சிறிய மாடல் மேம்பாடுகள் ஏன் பெரிய மாற்றங்களை உருவாக்குகின்றன

மிகப்பெரிய செயற்கை நுண்ணறிவு (AI) மாடல்களை உருவாக்குவதற்கான போட்டி, பலன் குறைந்து வரும் ஒரு நிலையை எட்டியுள்ளது. தலைப்புச் செய்திகள் பெரும்பாலும் டிரில்லியன் கணக்கான அளவுருக்களைக் கொண்ட பிரம்மாண்டமான சிஸ்டம்களைப் பற்றிப் பேசினாலும், உண்மையான முன்னேற்றம் விளிம்புகளில் தான் நடக்கிறது. இந்த மாடல்கள் தரவைச் செயலாக்கும் விதத்தில் செய்யப்படும் சிறிய மாற்றங்கள், மென்பொருள் அன்றாடம் செய்யக்கூடிய விஷயங்களில் மிகப்பெரிய மாற்றங்களை உருவாக்குகின்றன. வெறும் அளவு மட்டுமே முக்கியம் என்ற காலத்திலிருந்து நாம் நகர்ந்து கொண்டிருக்கிறோம். இன்று, ஒரு சிறிய இடத்திற்குள் எவ்வளவு நுண்ணறிவை நம்மால் கொண்டு வர முடியும் என்பதில் தான் கவனம் உள்ளது. இந்த மாற்றம் தொழில்நுட்பத்தை அனைவருக்கும் எளிதில் அணுகக்கூடியதாகவும் வேகமானதாகவும் மாற்றுகிறது. இது இனி ஒரு பெரிய மூளையை உருவாக்குவது பற்றியது அல்ல. இருக்கும் மூளைகளை அதிக திறனுடன் வேலை செய்ய வைப்பது பற்றியது. ஒரு மாடல் பத்து சதவீதம் சிறியதாகி, அதே துல்லியத்தைத் தக்கவைக்கும் போது, அது சர்வர் செலவுகளை மட்டும் குறைப்பதில்லை. வன்பொருள் கட்டுப்பாடுகளால் முன்பு சாத்தியமில்லாத பல புதிய வகை அப்ளிகேஷன்களை இது சாத்தியமாக்குகிறது. இந்த மாற்றம் தற்போது தொழில்நுட்பத் துறையில் மிக முக்கியமான போக்காகும், ஏனெனில் இது மேம்பட்ட கணக்கீட்டு சக்தியை பிரம்மாண்டமான டேட்டா சென்டர்களிலிருந்து உங்கள் உள்ளங்கைக்குக் கொண்டு வருகிறது.

பெரியது சிறந்தது என்ற காலத்தின் முடிவு

இந்தச் சிறிய மாற்றங்கள் ஏன் முக்கியம் என்பதைப் புரிந்துகொள்ள, அவை என்ன என்பதை நாம் பார்க்க வேண்டும். பெரும்பாலான முன்னேற்றங்கள் மூன்று பகுதிகளில் இருந்து வருகின்றன: டேட்டா க்யூரேஷன், குவாண்டிசேஷன் மற்றும் ஆர்கிடெக்சர் மேம்பாடுகள். நீண்ட காலமாக, அதிக தரவு எப்போதும் சிறந்தது என்று ஆராய்ச்சியாளர்கள் நம்பினர். அவர்கள் இணையம் முழுவதையும் ஸ்கிரேப் செய்து மெஷின்களுக்கு ஊட்டினர். இப்போது, அதிக அளவு தரவை விட உயர்தரமான தரவு மிகவும் மதிப்புமிக்கது என்பதை நாம் அறிவோம். டேட்டாசெட்களைச் சுத்தம் செய்து தேவையற்ற தகவல்களை நீக்குவதன் மூலம், இன்ஜினியர்கள் தங்கள் பெரிய முன்னோடிகளை விட சிறப்பாகச் செயல்படும் சிறிய மாடல்களை உருவாக்க முடியும். இது பெரும்பாலும் பாடப்புத்தகத் தரமான தரவு என்று அழைக்கப்படுகிறது. மற்றொரு முக்கிய காரணி குவாண்டிசேஷன் ஆகும். இது ஒரு மாடல் தனது கணக்கீடுகளைச் செய்யப் பயன்படுத்தும் எண்களின் துல்லியத்தைக் குறைக்கும் செயல்முறையாகும். உயர் துல்லியமான தசமங்களுக்குப் பதிலாக, ஒரு மாடல் எளிய முழு எண்களைப் பயன்படுத்தலாம். இது முடிவுகளைப் பாதிக்கும் என்று தோன்றினாலும், புத்திசாலித்தனமான கணிதம் மாடலை அதே அளவு புத்திசாலித்தனமாக வைத்திருக்க உதவுகிறது, அதே சமயம் நினைவகத் தேவையை வெகுவாகக் குறைக்கிறது. QLoRA மற்றும் மாடல் கம்ப்ரஷன் குறித்த சமீபத்திய ஆராய்ச்சியில் இந்தத் தொழில்நுட்ப மாற்றங்களைப் பற்றி நீங்கள் மேலும் படிக்கலாம்.

