ ਰਹਿੰਦੇ ਹਨ)
-
ਬਦਲਣ ਦੀਆਂ ਲਾਗਤਾਂ (ਏਕੀਕਰਨ, ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਬਦਲਾਅ, ਟੀਮ ਦੀਆਂ ਆਦਤਾਂ)
-
ਬ੍ਰਾਂਡ ਟਰੱਸਟ (ਖਾਸ ਕਰਕੇ ਉੱਚ-ਦਾਅ ਵਾਲੇ ਡੋਮੇਨਾਂ ਲਈ)
-
ਕਾਰਜਸ਼ੀਲ ਉੱਤਮਤਾ (ਪੱਧਰ 'ਤੇ ਭਰੋਸੇਯੋਗ AI ਭੇਜਣਾ ਔਖਾ ਹੈ) ( ਗੂਗਲ ਕਲਾਉਡ MLOps )
-
ਹਿਊਮਨ-ਇਨ-ਦ-ਲੂਪ ਸਿਸਟਮ (ਹਾਈਬ੍ਰਿਡ ਹੱਲ ਸ਼ੁੱਧ ਆਟੋਮੇਸ਼ਨ ਨੂੰ ਪਛਾੜ ਸਕਦੇ ਹਨ) ( NIST AI RMF , EU AI ਐਕਟ - ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ (ਧਾਰਾ 14) )
ਇੱਕ ਥੋੜ੍ਹਾ ਜਿਹਾ ਅਸਹਿਜ ਸੱਚ:
ਦੋ ਕੰਪਨੀਆਂ ਇੱਕੋ ਅੰਡਰਲਾਈੰਗ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੀਆਂ ਹਨ ਅਤੇ ਫਿਰ ਵੀ ਬਹੁਤ ਵੱਖਰੇ ਨਤੀਜੇ ਦੇ ਸਕਦੀਆਂ ਹਨ। ਫਰਕ ਆਮ ਤੌਰ 'ਤੇ ਮਾਡਲ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਹਰ ਚੀਜ਼ ਵਿੱਚ ਹੁੰਦਾ ਹੈ - ਉਤਪਾਦ ਡਿਜ਼ਾਈਨ, ਮੁਲਾਂਕਣ, ਡੇਟਾ ਲੂਪ, ਅਤੇ ਉਹ ਅਸਫਲਤਾ ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਦੇ ਹਨ।
ਏਆਈ-ਵਾਸ਼ਿੰਗ ਨੂੰ ਕਿਵੇਂ ਪਛਾਣਿਆ ਜਾਵੇ (ਉਰਫ਼ "ਅਸੀਂ ਚਮਕ ਜੋੜੀ ਅਤੇ ਇਸਨੂੰ ਬੁੱਧੀ ਕਿਹਾ") 🚩
ਜੇਕਰ ਤੁਸੀਂ ਮੁਲਾਂਕਣ ਕਰ ਰਹੇ ਹੋ ਕਿ ਇੱਕ AI ਕੰਪਨੀ ਅਸਲ ਵਿੱਚ ਕੀ ਹੈ, ਤਾਂ ਇਹਨਾਂ ਲਾਲ ਝੰਡਿਆਂ ਲਈ ਦੇਖੋ:
-
ਕੋਈ ਸਪੱਸ਼ਟ AI ਸਮਰੱਥਾ ਨਹੀਂ ਦੱਸੀ ਗਈ : ਬਹੁਤ ਸਾਰੀ ਮਾਰਕੀਟਿੰਗ, ਕੋਈ ਵਿਧੀ ਨਹੀਂ
-
ਡੈਮੋ ਮੈਜਿਕ : ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਡੈਮੋ, ਐਜ ਕੇਸਾਂ ਦਾ ਕੋਈ ਜ਼ਿਕਰ ਨਹੀਂ
-
ਕੋਈ ਮੁਲਾਂਕਣ ਕਹਾਣੀ ਨਹੀਂ : ਉਹ ਇਹ ਨਹੀਂ ਦੱਸ ਸਕਦੇ ਕਿ ਉਹ ਭਰੋਸੇਯੋਗਤਾ ਦੀ ਜਾਂਚ ਕਿਵੇਂ ਕਰਦੇ ਹਨ ( Google Cloud MLOps )
-
ਹੱਥ-ਲਹਿਰਾਉਣ ਵਾਲਾ ਡੇਟਾ ਜਵਾਬ : ਅਸਪਸ਼ਟ ਹੈ ਕਿ ਡੇਟਾ ਕਿੱਥੋਂ ਆਉਂਦਾ ਹੈ ਜਾਂ ਇਸਨੂੰ ਕਿਵੇਂ ਨਿਯੰਤਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ( NIST AI RMF )
-
ਨਿਗਰਾਨੀ ਲਈ ਕੋਈ ਯੋਜਨਾ ਨਹੀਂ : ਉਹ ਇਸ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦੇ ਹਨ ਜਿਵੇਂ ਮਾਡਲ ਡ੍ਰਿਫਟ ਨਹੀਂ ਹੁੰਦੇ ( IBM - ਮਾਡਲ ਡ੍ਰਿਫਟ )
-
ਉਹ ਅਸਫਲਤਾ ਦੇ ਢੰਗਾਂ ਦੀ ਵਿਆਖਿਆ ਨਹੀਂ ਕਰ ਸਕਦੇ : ਸਭ ਕੁਝ "ਸੰਪੂਰਨ ਦੇ ਨੇੜੇ" ਹੈ (ਕੁਝ ਵੀ ਨਹੀਂ ਹੈ) ( ਓਪਨਏਆਈ - ਭਰਮ )
