Thật lòng mà nói, tôi từng nghĩ một khi mô hình AI được đào tạo và triển khai, công việc đã xong. Tải lên trọng số. Thiết lập điểm cuối. Thu tiền từ các cuộc gọi suy diễn. Xong. Kết thúc. Chuyển sang dự án tiếp theo.
Tôi đã sai.
Mô hình không phải là tĩnh. Chúng bị hỏng. Dữ liệu trôi dạt. Hành vi người dùng thay đổi. Các ví dụ mới trở nên khả dụng. Một mô hình phát hiện gian lận được đào tạo dựa trên các mẫu giao dịch của năm ngoái sẽ bỏ lỡ các âm mưu mới của năm nay. Một mô hình chẩn đoán y tế được đào tạo trên thiết bị hình ảnh cũ sẽ không hoạt động trên các máy móc mới hơn. Một mô hình gợi ý được đào tạo dựa trên hành vi người dùng trong quá khứ sẽ ngừng dự đoán những gì mọi người thực sự muốn.
@OpenLedger đối phó với thực tế này thông qua việc đào tạo lại mô hình và cơ chế cập nhật.
Chuyện gì xảy ra khi một mô hình cần đào tạo lại? Một nhà phát triển nhận thấy độ chính xác của mô hình mình đang giảm. Họ thu thập dữ liệu đào tạo mới từ Datanets của OpenLedger. Họ tinh chỉnh mô hình bằng cách sử dụng thị trường điện toán của OpenLedger. Họ tạo ra một phiên bản cập nhật của mô hình với hiệu suất được cải thiện.
Phiên bản cũ vẫn còn tồn tại trên chuỗi. Phiên bản mới liên kết lại với phiên bản gốc thông qua các hồ sơ nguồn gốc. Người dùng đã cấp phép phiên bản cũ có thể chọn nâng cấp. Người dùng mới cấp phép phiên bản được cải thiện. Nhà phát triển kiếm được doanh thu liên tục từ cả hai phiên bản.
Việc phiên bản hóa ngăn chặn sự nhầm lẫn. Mỗi bản cập nhật mô hình có một số phiên bản độc nhất. Nhật ký nguồn gốc cho thấy chính xác khi mỗi phiên bản được tạo ra, dữ liệu nào đã được đào tạo, và nó khác biệt như thế nào so với các phiên bản trước. Bất kỳ ai cũng có thể kiểm toán toàn bộ lịch sử.
Một người mua đang tìm kiếm một mô hình có thể so sánh các phiên bản. Có thể phiên bản một rẻ hơn nhưng kém chính xác hơn. Có thể phiên bản ba đắt hơn nhưng hiện đại nhất. Lựa chọn thuộc về người mua. Tính minh bạch thuộc về mọi người.
Việc đào tạo lại ảnh hưởng đến sự công nhận. Khi một nhà phát triển đào tạo lại một mô hình bằng dữ liệu mới, các nhà đóng góp dữ liệu gốc vẫn kiếm được từ các khoản thanh toán suy diễn. Dữ liệu của họ đã hình thành mô hình gốc. Một số ảnh hưởng đó vẫn tiếp tục. Các nhà đóng góp dữ liệu mới cũng kiếm được. Sự công nhận sẽ được tính toán lại dựa trên hành vi của mô hình đã được cập nhật.
Điều này tạo ra một hệ thống công bằng. Những người đóng góp sớm không bị cắt đứt khi một mô hình được cải thiện. Những người đóng góp muộn không bị loại trừ vì họ đến sau phiên bản đầu tiên. Mọi người được trả tiền dựa trên sự đóng góp thực tế của họ cho mô hình hiện tại.
Tần suất cập nhật thay đổi tùy theo trường hợp sử dụng. Một mô hình phân tích tin tức nóng có thể cần đào tạo lại mỗi giờ. Một mô hình phân loại tài liệu lịch sử có thể cần cập nhật một lần mỗi năm. OpenLedger không áp đặt lịch cố định nào. Các nhà phát triển quyết định khi nào đào tạo lại dựa trên dữ liệu của họ, người dùng của họ và sự phán đoán của họ. Giao thức ghi lại mọi bản cập nhật. Không có thay đổi ngầm. Không có hạ cấp một cách êm thấm. Không chuyển sang một mô hình tệ hơn trong khi khẳng định rằng không có gì thay đổi.