இறுதியாக, ஒரு வாக்கியத்தின் மிக முக்கியமான பகுதிகளைக் கவனிக்கும் அட்டென்ஷன் மெக்கானிசம் போன்ற ஆர்கிடெக்சர் மாற்றங்கள் உள்ளன. இவை பெரிய மாற்றங்கள் அல்ல. இவை சிஸ்டம் இரைச்சலைப் புறக்கணிக்க அனுமதிக்கும் கணிதத்திலான நுணுக்கமான மாற்றங்கள். இந்த காரணிகளை இணைக்கும்போது, ஒரு அறையை நிரப்பும் சிறப்புச் சிப்கள் தேவைப்படுவதற்குப் பதிலாக, ஒரு சாதாரண லேப்டாப்பில் இயங்கக்கூடிய ஒரு மாடல் கிடைக்கிறது. எளிய பணிகளுக்கு மிகப்பெரிய மாடல்கள் தேவை என்று மக்கள் பெரும்பாலும் மிகைப்படுத்திக் கருதுகின்றனர். சில பில்லியன் அளவுருக்களுக்குள் எவ்வளவு தர்க்கத்தை அடக்க முடியும் என்பதை அவர்கள் குறைத்து மதிப்பிடுகின்றனர். பெரும்பாலான நுகர்வோர் தயாரிப்புகளுக்கு ‘போதுமானது’ என்பதே தரநிலையாக மாறிவரும் போக்கை நாம் காண்கிறோம். இது டெவலப்பர்கள் அதிக கிளவுட் செலவுகளை ஈடுகட்ட சப்ஸ்கிரிப்ஷன் கட்டணம் வசூலிக்காமல், ஸ்மார்ட் அம்சங்களை ஆப்ஸ்களில் ஒருங்கிணைக்க அனுமதிக்கிறது. மென்பொருள் எவ்வாறு உருவாக்கப்படுகிறது மற்றும் விநியோகிக்கப்படுகிறது என்பதில் இது ஒரு அடிப்படை மாற்றமாகும்.

கிளவுட் பவரை விட உள்ளூர் நுண்ணறிவு ஏன் முக்கியமானது

இந்தச் சிறிய மேம்பாடுகளின் உலகளாவிய தாக்கத்தை மிகைப்படுத்த முடியாது. உலகின் பெரும்பகுதிக்கு பிரம்மாண்டமான கிளவுட் அடிப்படையிலான மாடல்களுடன் தொடர்புகொள்வதற்குத் தேவையான அதிவேக இணைய வசதி இல்லை. நுண்ணறிவுக்கு வர்ஜீனியா அல்லது டப்ளினில் உள்ள ஒரு சர்வருடன் நிலையான இணைப்பு தேவைப்படும்போது, அது பணக்காரர்களுக்கு மட்டுமேயான ஒரு ஆடம்பரமாகவே இருக்கும். சிறிய மாடல் மேம்பாடுகள் இதை மாற்றுகின்றன, மென்பொருளை நடுத்தர வன்பொருளில் உள்ளூர் ரீதியாக இயக்க அனுமதிக்கின்றன. இதன் பொருள் கிராமப்புறத்தில் உள்ள ஒரு மாணவர் அல்லது வளர்ந்து வரும் சந்தையில் உள்ள ஒரு தொழிலாளி, ஒரு டெக் ஹப்பில் இருப்பதைப் போன்ற அதே அளவிலான உதவியைப் பெற முடியும். இது சமமற்ற நிலையைச் சமன் செய்கிறது. நுண்ணறிவின் விலை பூஜ்ஜியத்தை நோக்கிச் சரிந்து கொண்டிருக்கிறது. இது தனியுரிமை மற்றும் பாதுகாப்பிற்கு மிகவும் முக்கியமானது. தரவு ஒரு சாதனத்தை விட்டு வெளியேற வேண்டிய அவசியம் இல்லாதபோது, மீறல் ஏற்படும் அபாயம் கணிசமாகக் குறைகிறது. அரசாங்கங்களும் சுகாதார வழங்குநர்களும் இந்தத் திறமையான மாடல்களைக் குடிமக்களின் தரவை சமரசம் செய்யாமல் சேவைகளை வழங்க ஒரு வழியாகப் பார்க்கின்றனர்.

இந்த மாற்றம் சுற்றுச்சூழலையும் பாதிக்கிறது. பெரிய அளவிலான பயிற்சி ஓட்டங்கள் மின்சாரம் மற்றும் குளிர்ச்சிக்கான தண்ணீரை அதிக அளவில் பயன்படுத்துகின்றன. செயல்திறனில் கவனம் செலுத்துவதன் மூலம், சிறந்த தயாரிப்புகளை வழங்கும் அதே வேளையில், இந்தத் துறை தனது கார்பன் தடத்தைக் குறைக்க முடியும். நேச்சர் போன்ற அறிவியல் இதழ்கள், திறமையான AI எவ்வாறு தொழில்துறையின் சுற்றுச்சூழல் பாதிப்பைக் குறைக்க முடியும் என்பதை எடுத்துரைத்துள்ளன. இந்த உலகளாவிய மாற்றம் வெளிப்படும் சில வழிகள் இங்கே உள்ளன:

• எந்த இணைய இணைப்பும் இல்லாமல் செயல்படும் உள்ளூர் மொழிபெயர்ப்பு சேவைகள்.
• தொலைதூர கிளினிக்குகளில் போர்ட்டபிள் டேப்லெட்டுகளில் இயங்கும் மருத்துவ நோயறிதல் கருவிகள்.
• குறைந்த விலை வன்பொருளில் மாணவரின் தேவைகளுக்கு ஏற்ப மாற்றியமைக்கும் கல்வி மென்பொருள்.
• வீடியோ கால்களுக்கான நிகழ்நேர தனியுரிமை வடிகட்டுதல், இது முழுமையாக சாதனத்திலேயே நடக்கும்.
• மலிவான ட்ரோன்கள் மற்றும் உள்ளூர் செயலாக்கத்தைப் பயன்படுத்தி விவசாயிகளுக்கான தானியங்கி பயிர் கண்காணிப்பு.

இது விஷயங்களை வேகப்படுத்துவது பற்றியது மட்டுமல்ல. இது அவற்றை உலகளாவியதாக மாற்றுவது பற்றியது. வன்பொருள் தேவைகள் குறையும் போது, சாத்தியமான பயனர் தளம் கோடிக்கணக்கான மக்களால் வளர்கிறது. இந்த போக்கு AI மேம்பாட்டில் சமீபத்திய போக்குகளுடன் நெருக்கமாக இணைக்கப்பட்டுள்ளது, இது மூல சக்தியை விட அணுகல்தன்மைக்கு முன்னுரிமை அளிக்கிறது.