ਹਰੇ ਝੰਡੇ (ਸ਼ਾਂਤ ਕਰਨ ਵਾਲੇ ਦੇ ਉਲਟ) ✅:
-
ਉਹ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਉਹ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਕਿਵੇਂ ਮਾਪਦੇ ਹਨ
-
ਉਹ ਬਿਨਾਂ ਘਬਰਾਏ ਸੀਮਾਵਾਂ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹਨ
-
ਉਹਨਾਂ ਕੋਲ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਮਾਰਗ ਅਤੇ ਵਾਧਾ ਹੈ ( NIST AI RMF , EU AI ਐਕਟ - ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ (ਧਾਰਾ 14) )
-
ਉਹ ਗੋਪਨੀਯਤਾ ਅਤੇ ਪਾਲਣਾ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਸਮਝਦੇ ਹਨ ( NIST AI RMF , EU AI ਐਕਟ ਸੰਖੇਪ ਜਾਣਕਾਰੀ )
-
ਉਹ ਭਾਵਨਾਤਮਕ ਤੌਰ 'ਤੇ ਢਹਿ-ਢੇਰੀ ਹੋਏ ਬਿਨਾਂ ਕਹਿ ਸਕਦੇ ਹਨ "ਅਸੀਂ ਅਜਿਹਾ ਨਹੀਂ ਕਰਦੇ" 😅
ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਬਣਾ ਰਹੇ ਹੋ: ਇੱਕ AI ਕੰਪਨੀ ਬਣਨ ਲਈ ਇੱਕ ਵਿਹਾਰਕ ਚੈੱਕਲਿਸਟ 🧠📝
ਜੇਕਰ ਤੁਸੀਂ "AI-ਯੋਗ" ਤੋਂ "AI ਕੰਪਨੀ" ਵਿੱਚ ਜਾਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਇੱਥੇ ਇੱਕ ਵਿਹਾਰਕ ਰਸਤਾ ਹੈ:
-
ਇੱਕ ਵਰਕਫਲੋ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ ਜੋ ਇੰਨੇ ਲੋਕਾਂ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਾਉਂਦਾ ਹੈ ਕਿ ਉਹ ਇਸਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਭੁਗਤਾਨ ਕਰਨਗੇ
-
ਯੰਤਰ ਦੇ ਨਤੀਜੇ ਜਲਦੀ (ਤੁਹਾਡੇ ਸਕੇਲ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ)
-
ਅਸਲ ਉਪਭੋਗਤਾ ਮਾਮਲਿਆਂ ( Google Cloud MLOps )
-
ਪਹਿਲੇ ਦਿਨ ਤੋਂ ਫੀਡਬੈਕ ਲੂਪਸ ਸ਼ਾਮਲ ਕਰੋ
-
ਗਾਰਡਰੇਲਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਦਾ ਹਿੱਸਾ ਬਣਾਓ, ਨਾ ਕਿ ਬਾਅਦ ਵਿੱਚ ਸੋਚਿਆ ਸਮਝਿਆ ( NIST AI RMF )
-
ਜ਼ਿਆਦਾ ਨਾ ਬਣਾਓ - ਇੱਕ ਤੰਗ ਪਾੜਾ ਭੇਜੋ ਜੋ ਭਰੋਸੇਯੋਗ ਹੋਵੇ
-
ਤੈਨਾਤੀ ਨੂੰ ਇੱਕ ਉਤਪਾਦ ਵਾਂਗ ਸਮਝੋ, ਆਖਰੀ ਪੜਾਅ ਵਾਂਗ ਨਹੀਂ ( Google Cloud MLOps )
ਨਾਲ ਹੀ, ਵਿਰੋਧੀ ਸਲਾਹ ਜੋ ਕੰਮ ਕਰਦੀ ਹੈ:
-
ਜਦੋਂ AI ਸਹੀ ਹੁੰਦਾ ਹੈ ਉਸ ਨਾਲੋਂ ਜਦੋਂ ਗਲਤ ਹੁੰਦਾ ਹੈ ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ, ਇਸ 'ਤੇ ਜ਼ਿਆਦਾ ਸਮਾਂ ਬਿਤਾਓ।
