Sejujurnya, dulu saya berpikir setelah model AI dilatih dan diterapkan, pekerjaan selesai. Unggah bobotnya. Siapkan endpoint. Kumpulkan pembayaran dari panggilan inferensi. Selesai. Beres. Pindah ke proyek berikutnya.
Saya salah.
Model tidak statis. Mereka membusuk. Data mengalir. Perilaku pengguna berubah. Contoh baru tersedia. Model deteksi penipuan yang dilatih berdasarkan pola transaksi tahun lalu melewatkan skema baru tahun ini. Model diagnosis medis yang dilatih pada peralatan pencitraan lama gagal pada mesin yang lebih baru. Model rekomendasi yang dilatih berdasarkan perilaku pengguna masa lalu berhenti memprediksi apa yang sebenarnya diinginkan orang.
@OpenLedger menangani kenyataan ini melalui pelatihan ulang model dan mekanisme pembaruan.
Apa yang terjadi ketika model perlu dilatih ulang? Seorang pencipta menyadari bahwa akurasi modelnya menurun. Mereka mengumpulkan data pelatihan baru dari Datanets OpenLedger. Mereka menyempurnakan model menggunakan pasar komputasi OpenLedger. Mereka menghasilkan versi model yang diperbarui dengan kinerja yang lebih baik.
Versi lama masih ada di rantai. Versi baru terhubung kembali ke yang asli melalui catatan provenance. Pengguna yang melisensikan versi lama dapat memilih untuk meningkatkan. Pengguna baru melisensikan versi yang lebih baik. Pencipta mendapatkan pendapatan berkelanjutan dari kedua versi.
Versioning mencegah kebingungan. Setiap pembaruan model mendapatkan nomor versi unik. Log provenance menunjukkan dengan tepat kapan setiap versi dibuat, data apa yang melatihnya, dan bagaimana perbedaannya dari versi sebelumnya. Siapa pun dapat mengaudit riwayat lengkap.
Seorang pembeli yang mencari model dapat membandingkan versi. Mungkin versi satu lebih murah tetapi kurang akurat. Mungkin versi tiga mahal tetapi mutakhir. Pilihan ada di tangan pembeli. Transparansi adalah milik semua orang.
Pelatihan ulang mempengaruhi atribusi. Ketika seorang pencipta melatih ulang model menggunakan data baru, kontributor data asli masih mendapatkan imbalan dari pembayaran inferensi. Data mereka membentuk model asli. Beberapa pengaruh itu terus berlanjut. Kontributor data baru juga mendapatkan imbalan. Atribusi dihitung ulang berdasarkan perilaku model yang diperbarui.
Ini menciptakan sistem yang adil. Kontributor awal tidak dipotong ketika model meningkat. Kontributor terlambat tidak dikecualikan karena mereka datang setelah versi pertama. Semua orang dibayar berdasarkan kontribusi nyata mereka terhadap model saat ini.
Frekuensi pembaruan bervariasi tergantung pada kasus penggunaan. Sebuah model yang menganalisis berita terkini mungkin perlu dilatih ulang setiap jam. Sebuah model yang mengklasifikasikan dokumen sejarah mungkin perlu pembaruan sekali setahun. OpenLedger tidak memberlakukan jadwal tetap. Pencipta memutuskan kapan untuk melatih ulang berdasarkan data mereka, pengguna mereka, dan penilaian mereka. Protokol mencatat setiap pembaruan. Tidak ada perubahan tersembunyi. Tidak ada penurunan diam-diam. Tidak ada peralihan ke model yang lebih buruk sambil mengklaim tidak ada yang berubah.
Apa yang terjadi pada versi model lama? Pencipta dapat menjaga versi lama tetap tersedia, mendepresiasi mereka dengan peringatan, atau menghentikannya sepenuhnya. Model yang dihentikan tidak lagi menerima permintaan inferensi. Lisensi yang ada tetap berlaku hingga kadaluarsa. Lisensi baru menjadi tidak tersedia. Ini melindungi pengguna yang bergantung pada perilaku model tertentu. Aplikasi yang diatur tidak dapat mengubah modelnya tanpa pemberitahuan. Versioning OpenLedger memberi pengguna kontrol atas kapan mereka melakukan peningkatan.
Pelatihan ulang memerlukan biaya. Sumber daya komputasi tidak gratis. Data pelatihan baru mungkin memerlukan pembayaran. Struktur biaya OpenLedger berlaku untuk pelatihan ulang sama seperti pelatihan awal. Pencipta memperhitungkan biaya ini dalam harga lisensi mereka. Beberapa pencipta meneruskan biaya pelatihan ulang kepada pengguna melalui biaya langganan yang lebih tinggi. Yang lain menyerap biaya dan menarik lebih banyak pengguna dengan harga yang stabil. Pasar memutuskan pendekatan mana yang berhasil.
Pelatihan ulang otomatis dimungkinkan. Pencipta yang canggih dapat mengatur pemicu. Ketika akurasi model turun di bawah ambang batas, pelatihan ulang dimulai secara otomatis. Ketika data relevan baru muncul dalam Datanet, model diperbarui. Ketika cukup waktu berlalu, pelatihan ulang terjadwal dijalankan. Alur kerja otomatis ini berjalan di infrastruktur agen OpenLedger. Tidak ada manusia yang perlu mengklik tombol. Model memelihara dirinya sendiri.
Persetujuan pengguna sangat penting untuk pembaruan. Beberapa pembaruan kompatibel dengan versi sebelumnya. Model menghasilkan output yang lebih baik tetapi bekerja dengan cara yang sama. Pembaruan lain mengubah perilaku secara signifikan. OpenLedger memerlukan persetujuan eksplisit pengguna untuk peningkatan versi utama. Peningkatan versi minor menunjukkan perubahan yang kompatibel. Peningkatan versi mayor menandakan kemungkinan perubahan yang merusak. Pengguna memilih apakah akan menerima peningkatan besar secara otomatis atau meninjaunya terlebih dahulu.
Dampak ekonomi dari pelatihan ulang jelas. Pencipta yang secara aktif memelihara model mereka menghasilkan lebih banyak. Model yang lebih baik menarik lebih banyak pengguna. Lebih banyak pengguna menghasilkan lebih banyak pembayaran inferensi. Lebih banyak pembayaran membiayai pelatihan ulang yang lebih baik. Roda flywheel berputar. Pencipta yang meninggalkan model mereka melihat pendapatan menurun. Pengguna beralih ke alternatif yang lebih terawat dengan baik. Versi lama menjadi usang. Pasar menghargai pekerjaan yang berkelanjutan, bukan hanya peluncuran awal.
Dulu saya berpikir pelatihan model adalah peristiwa sekali saja. Luncurkan dan lupakan. OpenLedger membuktikan sebaliknya. Model adalah sistem yang hidup. Mereka memerlukan pemeliharaan, pembaruan, dan pelatihan ulang. Platform menyediakan infrastruktur. Pencipta memberikan upaya yang berkelanjutan. Pengguna mendapatkan manfaat dari AI yang terus berkembang.
Sejujurnya, saya salah tentang model statis. OpenLedger menunjukkan kepada saya cara yang lebih baik. Peningkatan berkelanjutan. Atribusi yang adil. Kontrol pengguna. Itulah cara AI seharusnya bekerja...
:Seberapa sering menurutmu model AI harus dilatih ulang agar tetap berharga?:
