آمازون وب سرویس‌ها مدلی تصمیم‌گیری متن‌باز را الهام گرفته از Jev نوع‌ساز منتشر کرده است، در حالی که توسعه‌دهندگان هوش مصنوعی به طور فزاینده‌ای به دنبال هوش‌هایی هستند که بیشتر مناسب اتوماسیون کامپیوتری باشند تا مدل‌های بزرگ زبانی مرزی.

مدل Strands Decider 2B آمازون، که در همان هفته اقدام مشابهی از OpenAI اعلام شد، یک روش سریع و کم‌هزینه برای تفکیک بین گزینه‌های از پیش تعیین‌شده و ارزیابی اعتماد به انتخاب خود است. این مدل کاملاً متن‌باز است، اکنون در دسترس است و به اندازه‌ای کوچک است که بتوان آن را به صورت محلی اجرا کرد.

مارک بروکر، مهندس برجسته آمازون، پس از دیدن Jev و تلاش برای ساخت نسخه خود از چنین مدلی پروژه را به وجود آورد. این پروژه خانگی به اندازه کافی موفق بود – به طور موقت به بالاترین رتبه در رتبه‌بندی Jevbench برای مدل‌های با این اندازه رسید – که مهندسان آمازون آن را مرتب کرده و به عنوان یک پیشنهاد از Strands Labs خود منتشر کردند، سازمانی که در حال توسعه ابزارها و پروتکل‌های جدید برای پیاده‌سازی عوامل هوش مصنوعی است.

بروکر می‌گوید نیاز به ابزاری مانند این در مذاکرات با مشتریان AWS ظهور کرد، جایی که گردش‌های کاری عاملانه همیشه به قابلیت یا هزینه یک مدل بزرگ زبانی کامل نیاز نداشتند.

“آنچه ابتدا توجه من را به این دسته از مدل‌ها جلب کرد این بود که آنها تصمیم‌گیرنده‌ای مناسب برای یک مرحله گردش کار ایجاد می‌کنند – ‘در اینجا چه کار بعدی باید انجام دهم، با توجه به اینکه کجا هستم؟’” بروکر به TechCrunch گفت. او افزود که این مدل به مشتریان “یک مرحله گردش کاری می‌دهد که می‌تواند به گونه‌ای ساختار یافته باشد که به خاطر نمرات اعتماد، به خاطر حوزه بسته پاسخ‌ها، [و] تأخیر کمتر، هزینه کمتری نیز باشد.”

مانند سایر مدل‌های تصمیم‌گیری، Strands Decider بر اساس “بدنه” یک LLM ساخته شده است، در این مورد Qen3.5-2B، اما به جای ایجاد متن، انتخاب‌های کالیبره شده ارائه می‌دهد. TypeSafe مدل خود را Jev نامگذاری کرد به یاد اقتصاددان ویلیام استنلی جیونس، با امید به اینکه نظریه او که کاهش هزینه چیزی – مانند هوش کامپیوتری – می‌تواند واقعاً تقاضای آن را افزایش دهد، به یاد آورده شود.

این واقعیت که ده‌ها مدل مشابه توسط محققان از زمان معرفی ایده TypeSafe تولید شده نشان‌دهنده علاقه وسیع است، اما همچنین سوالی را مطرح می‌کند که چقدر می‌توانند ارزشمند باشند. بروکر پیشنهاد می‌کند که چالش در بهینه‌سازی تصمیم‌گیری سریع مدل بدون به خطر انداختن هوش آن خواهد بود.

“تعادل بسیار دقیقی باید پیدا شود که در آن می‌خواهید عملکرد آن را در دقت و کالیبراسیون در این نوع وظایف افزایش دهید، بدون اینکه عملکرد آن را در درک زبان‌های مختلف، در داشتن نوع دانشش که آن را عمومی و جالب و مفید می‌سازد، کاهش دهید” او به TechCrunch گفت.

با این حال، او لزوماً انتظار ندارد که آزمایشگاه‌های مرزی بر این فضا تسلط پیدا کنند، به‌ویژه از آنجایی که، در بازارهای کوچکتر، هزینه ساخت چیزی جالب در حدود صدها یا هزاران دلار است.

برای بخش خود، اجرایی‌های TypeSafe می‌گویند که آنها مشغول بهبود مدل‌های آینده هستند.

“می‌دانم که مردم فکر می‌کنند این یک شتاب طلاست، اما ممکن است آنها دشواری‌های ساخت مدل‌های واقعاً هوشمند را دست کم بگیرند” دیوگو آلمیدا، CEO و بنیان‌گذار، به TechCrunch گفت و افزود که در حال حاضر، او رقابت واقعی برای شرکتش را نمی‌بیند.

“دسته فعلی بیشتر شبیه افرادی در حوزه ML هستند که می‌خواهند معماری جالبی را پیاده‌سازی کنند تا تیمی که به طور عمیق در تلاش برای استفاده مفید از هوش باشد.”