ਇਹੀ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਵਿਸ਼ਵਾਸ ਜਿੱਤਿਆ ਜਾਂ ਹਾਰਿਆ ਜਾਂਦਾ ਹੈ। ( NIST AI RMF )
ਸਮਾਪਤੀ ਸਾਰ 🧠✨
ਤਾਂ... ਇੱਕ AI ਕੰਪਨੀ ਕੀ ਹੈ, ਇਹ ਇੱਕ ਸਧਾਰਨ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ:
ਇਹ ਇੱਕ ਅਜਿਹੀ ਕੰਪਨੀ ਹੈ ਜਿੱਥੇ AI ਇੰਜਣ ਹੈ , ਸਜਾਵਟ ਨਹੀਂ। ਜੇਕਰ ਤੁਸੀਂ AI ਨੂੰ ਹਟਾ ਦਿੰਦੇ ਹੋ ਅਤੇ ਉਤਪਾਦ ਸਮਝਣਾ ਬੰਦ ਕਰ ਦਿੰਦਾ ਹੈ (ਜਾਂ ਆਪਣੀ ਕਿਨਾਰੀ ਗੁਆ ਦਿੰਦਾ ਹੈ), ਤਾਂ ਤੁਸੀਂ ਸ਼ਾਇਦ ਇੱਕ ਅਸਲੀ AI ਕੰਪਨੀ ਨੂੰ ਦੇਖ ਰਹੇ ਹੋ। ਜੇਕਰ AI ਬਹੁਤ ਸਾਰੇ ਔਜ਼ਾਰਾਂ ਵਿੱਚੋਂ ਸਿਰਫ਼ ਇੱਕ ਔਜ਼ਾਰ ਹੈ, ਤਾਂ ਇਸਨੂੰ AI-ਯੋਗ ਕਹਿਣਾ ਵਧੇਰੇ ਸਹੀ ਹੋਵੇਗਾ।
ਅਤੇ ਦੋਵੇਂ ਠੀਕ ਹਨ। ਦੁਨੀਆਂ ਨੂੰ ਦੋਵਾਂ ਦੀ ਲੋੜ ਹੈ। ਪਰ ਲੇਬਲ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ ਜਦੋਂ ਤੁਸੀਂ ਨਿਵੇਸ਼ ਕਰ ਰਹੇ ਹੋ, ਨੌਕਰੀ 'ਤੇ ਰੱਖ ਰਹੇ ਹੋ, ਸੌਫਟਵੇਅਰ ਖਰੀਦ ਰਹੇ ਹੋ, ਜਾਂ ਇਹ ਪਤਾ ਲਗਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੋ ਕਿ ਤੁਹਾਨੂੰ ਰੋਬੋਟ ਵੇਚਿਆ ਜਾ ਰਿਹਾ ਹੈ ਜਾਂ ਗੂਗਲੀ ਅੱਖਾਂ ਵਾਲਾ ਗੱਤੇ ਦਾ ਕੱਟਆਊਟ 🤖👀
ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ
ਇੱਕ AI ਕੰਪਨੀ ਬਨਾਮ ਇੱਕ AI-ਯੋਗ ਕੰਪਨੀ ਦੇ ਰੂਪ ਵਿੱਚ ਕੀ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ?
ਇੱਕ AI ਕੰਪਨੀ ਉਹ ਹੁੰਦੀ ਹੈ ਜਿੱਥੇ ਮੁੱਖ ਉਤਪਾਦ, ਮੁੱਲ, ਜਾਂ ਪ੍ਰਤੀਯੋਗੀ ਫਾਇਦਾ AI 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ - AI ਨੂੰ ਹਟਾ ਦਿਓ ਅਤੇ ਪੇਸ਼ਕਸ਼ ਢਹਿ ਜਾਂਦੀ ਹੈ ਜਾਂ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਬਦਤਰ ਹੋ ਜਾਂਦੀ ਹੈ। ਇੱਕ AI-ਸਮਰਥਿਤ ਕੰਪਨੀ ਕਾਰਜਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ (ਜਿਵੇਂ ਕਿ ਭਵਿੱਖਬਾਣੀ ਜਾਂ ਧੋਖਾਧੜੀ ਦਾ ਪਤਾ ਲਗਾਉਣਾ) ਪਰ ਫਿਰ ਵੀ ਕੁਝ ਬੁਨਿਆਦੀ ਤੌਰ 'ਤੇ ਗੈਰ-AI ਵੇਚਦੀ ਹੈ। ਇੱਕ ਸਧਾਰਨ ਟੈਸਟ: ਜੇਕਰ AI ਕੱਲ੍ਹ ਅਸਫਲ ਹੋ ਜਾਂਦਾ ਹੈ ਅਤੇ ਤੁਸੀਂ ਅਜੇ ਵੀ ਬੁਨਿਆਦੀ ਸੌਫਟਵੇਅਰ ਨਾਲ ਕੰਮ ਕਰ ਸਕਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ AI-ਸਮਰਥਿਤ ਹੋ।.