Chuyện gì xảy ra với các phiên bản mô hình cũ? Các nhà phát triển có thể giữ các phiên bản cũ có sẵn, báo trước khi ngừng sử dụng, hoặc hoàn toàn nghỉ hưu. Một mô hình đã nghỉ hưu không còn chấp nhận yêu cầu suy diễn. Các giấy phép hiện tại vẫn tiếp tục cho đến khi hết hạn. Các giấy phép mới sẽ không còn khả dụng. Điều này bảo vệ người dùng phụ thuộc vào hành vi mô hình cụ thể. Một ứng dụng được quy định không thể thay đổi mô hình của mình mà không có thông báo. Việc phiên bản hóa của OpenLedger mang lại cho người dùng quyền kiểm soát khi nào họ nâng cấp.
Việc đào tạo lại tốn tiền. Tài nguyên tính toán không miễn phí. Dữ liệu đào tạo mới có thể yêu cầu thanh toán. Cấu trúc phí của OpenLedger áp dụng cho việc đào tạo lại giống như đào tạo ban đầu. Các nhà phát triển tính toán những chi phí này vào giá cấp phép của họ. Một số nhà phát triển chuyển chi phí đào tạo lại cho người dùng thông qua phí đăng ký cao hơn. Những người khác hấp thụ chi phí và thu hút nhiều người dùng hơn với giá ổn định. Thị trường quyết định cách tiếp cận nào hiệu quả.
Việc đào tạo lại tự động là khả thi. Các nhà phát triển tiên tiến có thể thiết lập các kích hoạt. Khi độ chính xác của mô hình giảm xuống dưới một ngưỡng, việc đào tạo lại sẽ tự động bắt đầu. Khi dữ liệu mới liên quan xuất hiện trong một Datanet, mô hình sẽ cập nhật. Khi đủ thời gian trôi qua, một đợt đào tạo lại theo lịch sẽ chạy. Những quy trình tự động này chạy trên cơ sở hạ tầng của đại lý OpenLedger. Không cần ai phải nhấn nút. Mô hình tự duy trì.
Sự đồng ý của người dùng rất quan trọng cho các bản cập nhật. Một số bản cập nhật tương thích ngược. Mô hình sản xuất đầu ra tốt hơn nhưng hoạt động giống như trước. Các bản cập nhật khác thay đổi hành vi một cách đáng kể. OpenLedger yêu cầu sự đồng ý rõ ràng của người dùng cho các bản nâng cấp phiên bản chính. Tăng phiên bản nhỏ cho thấy các thay đổi tương thích. Tăng phiên bản lớn báo hiệu các thay đổi có thể gây rắc rối. Người dùng chọn có chấp nhận các bản nâng cấp lớn tự động hay xem xét chúng trước.
Tác động kinh tế của việc đào tạo lại là rõ ràng. Những nhà phát triển tích cực duy trì mô hình của họ kiếm được nhiều hơn. Các mô hình tốt hơn thu hút nhiều người dùng hơn. Nhiều người dùng tạo ra nhiều khoản thanh toán suy diễn hơn. Nhiều khoản thanh toán hơn tài trợ cho việc đào tạo lại tốt hơn. Bánh đà quay. Những nhà phát triển từ bỏ mô hình của họ thấy doanh thu giảm. Người dùng chuyển sang các lựa chọn được duy trì tốt hơn. Các phiên bản cũ trở nên lỗi thời. Thị trường thưởng cho công việc liên tục, không chỉ là các đợt ra mắt ban đầu.
Tôi từng nghĩ rằng việc đào tạo mô hình chỉ là một sự kiện một lần. Ra mắt và quên đi. OpenLedger chứng minh điều ngược lại. Các mô hình là các hệ thống sống. Chúng cần bảo trì, cập nhật và đào tạo lại. Nền tảng cung cấp cơ sở hạ tầng. Các nhà phát triển cung cấp nỗ lực liên tục. Người dùng được hưởng lợi từ AI không ngừng cải tiến.
Thật lòng mà nói, tôi đã sai về các mô hình tĩnh. OpenLedger đã chỉ cho tôi một cách tốt hơn. Cải tiến liên tục. Sự công nhận công bằng. Kiểm soát của người dùng. Đó là cách AI nên hoạt động...
:Bạn nghĩ bao lâu thì các mô hình AI nên được đào tạo lại để vẫn giữ được giá trị?:
