با گسترش مدل‌های تصمیم‌گیری در صنعت، شرکتی به نام موسوبی ایده جدیدی برای به کارگیری این مدل‌ها دارد: مدیریت محتوا. روز سه‌شنبه، موسوبی از یک مدل تصمیم‌گیری سبک برای مدیریت زمان واقعی به نام PolicyLM-1.7B رونمایی کرد که با وزن‌های باز منتشر شده است.

ایده این است که یک سیاست محتوایی که به زبان ساده نوشته شده است را در کم‌تر از 50 میلی‌ثانیه به پیام‌ها اعمال کنیم. مدل موسوبی به گونه‌ای طراحی شده است که از نظر هزینه و سرعت مشابه سیستم‌های طبقه‌بندی هوش مصنوعی باشد که مدیریت محتوا را در اکثر پلتفرم‌های اجتماعی پشتیبانی می‌کند — اما به دلیل انعطاف‌پذیری یک مدل زبان بزرگ، می‌تواند سیاست‌های پیچیده را بدون نیاز به آموزش خاص اعمال کند. حتی مهم‌تر از این، مدل در هنگام تغییر سیاست نیاز به آموزش جدید ندارد و این به مدیران سیاست‌گذاری اجازه می‌دهد تا هرچقدر که نیاز است، تغییراتی را اعمال کنند.

به گفته فیلیپ یانکویچ، یکی از موسسان و رئیس بخش هوش مصنوعی موسوبی، این روش به مدیران پلتفرم‌ها این امکان را می‌دهد که به صورت پیش‌گیرانه محتوای خود را برچسب‌گذاری کنند.

یانکویچ می‌گوید: “تیم‌های محصول فقط می‌خواهند درک بهتری از آنچه در پلتفرمشان در حال رخ دادن است داشته باشند، به‌ویژه با توجه به اینکه حجم محتوا به‌طور نمایی در حال افزایش است. برچسب‌گذاری همه‌ این موارد به یک روش بسیار مقیاس‌پذیر و قابل تنظیم بسیار مفید است. “

مدل‌های تصمیم‌گیری از زمان انتشار Jev شرکت Typesafe AI در سپتامبر به یکی از موضوعات داغ در دنیای هوش مصنوعی تبدیل شده‌اند و بلافاصله پیرو مدل‌های تصمیم‌گیری رقابتی از OpenAI و آمازون دنبال شدند. به جای تولید متن، یک مدل تصمیم‌گیری احتمال‌های خروجی را تولید می‌کند، هرچند در این مورد مدل یک قضاوت دوتایی ارائه می‌دهد: یا محتوا در دسته‌بندی قرار دارد یا ندارد. با محدود کردن خروجی مدل به مجموعه‌ای از گزینه‌های از پیش تعیین شده، مدل‌های تصمیم‌گیری قادرند سریع‌تر و ارزان‌تر از مدل‌های زبان بزرگ اجرا شوند، در حالی که هنوز انعطاف‌پذیری معماری ترنسفورمر را حفظ می‌کنند.

یکی از استفاده‌های اولیه، کنترل بدرفتاری توسط عوامل هوش مصنوعی است — پس طبیعی است که همین فناوری را به بدرفتاری انسانی نیز اعمال کنیم.

به‌طور قابل توجهی، یانکویچ می‌گوید که علاقه او به مدل‌های تصمیم‌گیری بر مدل Jev پیشی می‌گیرد و آن را به یک پروژه 2024 به نام GLiNER (مدل عمومی برای شناسایی موجودیت‌های نامدار) که بسیاری از تکنیک‌های مشابه را به کار گرفته بود مرتبط می‌داند.

با این حال، موسوبی از این مقایسه نگران نیست. اگر چیزی باشد، این شرکت مشتاق است از علاقه جدید به مدل‌های تصمیم‌گیری برای روشن کردن مسائل مربوط به مدیریت محتوا استفاده کند. “اگر Jev توجه شما را جلب کرد، PolicyLM-1.7B همان نوع مدل است که به طور خاص برای مدیریت محتوا آموزش دیده است و می‌توانید خودتان آن را اجرا کنید،” اعلامیه محصول می‌خواند.