ਮੈਂ ਜਲਦੀ ਕਿਵੇਂ ਦੱਸ ਸਕਦਾ ਹਾਂ ਕਿ ਕੋਈ ਕਾਰੋਬਾਰ ਸੱਚਮੁੱਚ ਇੱਕ AI ਕੰਪਨੀ ਹੈ?
ਵਿਚਾਰ ਕਰੋ ਕਿ ਕੀ ਹੁੰਦਾ ਹੈ ਜੇਕਰ AI ਕੰਮ ਕਰਨਾ ਬੰਦ ਕਰ ਦਿੰਦਾ ਹੈ। ਜੇਕਰ ਗਾਹਕ ਅਜੇ ਵੀ ਭੁਗਤਾਨ ਕਰਦੇ ਰਹਿਣਗੇ ਅਤੇ ਕਾਰੋਬਾਰ ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ ਜਾਂ ਰਵਾਇਤੀ ਸੌਫਟਵੇਅਰ ਦੇ ਨਾਲ ਢਿੱਲਾ ਪੈ ਸਕਦਾ ਹੈ, ਤਾਂ ਇਹ ਸ਼ਾਇਦ AI-ਮੂਲ ਨਹੀਂ ਹੈ। ਸੱਚੀਆਂ AI ਕੰਪਨੀਆਂ ਵੀ ਠੋਸ ਸੰਚਾਲਨ ਸ਼ਬਦਾਂ ਵਿੱਚ ਗੱਲ ਕਰਦੀਆਂ ਹਨ: ਮੁਲਾਂਕਣ ਸੈੱਟ, ਲੇਟੈਂਸੀ, ਡ੍ਰਿਫਟ, ਭਰਮ, ਨਿਗਰਾਨੀ, ਅਤੇ ਅਸਫਲਤਾ ਮੋਡ। ਜੇਕਰ ਇਹ ਸਭ ਮਾਰਕੀਟਿੰਗ ਹੈ ਅਤੇ ਕੋਈ ਵਿਧੀ ਨਹੀਂ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ ਲਾਲ ਝੰਡਾ ਹੈ।.
ਕੀ ਤੁਹਾਨੂੰ ਏਆਈ ਕੰਪਨੀ ਬਣਨ ਲਈ ਆਪਣੇ ਮਾਡਲ ਨੂੰ ਖੁਦ ਸਿਖਲਾਈ ਦੇਣੀ ਪਵੇਗੀ?
ਨਹੀਂ। ਬਹੁਤ ਸਾਰੀਆਂ AI ਕੰਪਨੀਆਂ ਮੌਜੂਦਾ ਮਾਡਲਾਂ ਦੇ ਸਿਖਰ 'ਤੇ ਮਜ਼ਬੂਤ ਉਤਪਾਦ ਬਣਾਉਂਦੀਆਂ ਹਨ ਅਤੇ ਜਦੋਂ AI ਉਤਪਾਦ ਦਾ ਇੰਜਣ ਹੁੰਦਾ ਹੈ ਤਾਂ ਵੀ AI-ਨੇਟਿਵ ਵਜੋਂ ਯੋਗਤਾ ਪੂਰੀ ਕਰਦੀਆਂ ਹਨ। ਮਾਇਨੇ ਰੱਖਣ ਵਾਲੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਕੀ ਮਾਡਲ, ਡੇਟਾ, ਮੁਲਾਂਕਣ, ਅਤੇ ਦੁਹਰਾਓ ਲੂਪ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਵਿਭਿੰਨਤਾ ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ। ਮਲਕੀਅਤ ਡੇਟਾ, ਵਰਕਫਲੋ ਏਕੀਕਰਣ, ਅਤੇ ਸਖ਼ਤ ਮੁਲਾਂਕਣ ਸ਼ੁਰੂ ਤੋਂ ਸਿਖਲਾਈ ਤੋਂ ਬਿਨਾਂ ਵੀ ਇੱਕ ਅਸਲੀ ਕਿਨਾਰਾ ਬਣਾ ਸਕਦੇ ਹਨ।.
ਏਆਈ ਕੰਪਨੀਆਂ ਦੀਆਂ ਮੁੱਖ ਕਿਸਮਾਂ ਕੀ ਹਨ, ਅਤੇ ਉਹ ਕਿਵੇਂ ਵੱਖਰੀਆਂ ਹਨ?
ਆਮ ਕਿਸਮਾਂ ਵਿੱਚ ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲ ਬਿਲਡਰ, ਵਰਟੀਕਲ ਏਆਈ ਐਪਸ (ਜਿਵੇਂ ਕਿ ਕਾਨੂੰਨੀ ਜਾਂ ਮੈਡੀਕਲ ਟੂਲ), ਗਿਆਨ ਦੇ ਕੰਮ ਲਈ ਸਹਿ-ਪਾਇਲਟ, ਐਮਐਲਓਪੀਐਸ/ਮਾਡਲ ਓਪਸ ਪਲੇਟਫਾਰਮ, ਡੇਟਾ ਅਤੇ ਲੇਬਲਿੰਗ ਕਾਰੋਬਾਰ, ਐਜ/ਆਨ-ਡਿਵਾਈਸ ਏਆਈ, ਸਲਾਹਕਾਰ/ਇੰਟੀਗਰੇਟਰ, ਅਤੇ ਮੁਲਾਂਕਣ/ਸੁਰੱਖਿਆ ਟੂਲਿੰਗ ਪ੍ਰਦਾਤਾ ਸ਼ਾਮਲ ਹਨ। ਉਹ ਸਾਰੇ "ਏਆਈ ਕੰਪਨੀਆਂ" ਹੋ ਸਕਦੇ ਹਨ, ਪਰ ਉਹ ਬਹੁਤ ਵੱਖਰੀਆਂ ਚੀਜ਼ਾਂ ਵੇਚਦੇ ਹਨ: ਮਾਡਲ, ਤਿਆਰ ਉਤਪਾਦ, ਜਾਂ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਜੋ ਉਤਪਾਦਨ ਏਆਈ ਨੂੰ ਭਰੋਸੇਯੋਗ ਅਤੇ ਸ਼ਾਸਨਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।.
ਆਮ AI ਕੰਪਨੀ ਦਾ ਸਟੈਕ ਹੁੱਡ ਦੇ ਹੇਠਾਂ ਕਿਹੋ ਜਿਹਾ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ?
ਬਹੁਤ ਸਾਰੀਆਂ AI ਕੰਪਨੀਆਂ ਇੱਕ ਮੋਟਾ ਸਟੈਕ ਸਾਂਝਾ ਕਰਦੀਆਂ ਹਨ: ਇੱਕ ਡੇਟਾ ਲੇਅਰ (ਸੰਗ੍ਰਹਿ, ਲੇਬਲਿੰਗ, ਸ਼ਾਸਨ, ਫੀਡਬੈਕ ਲੂਪਸ), ਇੱਕ ਮਾਡਲ ਲੇਅਰ (ਬੇਸ ਮਾਡਲ ਚੋਣ, ਫਾਈਨ-ਟਿਊਨਿੰਗ, RAG/ਵੈਕਟਰ ਖੋਜ, ਮੁਲਾਂਕਣ ਸੂਟ), ਇੱਕ ਉਤਪਾਦ ਲੇਅਰ (ਅਨਿਸ਼ਚਿਤਤਾ ਲਈ UX, ਗਾਰਡਰੇਲ, ਵਰਕਫਲੋ ਏਕੀਕਰਨ), ਅਤੇ ਇੱਕ ਓਪਸ ਲੇਅਰ (ਡ੍ਰਾਈਫਟ, ਘਟਨਾ ਪ੍ਰਤੀਕਿਰਿਆ, ਲਾਗਤ ਨਿਯੰਤਰਣ, ਆਡਿਟ ਲਈ ਨਿਗਰਾਨੀ)। ਮਨੁੱਖੀ ਪ੍ਰਕਿਰਿਆਵਾਂ - ਸਮੀਖਿਅਕ, ਐਸਕੇਲੇਸ਼ਨ, QA - ਅਕਸਰ ਗੈਰ-ਗਲੈਮਰ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਹੁੰਦੇ ਹਨ।.
ਕਿਹੜੇ ਮੈਟ੍ਰਿਕਸ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਇੱਕ AI ਕੰਪਨੀ ਸਿਰਫ਼ ਡੈਮੋ ਹੀ ਨਹੀਂ, ਸਗੋਂ "ਅਸਲ ਕੰਮ" ਕਰ ਰਹੀ ਹੈ?
