במקום להשכיר בינה מלאכותית מחברות ענק עכשיו אפשר לייצר אחת לבד

מה קרה

חברת Mistral הציגה את פלטפורמת Forge במהלך כנס Nvidia GTC. הפיתוח החדש מאפשר לארגונים לאמן מודלי בינה מלאכותית באופן מלא על בסיס הנתונים הפרטיים שלהם. המהלך נועד להתחרות מול חברות כמו OpenAI שמציעות בעיקר פתרונות של כוונון עדין.

עובדות מפתח

• אימון מודלים מאפס: המערכת מאפשרת יצירת מודל שפה שמוטמע לחלוטין בתוך הדאטה הארגוני.
• הכנסות של מיליארד דולר: Mistral צופה לחצות את רף המיליארד דולר בהכנסות חוזרות שנתיות עוד השנה.
• לקוחות ענק כבר בפנים: חברות כמו ASML ואריקסון כבר משתמשות במערכת החדשה.
• תמיכה בסוכנים אוטונומיים: הפלטפורמה כוללת כלים לאימון סוכנים חכמים באמצעות למידת חיזוק.
• מהנדסים צמודים: החברה מציעה צוותי מהנדסים שמוטמעים פיזית אצל הלקוח כדי לבנות את התשתיות.

למה מודל כללי פשוט לא מספיק טוב

אני רואה הרבה חברות שמנסות לקחת מודל חכם ופשוט ללמד אותו קצת על הארגון באמצעות טכניקות קיימות. הבעיה היא שמודלים ציבוריים אומנו על האינטרנט הפתוח, ולכן הם לעולם לא יבינו את הניואנסים העמוקים. לדעתי, כשמנסים לפתור בעיות מורכבות, הפער הזה מתורגם לטעויות שעולות המון כסף.

כאן בדיוק נכנסת הגישה החדשה של Mistral לתמונה ומשנה את חוקי המשחק. אימון מודל מאפס אומר שהבינה מלאכותית נולדת אל תוך התרבות הארגונית. היא לומדת את הז'רגון, את נהלי התאימות ואת בסיסי הקוד הספציפיים כבר מהרגע הראשון.

מעבר לדיוק, יש כאן עניין קריטי של אבטחת מידע וניהול סיכונים. ארגונים גדולים פשוט מפחדים לשלוח נתונים רגישים לענן של ספקיות חיצוניות. הפתרון החדש מאפשר להם לשמור את הכל קרוב לחזה ולנתק את התלות המוחלטת בחברות אמריקאיות.

הסוף לתלות בספקיות הענן הגדולות

אחד הדברים שהכי הפתיעו אותי בהכרזה הזו הוא הדגש על עצמאות תשתיתית מלאה. עד היום, רוב החברות היו כבולות למערכות הסגורות של ספקיות הענן הענקיות. הפיתוח החדש מאפשר לפרוס את המודלים בכל סביבה שמתאימה לפרופיל הסיכון של הארגון.

הגמישות הזו היא קריטית במיוחד כשמדובר במערכות ליבה עסקיות שחייבות לעבוד תמיד. אתה לא רוצה שהשירות המרכזי שלך יקרוס רק בגלל שחברה חיצונית החליטה לעדכן גרסה. השליטה המלאה עוברת אליך, החל משלב האימון ההתחלתי ועד לשלב ההרצה בפועל מול הלקוחות.

ראיתי מקרוב איך פרויקטים מבריקים נתקעים בגלל מגבלות טכניות של ספקיות חיצוניות. היכולת לנתק את חבל הטבור הזה היא בשורה אדירה לכל מי שרוצה לבנות טכנולוגיה יציבה לטווח ארוך. זה בדיוק מה שמפריד בין פתרון זמני חביב לבין תשתית אמיתית שתחזיק מעמד.

מה זה אומר לעסק הישראלי?

השוק המקומי שלנו מאופיין בהרבה חברות טכנולוגיה ופיננסים שפועלות תחת רגולציה נוקשה וקפדנית. עבור החברות האלה, היכולת לבנות מודל פרטי לחלוטין היא לא פחות מגלגל הצלה. הן יוכלו כעת לפתח פתרונות חכמים מבלי להסתכן בזליגת מידע רגיש החוצה אל שרתים זרים.

חשוב למשל על חברת פינטק מקומית שרוצה לנתח סיכוני אשראי מורכבים של ישראלים. במקום להסתמך על כלי חיצוני שלא מבין את הרגולציה המקומית, היא תוכל לאמן מודל ספציפי על היסטוריית ההלוואות שלה. המודל הזה ידע בדיוק איך נראה לקוח ישראלי טיפוסי ומהם סימני האזהרה הרלוונטיים.

בנוסף, יש כאן יתרון עצום בכל הנוגע לעברית ולשפות מקומיות אחרות. מודלים שמאומנים מאפס על טקסטים מקומיים יציגו הבנה טובה בהרבה של השפה שלנו. זה אומר פחות תשובות רובוטיות ויותר אינטראקציות חכמות שנשמעות טבעיות לחלוטין.

השוואת גישות מודל גנרי מול מודל פרטי

מה צפוי לקרות?

אני מאמינה שהחודשים הקרובים הולכים להיות מרתקים במיוחד בזירת הבינה המלאכותית הארגונית. אנחנו נראה תגובת נגד מהירה מצד המתחרות הגדולות. חברות כמו OpenAI ו-Google כנראה ישיקו מסלולים משלהן לאימון מודלים מותאמים אישית כדי לא לאבד את הלקוחות הכבדים.

במקביל, סביר להניח שנראה זינוק בביקוש למהנדסי נתונים שמתמחים בהכנת דאטה. הכוח עובר מידיים של מפתחי אלגוריתמים לאנשים שיודעים לסדר ולנקות מידע ארגוני. ארגונים יבינו שהמודל שלהם יהיה חכם רק כפי שהנתונים שהם מזינים לתוכו מדויקים.

עבור חברות ישראליות, המגמה הזו צפויה לייצר גל חדש של סטארטאפים שיציעו שירותי מעטפת. יקומו חברות שיעזרו לארגונים מסורתיים להכין את הקרקע לקראת בניית מודל פרטי. המעבר מצרכנות פסיבית ליצירה עצמאית יהפוך לסטנדרט החדש בתעשייה המקומית.