Muchas empresas escasamente comienzan a hostilizar con el impacto de la inteligencia sintético, pero algunas han estado utilizando el formación forzoso (ML) y otras tecnologías emergentes durante más de una lapso.

Todavía: la mayoría de los proyectos de IA se abandonan: 5 formas de avalar que sus esfuerzos de datos tengan éxito

Para Manish Jethwa, CTO de Ordnance Survey (OS), el Servicio Franquista de Mapeo del Reino Unido, la prioridad es combinar las experiencias de IA y ML de su estructura con avances recientes en IA generativa para refinar, distribuir y aplicar sus tesoros de datos.

Jethwa explicó a ZDNET cómo los modelos de idiomas (LLM) están ayudando a los usuarios del sistema activo a encontrar y consultar datos geoespaciales. Uno de los instrumentos esencia aquí son los modelos de saco de la estructura para AI, que sirven como saco para construir aplicaciones más especializadas.

Todavía: 4 preguntas para hacerse ayer de sospechar por la IA en su negocio, y por qué

Mientras que los analistas tecnológicos como Gartner sugieren que hay mucho Conjetura sobre si los líderes empresariales deben comprar o construir modelos de IAJethwa y su equipo en OS Combine Models con herramientas disponibles comercialmente para explotar y distribuir datos geoespaciales.

Aquí hay cinco lecciones esencia que los líderes empresariales pueden formarse del despliegue de modelos de saco de Jethwa para AI.

1. Desarrollar un caso de uso esforzado

Jethwa dijo que el sistema activo está desarrollando modelos de saco para extraer características ambientales para el examen de forma sensible a los derechos de autor.

“Muchos de los modelos existentes capacitados por las grandes organizaciones de tecnología se basarán en datos disponibles comercialmente”, dijo.

El sistema activo se beneficia de una larga historia de resumen de datos de adhesión precisión que alimenta los desarrollos de IA de la estructura.

“Donde estamos tratando de extraer características, construimos modelos de saco desde cero”, dijo. “Ese será un maniquí en el que estamos definiendo el conjunto de entrenamiento completo con los datos etiquetados que tenemos internamente”.

Todavía: 4 formas de convertir la IA en su delantera comercial

Los modelos de saco asimismo se utilizan como saco para el examen de datos en otras áreas. Jethwa dijo que el mensaje aquí es simple: puede usar lo que ya está construido una y otra vez.

“Los modelos de la saco están allí para ayudarnos a construir una salida posterior. Entonces, si entonces quisiéramos formarse sobre materiales del techo o espacios verdes o biodiversidad, podríamos hacer todo eso del mismo maniquí de saco”, dijo. “En emplazamiento de tener que entrenar múltiples modelos de saco, simplemente hace el ajuste al final. Este proceso nos permite conectarnos al problema que estamos tratando de resolver con los datos de origen”.

2. Establecer métodos con propósito

Jethwa dijo que la capacitación enfocada ayuda a condicionar los costos al construir modelos de saco.

“Tenemos que tener en cuenta que, cuando se tráfico de entrenar estos modelos, lo estamos haciendo premeditadamente, porque puede desperdiciar muchos ciclos en el control del formación”, dijo. “La ejecución de estos modelos requiere mucha menos energía y posibles que la capacitación existente”.

El sistema activo generalmente alimenta datos de entrenamiento a sus modelos en fragmentos.

“Construir los datos de la epíteto lleva congruo tiempo”, dijo. “Debe curar datos en todo el país con una amplia variedad de clases de las que está tratando de formarse, por lo que una combinación diferente entre urbano y rural, y más”.

Todavía: 5 formas de ser un gran apoderado de agentes de IA, según líderes empresariales

La estructura primero construye un maniquí pequeño que utiliza varios cientos de ejemplos. Este enfoque ayuda a restringir los costos y garantiza que el sistema activo se dirige en la dirección correcta.

“Luego construimos lentamente ese conjunto etiquetado”, dijo Jethwa. “Creo que ahora estamos en los cientos de miles de ejemplos etiquetados. Por lo militar, estos modelos están entrenados con millones de conjuntos de datos etiquetados”.

Si adecuadamente los modelos de la estructura son más pequeños, los resultados son impresionantes.

“Ya estamos superando los modelos existentes que están disponibles por los grandes proveedores porque esos modelos están entrenados en una variedad más amplia de imágenes”, dijo. “Los modelos pueden resolver una variedad más amplia de problemas, pero, para nuestro dominio específico, superamos a esos modelos, incluso a beocio escalera”.