ਇੱਕ ਮਜ਼ਬੂਤ ਸਿਗਨਲ ਉਤਪਾਦ ਨਾਲ ਜੁੜੇ ਮਾਪਣਯੋਗ ਨਤੀਜੇ ਹਨ: ਸ਼ੁੱਧਤਾ, ਸਮਾਂ ਬਚਾਇਆ, ਲਾਗਤ ਘਟਾਈ, ਘੱਟ ਗਲਤੀਆਂ, ਜਾਂ ਉੱਚ ਪਰਿਵਰਤਨ - ਉਹਨਾਂ ਮੈਟ੍ਰਿਕਸ ਦਾ ਮੁਲਾਂਕਣ ਅਤੇ ਨਿਗਰਾਨੀ ਕਰਨ ਲਈ ਇੱਕ ਸਪਸ਼ਟ ਵਿਧੀ ਨਾਲ ਜੋੜਿਆ ਗਿਆ। ਅਸਲ ਟੀਮਾਂ ਬੈਂਚਮਾਰਕ, ਟੈਸਟ ਐਜ ਕੇਸ ਬਣਾਉਂਦੀਆਂ ਹਨ, ਅਤੇ ਤੈਨਾਤੀ ਤੋਂ ਬਾਅਦ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਟਰੈਕ ਕਰਦੀਆਂ ਹਨ। ਉਹ ਇਹ ਵੀ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ ਕਿ ਮਾਡਲ ਕਦੋਂ ਗਲਤ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ ਉਦੋਂ ਜਦੋਂ ਇਹ ਸਹੀ ਹੈ, ਕਿਉਂਕਿ ਵਿਸ਼ਵਾਸ ਅਸਫਲਤਾ ਨੂੰ ਸੰਭਾਲਣ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।.
ਏਆਈ ਕੰਪਨੀਆਂ ਆਮ ਤੌਰ 'ਤੇ ਪੈਸਾ ਕਿਵੇਂ ਕਮਾਉਂਦੀਆਂ ਹਨ, ਅਤੇ ਖਰੀਦਦਾਰਾਂ ਨੂੰ ਕਿਹੜੇ ਕੀਮਤ ਜਾਲ 'ਤੇ ਨਜ਼ਰ ਰੱਖਣੀ ਚਾਹੀਦੀ ਹੈ?
ਆਮ ਮਾਡਲਾਂ ਵਿੱਚ ਵਰਤੋਂ-ਅਧਾਰਤ ਕੀਮਤ (ਪ੍ਰਤੀ ਬੇਨਤੀ/ਟੋਕਨ/ਕਾਰਜ), ਸੀਟ-ਅਧਾਰਤ ਗਾਹਕੀਆਂ, ਨਤੀਜਾ-ਅਧਾਰਤ ਕੀਮਤ (ਦੁਰਲੱਭ), SLA ਨਾਲ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਇਕਰਾਰਨਾਮੇ, ਅਤੇ ਏਮਬੈਡਡ ਜਾਂ ਔਨ-ਡਿਵਾਈਸ AI ਲਈ ਲਾਇਸੈਂਸਿੰਗ ਸ਼ਾਮਲ ਹਨ। ਇੱਕ ਮੁੱਖ ਤਣਾਅ ਭਵਿੱਖਬਾਣੀਯੋਗਤਾ ਹੈ: ਗਾਹਕ ਸਥਿਰ ਖਰਚ ਚਾਹੁੰਦੇ ਹਨ ਜਦੋਂ ਕਿ AI ਲਾਗਤਾਂ ਵਰਤੋਂ ਅਤੇ ਮਾਡਲ ਚੋਣ ਦੇ ਨਾਲ ਬਦਲ ਸਕਦੀਆਂ ਹਨ। ਮਜ਼ਬੂਤ ਵਿਕਰੇਤਾ ਇਸਨੂੰ ਸਸਤੇ ਮਾਡਲਾਂ, ਕੈਚਿੰਗ, ਬੈਚਿੰਗ ਅਤੇ ਸੰਦਰਭ ਆਕਾਰ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਨਾਲ ਪ੍ਰਬੰਧਿਤ ਕਰਦੇ ਹਨ।.
ਜੇਕਰ ਹਰ ਕੋਈ ਇੱਕੋ ਜਿਹੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ ਤਾਂ ਇੱਕ AI ਕੰਪਨੀ ਨੂੰ ਕੀ ਬਚਾਅਯੋਗ ਬਣਾਉਂਦਾ ਹੈ?