ஆஃப்லைன் உதவியாளருடன் ஒரு செவ்வாய்க்கிழமை

மார்கஸ் என்ற களப் பொறியாளரின் வாழ்க்கையில் ஒரு நாளைக் கவனியுங்கள். அவர் இணைய வசதி இல்லாத ஆஃப்ஷோர் விண்ட் டர்பைன்களில் வேலை செய்கிறார். கடந்த காலத்தில், மார்கஸ் தனக்குத் தெரியாத ஒரு மெக்கானிக்கல் கோளாறைச் சந்தித்தால், அவர் புகைப்படங்களை எடுத்து, கரைக்குத் திரும்பும் வரை காத்திருந்து, ஒரு கையேடு அல்லது மூத்த சக ஊழியரிடம் ஆலோசனை பெற வேண்டியிருந்தது. இது பழுதுபார்ப்புகளை நாட்கணக்கில் தாமதப்படுத்தலாம். இப்போது, அவர் மிகவும் மேம்படுத்தப்பட்ட உள்ளூர் மாடலைக் கொண்ட ஒரு ரக்கட் டேப்லெட்டை வைத்திருக்கிறார். அவர் கேமராவை டர்பைன் பாகங்களை நோக்கிச் சுட்டிக்காட்டுகிறார், மாடல் சிக்கலை நிகழ்நேரத்தில் கண்டறிகிறது. இது இயந்திரத்தின் குறிப்பிட்ட சீரியல் எண்ணின் அடிப்படையில் படிப்படியான பழுதுபார்ப்பு வழிகாட்டியை வழங்குகிறது. மார்கஸ் பயன்படுத்தும் மாடல் டிரில்லியன் அளவுரு கொண்ட ராட்சதன் அல்ல. இது மெக்கானிக்கல் இன்ஜினியரிங்கைப் புரிந்துகொள்ள செம்மைப்படுத்தப்பட்ட ஒரு சிறிய, சிறப்புப் பதிப்பாகும். மாடல் செயல்திறனில் ஒரு சிறிய முன்னேற்றம் எவ்வாறு உற்பத்தித்திறனில் மிகப்பெரிய மாற்றத்தை உருவாக்குகிறது என்பதற்கு இது ஒரு உறுதியான உதாரணம்.

அன்று பிற்பகல், மார்கஸ் அதே சாதனத்தைப் பயன்படுத்தி வெளிநாட்டு சப்ளையரிடமிருந்து ஒரு தொழில்நுட்ப ஆவணத்தை மொழிபெயர்க்கிறார். மாடல் சிறிய ஆனால் உயர்தர பொறியியல் உரைகளின் தொகுப்பில் பயிற்சியளிக்கப்பட்டதால், மொழிபெயர்ப்பு கிட்டத்தட்ட சரியாக உள்ளது. அவர் ஒரு கோப்பை கூட கிளவுட்டில் பதிவேற்ற வேண்டிய அவசியமில்லை. இந்த நம்பகத்தன்மை தான் தொழில்நுட்பத்தை நிஜ உலகில் பயனுள்ளதாக மாற்றுகிறது. பலர் AI பயனுள்ளதாக இருக்க ஒரு ஜெனரலிஸ்டாக இருக்க வேண்டும் என்று கருதுகின்றனர், ஆனால் சிறப்பு வாய்ந்த, சிறிய சிஸ்டம்கள் தொழில்முறை பணிகளுக்கு பெரும்பாலும் சிறந்தவை என்பதை மார்கஸ் நிரூபிக்கிறார். மாடலின் சிறிய தன்மை உண்மையில் ஒரு அம்சம், பிழை அல்ல. இதன் பொருள் சிஸ்டம் வேகமானது, அதிக தனிப்பட்டது மற்றும் இயக்குவதற்கு மலிவானது. மார்கஸ் கடந்த வாரம் தனது சமீபத்திய அப்டேட்டைப் பெற்றார், வேகத்தில் ஏற்பட்ட வித்தியாசம் உடனடியாகத் தெரிந்தது.

இங்கே முரண்பாடு என்னவென்றால், மாடல்கள் சிறியதாகி வரும் அதே வேளையில், அவை செய்யும் வேலை பெரியதாகி வருகிறது. ஒரு பாட்டுடன் அரட்டை அடிப்பதிலிருந்து, ஒரு பணிப்பாய்வுகளில் கருவியை ஒருங்கிணைப்பது நோக்கி நாம் நகர்வதைக் காண்கிறோம். மக்கள் ஒரு மாடல் கவிதை எழுதும் திறனின் முக்கியத்துவத்தை மிகைப்படுத்திக் கருதுகின்றனர். மங்கலான இன்வாய்ஸிலிருந்து தரவைச் சரியாகப் பிரித்தெடுக்கும் அல்லது எஃகு பீமில் உள்ள சிறிய விரிசலைக் கண்டறியும் மாடலின் மதிப்பை அவர்கள் குறைத்து மதிப்பிடுகின்றனர். இவைதான் உலகப் பொருளாதாரத்தை இயக்கும் பணிகள். இந்தச் சிறிய மேம்பாடுகள் தொடர்வதால், ஸ்மார்ட் மென்பொருளுக்கும் சாதாரண மென்பொருளுக்கும் இடையிலான கோடு மறைந்துவிடும். எல்லாம் சிறப்பாகச் செயல்படும். இது தற்போதைய தொழில்நுட்ப சூழலின் யதார்த்தம்.