3. Use otros LLM para ajustar

El hecho de que el sistema activo use sus propios modelos de saco no significa que la estructura ignore los modelos de idiomas grandes conocidos, dijo Jethwa: “Estamos construyendo los modelos existentes y haciendo el ajuste basado en nuestra documentación”.

El sistema activo utiliza la amplitud completa de LLMS disponibles comercialmente. Como Microsoft Shop, la estructura utiliza modelos de formación forzoso Azure, herramientas basadas en Python y otras capacidades especializadas.

Por otra parte: Chatgpt ya no es solo para chatear, ahora hará tu trabajo por ti

Jethwa dijo que OS asimismo explora asociaciones con organizaciones externas, como IBM y otros proveedores de tecnología, para producir soluciones colaborativas a los desafíos dirigidos por datos.

Una vez más, al igual que con los modelos de saco, el objetivo es proseguir limitados los costos.

“Es un esfuerzo para racionalizar”, dijo Jethwa. “Internamente, la forma principal de adoptar ese enfoque es acumularse lentamente y avalar que el destino al que está tratando de dirigirse es posible, y no está desperdiciando posibles con una actividad infructuosa”.

4. Piense en la comercialización

Ahora que el sistema activo ha comenzado a construir y refinar sus modelos de saco, ¿podrían ser utilizadas o vendidas estas tecnologías a otras organizaciones? La respuesta, dijo Jethwa, es posiblemente.

Uno de los temas esencia es Crown Copyright, una forma de derechos de autor que se aplica a los activos creados por los empleados del sector divulgado del Reino Unido.

“Creo que habrá oportunidades para que compartimos esos modelos de saco en algún momento, pero el hecho de que se basen en los derechos de autor de la corona significa que todavía estamos tratando de comprender el impacto potencial de hacer ese trabajo externamente”, dijo. “Hay desafíos allí en torno a regalar las joyas de la corona: estos activos son, fielmente, joyas de copyright de la corona, por lo que tenemos que tener cuidado”.

Por otra parte: Microsoft está ahorrando millones con IA y despidiendo a miles, ¿a dónde vamos desde aquí?

Cuando el sistema activo proporciona golpe rajado, Jethwa dijo que los activos de la estructura no deben ser recolectados y monetizados sin producir beneficios para los contribuyentes del Reino Unido.

“Estamos tratando de proteger nuestros datos tanto como sea posible, pero al mismo tiempo, ofrecer tanto valencia para el Reino Unido. Por lo tanto, está tratando de alcanzar ese permanencia correcto, lo cual es un desafío”.

5. Vigile un ojo en el futuro

Jethwa dijo que el trabajo de su estructura en modelos fundamentales ha demostrado los beneficios de la IA generativa para desobstruir el golpe a una visión profunda.

“Se proporciona que el desbloqueo esencia, mientras que anteriormente, siempre sentía que ese golpe estaba levemente fuera del magnitud en términos de cómo podría realizar la interacción, resistir a los datos y refinar la solicitud”.

Pintó una imagen de cómo el enfoque del sistema activo para la IA podría desarrollarse durante la próxima lapso.

“Puedo imaginar una interfaz donde hay un carta y puedes sostener: ‘Estoy interesado en esta dominio’, y puedes acercarte y la IA preguntará: ‘¿Qué cosas específicas estás buscando?’ Cuando diga ‘escuelas’, la IA preguntará qué tipos de escuelas, y tendrá ese diálogo de un banda a otro a través de la interfaz “.

Todavía: 5 trabajos tecnológicos de nivel de entrada La IA ya está aumentando, según Amazon

Jethwa dijo que la esencia para el éxito a liberal plazo es utilizar API y datos para crear respuestas definitivas a las indicaciones utilizando fuentes confiables, incluida la información del sistema activo combinada con fuentes externas.

“Los modelos de IA son excelentes en términos de agregación y una visión probabilística, pero, en nuestro ejemplo, no desea retener probablemente dónde están las escuelas”, dijo. “Desea retener dónde están las escuelas reales. La IA tiene que traducir una solicitud verdadera, volviendo a una fuente autorizada, que es el sistema activo, y podemos extraer los datos y entregar la salida”.

Obtenga las principales historias de la mañana en su bandeja de entrada cada día con nuestro Boletín de Tech Today.