ਅਕਸਰ ਖਾਈ ਸਿਰਫ਼ "ਬਿਹਤਰ ਮਾਡਲ" ਨਹੀਂ ਹੁੰਦੀ। ਬਚਾਅ ਪੱਖ ਮਲਕੀਅਤ ਡੋਮੇਨ ਡੇਟਾ, ਪਹਿਲਾਂ ਤੋਂ ਰਹਿ ਰਹੇ ਵਰਕਫਲੋ ਦੇ ਅੰਦਰ ਵੰਡ, ਏਕੀਕਰਨ ਅਤੇ ਆਦਤਾਂ ਤੋਂ ਲਾਗਤਾਂ ਨੂੰ ਬਦਲਣ, ਉੱਚ-ਦਾਅ ਵਾਲੇ ਖੇਤਰਾਂ ਵਿੱਚ ਬ੍ਰਾਂਡ ਵਿਸ਼ਵਾਸ, ਅਤੇ ਭਰੋਸੇਯੋਗ AI ਨੂੰ ਸ਼ਿਪਿੰਗ ਕਰਨ ਵਿੱਚ ਕਾਰਜਸ਼ੀਲ ਉੱਤਮਤਾ ਤੋਂ ਆ ਸਕਦਾ ਹੈ। ਹਿਊਮਨ-ਇਨ-ਦ-ਲੂਪ ਸਿਸਟਮ ਸ਼ੁੱਧ ਆਟੋਮੇਸ਼ਨ ਨੂੰ ਵੀ ਪਛਾੜ ਸਕਦੇ ਹਨ। ਦੋ ਟੀਮਾਂ ਇੱਕੋ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੀਆਂ ਹਨ ਅਤੇ ਇਸਦੇ ਆਲੇ ਦੁਆਲੇ ਹਰ ਚੀਜ਼ ਦੇ ਅਧਾਰ ਤੇ ਬਹੁਤ ਵੱਖਰੇ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੀਆਂ ਹਨ।.
ਕਿਸੇ ਵਿਕਰੇਤਾ ਜਾਂ ਸਟਾਰਟਅੱਪ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਸਮੇਂ ਮੈਂ AI-ਵਾਸ਼ਿੰਗ ਨੂੰ ਕਿਵੇਂ ਦੇਖਾਂ?
ਅਸਪਸ਼ਟ ਦਾਅਵਿਆਂ ਤੋਂ ਸਾਵਧਾਨ ਰਹੋ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਕੋਈ ਸਪੱਸ਼ਟ AI ਸਮਰੱਥਾ ਨਹੀਂ ਹੈ, "ਡੈਮੋ ਮੈਜਿਕ" ਬਿਨਾਂ ਕਿਸੇ ਕਿਨਾਰੇ ਦੇ ਕੇਸਾਂ ਦੇ, ਅਤੇ ਮੁਲਾਂਕਣ, ਡੇਟਾ ਗਵਰਨੈਂਸ, ਨਿਗਰਾਨੀ, ਜਾਂ ਅਸਫਲਤਾ ਮੋਡਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਵਿੱਚ ਅਸਮਰੱਥਾ ਹੈ। "ਸੰਪੂਰਨ ਦੇ ਨੇੜੇ" ਵਰਗੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਆਤਮਵਿਸ਼ਵਾਸੀ ਦਾਅਵੇ ਇੱਕ ਹੋਰ ਚੇਤਾਵਨੀ ਸੰਕੇਤ ਹਨ। ਹਰੇ ਝੰਡਿਆਂ ਵਿੱਚ ਪਾਰਦਰਸ਼ੀ ਮਾਪ, ਸਪੱਸ਼ਟ ਸੀਮਾਵਾਂ, ਵਹਿਣ ਲਈ ਨਿਗਰਾਨੀ ਯੋਜਨਾਵਾਂ, ਅਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਪਰਿਭਾਸ਼ਿਤ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਜਾਂ ਵਾਧਾ ਮਾਰਗ ਸ਼ਾਮਲ ਹਨ। ਇੱਕ ਕੰਪਨੀ ਜੋ ਕਹਿ ਸਕਦੀ ਹੈ ਕਿ "ਅਸੀਂ ਅਜਿਹਾ ਨਹੀਂ ਕਰਦੇ" ਅਕਸਰ ਉਸ ਕੰਪਨੀ ਨਾਲੋਂ ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ ਹੁੰਦੀ ਹੈ ਜੋ ਹਰ ਚੀਜ਼ ਦਾ ਵਾਅਦਾ ਕਰਦੀ ਹੈ।.