செயல்திறன் வர்த்தகம் குறித்த கடினமான கேள்விகள்

இருப்பினும், இந்த போக்கிற்கு நாம் சில சாக்ரடிக் சந்தேகங்களைச் செலுத்த வேண்டும். நாம் சிறிய, அதிக மேம்படுத்தப்பட்ட மாடல்களை நோக்கி நகர்ந்தால், நாம் எதை விட்டுச் செல்கிறோம்? செயல்திறனில் கவனம் செலுத்துவது ஒரு ‘போதும்’ என்ற நிலைக்கு இட்டுச் செல்கிறதா என்பது ஒரு கடினமான கேள்வி. ஒரு மாடல் வேகமாக இருக்க மேம்படுத்தப்பட்டால், அது பெரிய மாடல் பிடிக்கக்கூடிய விளிம்புநிலை வழிகளைக் கையாளும் திறனை இழக்கிறதா? மாடல்களைச் சுருக்குவதற்கான அவசரம் ஒரு புதிய வகை சார்பை உருவாக்குகிறதா என்று நாம் கேட்க வேண்டும். இந்த சிஸ்டம்களுக்குப் பயிற்சி அளிக்க உயர்தர தரவை மட்டுமே பயன்படுத்தினால், தரம் எது என்பதை யார் வரையறுப்பது? விளிம்புநிலை குழுக்களின் தரவு பாடப்புத்தகத் தரத்திற்குப் பொருந்தாததால், அவர்களின் குரல்களையும் கண்ணோட்டங்களையும் நாம் தற்செயலாக வடிகட்டக்கூடும்.

நாங்கள் கவர் செய்ய வேண்டும் என்று நீங்கள் நினைக்கும் AI கதை, கருவி, போக்கு அல்லது கேள்வி உங்களிடம் உள்ளதா? உங்கள் கட்டுரை யோசனையை எங்களுக்கு அனுப்பவும் — அதைக் கேட்க நாங்கள் விரும்புகிறோம்.

மறைக்கப்பட்ட செலவுகள் குறித்த கேள்வியும் உள்ளது. ஒரு சிறிய மாடலை இயக்குவது மலிவானது என்றாலும், ஒரு பெரிய மாடலைச் சுருக்குவதற்குத் தேவையான ஆராய்ச்சி மற்றும் மேம்பாடு நம்பமுடியாத அளவிற்கு விலை உயர்ந்தது. நாம் ஆற்றல் நுகர்வை இன்ஃபெரன்ஸ் கட்டத்திலிருந்து பயிற்சி மற்றும் மேம்படுத்தல் கட்டத்திற்கு மாற்றுகிறோமா? மேலும், இந்த மாடல்கள் தனிப்பட்ட சாதனங்களில் பொதுவானதாக மாறும்போது, நமது தனியுரிமைக்கு என்னவாகும்? மாடல் உள்ளூர் ரீதியாக இயங்கினாலும், அதை நாம் எவ்வாறு பயன்படுத்துகிறோம் என்பது குறித்த மெட்டாடேட்டா இன்னும் சேகரிக்கப்படலாம். உள்ளூர் நுண்ணறிவின் வசதி, அதிக ஊடுருவும் கண்காணிப்பின் சாத்தியத்திற்கு மதிப்புள்ளதா என்று நாம் கேட்க வேண்டும். உங்கள் போனில் உள்ள ஒவ்வொரு ஆப்பிற்கும் அதன் சொந்த சிறிய மூளை இருந்தால், அந்த மூளைகள் உங்களைப் பற்றி என்ன கற்றுக்கொள்கின்றன என்பதை யார் கண்காணிப்பது? வன்பொருளின் நீண்ட ஆயுளையும் நாம் கருத்தில் கொள்ள வேண்டும். மென்பொருள் தொடர்ந்து அதிக செயல்திறன் கொண்டதாக மாறினால், நிறுவனங்கள் இன்னும் நம்மை ஒவ்வொரு முறையும் சாதனங்களை மேம்படுத்தத் தூண்டுமா? அல்லது இது ஐந்து ஆண்டுகள் பழமையான போன் கூட சமீபத்திய கருவிகளை இயக்கும் திறன் கொண்டதாக இருக்கும் ஒரு நிலையான காலத்திற்கு இட்டுச் செல்லுமா? தொழில்நுட்பம் பரிணமிக்கும்போது நாம் எதிர்கொள்ள வேண்டிய முரண்பாடுகள் இவை.