ਹਵਾਲੇ
-
ਓਈਸੀਡੀ - oecd.ai
-
ਓਈਸੀਡੀ - oecd.org
-
ਨੈਸ਼ਨਲ ਇੰਸਟੀਚਿਊਟ ਆਫ਼ ਸਟੈਂਡਰਡਜ਼ ਐਂਡ ਟੈਕਨਾਲੋਜੀ (NIST) - NIST AI RMF (AI 100-1) - nist.gov
-
NIST AI ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਢਾਂਚਾ (AI RMF) ਪਲੇਬੁੱਕ - ਮਾਪ - nist.gov
-
ਗੂਗਲ ਕਲਾਉਡ - ਐਮਐਲਓਪੀਐਸ: ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿੱਚ ਨਿਰੰਤਰ ਡਿਲੀਵਰੀ ਅਤੇ ਆਟੋਮੇਸ਼ਨ ਪਾਈਪਲਾਈਨਾਂ - google.com
-
ਗੂਗਲ - ਐਮਐਲਓਪੀ ਲਈ ਪ੍ਰੈਕਟੀਸ਼ਨਰ ਗਾਈਡ (ਵ੍ਹਾਈਟਪੇਪਰ) - google.com
-
ਗੂਗਲ ਕਲਾਉਡ - ਐਮਐਲਓਪੀਐਸ ਕੀ ਹੈ? - google.com
-
ਡੇਟਾਡੌਗ - ਐਲਐਲਐਮ ਮੁਲਾਂਕਣ ਫਰੇਮਵਰਕ ਦੇ ਸਭ ਤੋਂ ਵਧੀਆ ਅਭਿਆਸ - datadoghq.com
-
IBM - ਮਾਡਲ ਡ੍ਰਿਫਟ - ibm.com
-
ਓਪਨਏਆਈ - ਭਾਸ਼ਾ ਮਾਡਲ ਭਰਮ ਕਿਉਂ ਪਾਉਂਦੇ ਹਨ - openai.com
-
OpenAI - API ਕੀਮਤ - openai.com
-
OpenAI ਮਦਦ ਕੇਂਦਰ - ਟੋਕਨ ਕੀ ਹਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਕਿਵੇਂ ਗਿਣਨਾ ਹੈ - openai.com
-
ਮਾਈਕ੍ਰੋਸਾਫਟ - ਮਾਈਕ੍ਰੋਸਾਫਟ 365 ਕੋਪਾਇਲਟ ਕੀਮਤ - microsoft.com
-
ਐਮਆਈਟੀ ਸਲੋਨ ਸਕੂਲ ਆਫ਼ ਮੈਨੇਜਮੈਂਟ - ਡੇਟਾ-ਕੇਂਦ੍ਰਿਤ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦਾ ਸਮਾਂ ਕਿਉਂ ਹੈ - mit.edu
-
ਐਨਵੀਡੀਆ - ਐਜ ਏਆਈ ਕੀ ਹੈ? - nvidia.com
-
ਆਈਬੀਐਮ - ਐਜ ਬਨਾਮ ਕਲਾਉਡ ਏਆਈ - ibm.com
-
ਉਬੇਰ - ਐਮਐਲ ਮਾਡਲ ਤੈਨਾਤੀ ਸੁਰੱਖਿਆ 'ਤੇ ਮਾਪਦੰਡ ਵਧਾ ਰਿਹਾ ਹੈ - uber.com
-
ਅੰਤਰਰਾਸ਼ਟਰੀ ਮਾਨਕੀਕਰਨ ਸੰਗਠਨ (ISO) - ISO/IEC 42001 ਸੰਖੇਪ ਜਾਣਕਾਰੀ - iso.org
-
arXiv - ਗਿਆਨ-ਗੁੰਝਲਦਾਰ NLP ਕਾਰਜਾਂ ਲਈ ਪ੍ਰਾਪਤੀ-ਵਧਾਈ ਗਈ ਪੀੜ੍ਹੀ (ਲੇਵਿਸ ਅਤੇ ਹੋਰ, 2020) - arxiv.org
-
ਓਰੇਕਲ - ਵੈਕਟਰ ਖੋਜ - oracle.com
-
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਐਕਟ (EU) - ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ (ਧਾਰਾ 14) - artificialintelligenceact.eu
-
ਯੂਰਪੀਅਨ ਕਮਿਸ਼ਨ - ਏਆਈ 'ਤੇ ਰੈਗੂਲੇਟਰੀ ਢਾਂਚਾ (ਏਆਈ ਐਕਟ ਸੰਖੇਪ ਜਾਣਕਾਰੀ) - europa.eu
-
ਯੂਟਿਊਬ - youtube.com
-
ਏਆਈ ਅਸਿਸਟੈਂਟ ਸਟੋਰ - ਏਆਈ ਅਪਸਕੇਲਿੰਗ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ - aiassistantstore.com
-
ਏਆਈ ਅਸਿਸਟੈਂਟ ਸਟੋਰ - ਏਆਈ ਕੋਡ ਕਿਹੋ ਜਿਹਾ ਦਿਖਦਾ ਹੈ - aiassistantstore.com
-
ਏਆਈ ਅਸਿਸਟੈਂਟ ਸਟੋਰ - ਏਆਈ ਐਲਗੋਰਿਦਮ ਕੀ ਹੁੰਦਾ ਹੈ - aiassistantstore.com
-
ਏਆਈ ਅਸਿਸਟੈਂਟ ਸਟੋਰ - ਏਆਈ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਕੀ ਹੈ - aiassistantstore.com