கம்ப்ரஷனுக்குப் பின்னால் உள்ள இன்ஜினியரிங்

பவர் யூசர்கள் மற்றும் டெவலப்பர்களுக்கு, சிறிய மாடல்களுக்கான மாற்றம் என்பது தொழில்நுட்ப விவரங்களைப் பற்றியது. மிக முக்கியமான அளவீடு இனி அளவுரு எண்ணிக்கை மட்டுமல்ல. இது ஒரு அளவுருவிற்கான பிட்கள் ஆகும். 16-பிட் மிதக்கும் புள்ளி எடைகளிலிருந்து 8-பிட் மற்றும் 4-பிட் குவாண்டிசேஷனுக்கு மாறுவதை நாம் காண்கிறோம். இது பொதுவாக 40 ஜிகாபைட் VRAM தேவைப்படும் ஒரு மாடலை 10 ஜிகாபைட்டிற்கும் குறைவாகப் பொருத்த அனுமதிக்கிறது. இது உள்ளூர் சேமிப்பு மற்றும் GPU தேவைகளுக்கு ஒரு மிகப்பெரிய மாற்றமாகும். டெவலப்பர்கள் இப்போது முழு சிஸ்டத்தையும் மீண்டும் பயிற்றுவிக்காமல் குறிப்பிட்ட பணிகளில் இந்த மாடல்களை ஃபைன்-டியூன் செய்ய LoRA அல்லது Low-Rank Adaptation-ஐப் பார்க்கிறார்கள். இது பணிப்பாய்வு ஒருங்கிணைப்புகளை மிகவும் எளிதாக்குகிறது. இந்த முறைகள் குறித்த தொழில்நுட்ப ஆவணங்களை MIT டெக்னாலஜி ரிவியூவில் நீங்கள் காணலாம்.

அப்ளிகேஷன்களை உருவாக்கும்போது, பின்வரும் தொழில்நுட்ப வரம்புகளை நீங்கள் கருத்தில் கொள்ள வேண்டும்:

• உள்ளூர் இன்ஃபெரன்ஸுக்கு மூல கணினி சக்தியை விட மெமரி பேண்ட்வித் பெரும்பாலும் பெரிய தடையாக உள்ளது.
• உள்ளூர் ஹோஸ்டிங் உற்பத்திக்காகச் சாத்தியமானதாக மாறுவதால், கிளவுட் மாடல்களுக்கான API வரம்புகள் குறைவான பொருத்தமானதாக மாறி வருகின்றன.
• சிறிய மாடல்கள் நீண்ட உரையாடல்களைக் கண்காணிப்பதில் சிரமப்படுவதால், கான்டெக்ஸ்ட் விண்டோ மேனேஜ்மென்ட் இன்னும் ஒரு சவாலாக உள்ளது.
• FP8 மற்றும் INT4 துல்லியத்திற்கு இடையிலான தேர்வு, ஆக்கபூர்வமான பணிகளில் ஹாலுசினேஷன் விகிதத்தை கணிசமாக பாதிக்கலாம்.
• உள்ளூர் சேமிப்பகத் தேவைகள் சுருங்கி வருகின்றன, ஆனால் வேகமான மாடல் ஏற்றுதலுக்கு அதிவேக NVMe டிரைவ்களின் தேவை நீடிக்கிறது.

ஸ்பெகுலேட்டிவ் டீகோடிங்கின் எழுச்சியையும் நாம் காண்கிறோம், அங்கு ஒரு சிறிய மாடல் அடுத்த சில டோக்கன்களைக் கணிக்கிறது மற்றும் ஒரு பெரிய மாடல் அவற்றைச் சரிபார்க்கிறது. இந்த ஹைப்ரிட் அணுகுமுறை ஒரு சிறிய மாடலின் வேகத்தையும் ஒரு ராட்சதனின் துல்லியத்தையும் வழங்குகிறது. மாடல் அளவின் பாரம்பரிய வர்த்தகங்களைத் தவிர்க்க இது ஒரு புத்திசாலித்தனமான வழியாகும். இந்தத் துறையில் முன்னணியில் இருக்க விரும்புபவர்களுக்கு, இந்த கம்ப்ரஷன் நுட்பங்களைப் புரிந்துகொள்வது, ஒரு மாடலை ஸ்கிராட்சிலிருந்து உருவாக்குவதை விட முக்கியமானது. எதிர்காலம் குறைவாகச் செய்து அதிகமாகச் சாதிக்கும் ஆப்டிமைசர்களுக்கே சொந்தம். கவனம் மூல சக்தியிலிருந்து புத்திசாலித்தனமான இன்ஜினியரிங்கிற்கு மாறுகிறது.

சிறந்த செயல்திறனின் நகரும் இலக்கு

பெரியது எப்போதும் சிறந்தது என்ற காலம் முடிவுக்கு வருகிறது என்பதே இதன் சாராம்சம். மிக முக்கியமான முன்னேற்றங்கள் இனி அதிக லேயர்களை அல்லது அதிக தரவைச் சேர்ப்பது பற்றியது அல்ல. அவை செம்மைப்படுத்துதல், செயல்திறன் மற்றும் அணுகல்தன்மை பற்றியவை. மேம்பட்ட கணக்கீட்டை கால்குலேட்டரைப் போல பொதுவானதாக மாற்றும் ஒரு மாற்றத்தை நாம் காண்கிறோம். இந்த முன்னேற்றம் ஒரு தொழில்நுட்ப சாதனை மட்டுமல்ல. இது ஒரு சமூக சாதனை. இது மிகவும் மேம்பட்ட ஆராய்ச்சியின் சக்தியை, அவர்களின் வன்பொருள் அல்லது இணைய இணைப்பைப் பொருட்படுத்தாமல், அனைவருக்கும் கொண்டு வருகிறது. இது ஆப்டிமைசேஷன் என்ற பின்வாசல் வழியாக நுண்ணறிவை ஜனநாயகப்படுத்துவதாகும்.

ஆசிரியரின் குறிப்பு: கணினித் துறையில் நிபுணர்கள் அல்லாதவர்கள், ஆனால் செயற்கை நுண்ணறிவைப் புரிந்துகொள்ளவும், அதை அதிக நம்பிக்கையுடன் பயன்படுத்தவும், ஏற்கனவே வந்துகொண்டிருக்கும் எதிர்காலத்தைப் பின்தொடரவும் விரும்பும் மக்களுக்காக, பலமொழி AI செய்திகள் மற்றும் வழிகாட்டல் மையமாக இந்த தளத்தை நாங்கள் உருவாக்கினோம்.

அடுத்த கட்டத்தை நோக்கி நாம் பார்க்கும்போது, திறந்த கேள்வி இதுதான்: நுண்ணறிவைச் சுருக்குவதற்கான வழிகளை நாம் தொடர்ந்து கண்டுபிடிப்போமா, அல்லது இறுதியில் கிளவுட்டிற்கு நம்மைத் திரும்பக் கட்டாயப்படுத்தும் ஒரு உடல் வரம்பை நாம் எட்டுவோமா? இப்போதைக்கு, போக்கு தெளிவாக உள்ளது. சிறியது புதிய பெரியது. நாளை நாம் பயன்படுத்தும் சிஸ்டம்கள் அவை எவ்வளவு அறிந்திருக்கின்றன என்பதன் மூலம் அல்ல, மாறாக அவை தன்னிடம் உள்ளதை எவ்வளவு சிறப்பாகப் பயன்படுத்துகின்றன என்பதன் மூலம் வரையறுக்கப்படும்.