Open source er afgørende for fremtiden for AI

ideen om kunstig intelligens (IA) er ikke nyt, men de seneste fremskridt inden for relaterede teknologier er blevet et værktøj, der bruges af os alle dagligt.  Den voksende betydning og udbredelse af AI er både spændende og potentielt alarmerende, da grundlaget for mange AI-platforme og ressourcer i det væsentlige er sorte bokse, der styres af et lille antal magtfulde virksomheder.

Store organisationer, som Red Hat, mener det Alle skal have mulighed for at bidrage til AI. AI-innovation bør ikke begrænses til virksomheder, der har råd til enorme mængder af behandlingskapacitet og dataforskere, der er nødvendige for at træne disse Store sprogmodeller (LLMS)

I stedet giver årtiers open source-erfaring til softwareudvikling og samarbejde med fællesskaber alle mulighed for at bidrage og drage fordel af AI, samtidig med at de hjælper med at forme en fremtid, der opfylder vores behov. Der er ingen tvivl om, at open source-tilgang er den eneste måde at nå det fulde potentiale af AI, hvilket gør det mere sikkert, tilgængeligt og demokratiseret.

Hvad er open source?

Mens udtrykket “open source” oprindeligt refererer til en softwareudviklingsmetodologi, har det udvidet sig til at omfatte en mere generel form for arbejde, der er åbent, decentraliseret og dybt samarbejdende. Open source-bevægelsen går nu langt ud over softwareverdenen, og Vejen til at være open source Det er blevet omfavnet af samarbejder rundt om i verden, herunder sektorer som videnskab, uddannelse, regering, fremstilling, sundhed og mere.

open source-kulturen har nogle Grundlæggende principper der gør det effektivt og meningsfuldt, for eksempel:

• Samarbejdets deltagelse
• Fælles ansvar
• Åbne udvekslinger
• meritokrati og inklusion
• Fællesskabsorienteret udvikling
• Åbent samarbejde
• selvorganisering
• Respekt og gensidighed

Når open source-principper danner grundlag for samarbejdsindsatsen, viser historien, at fantastiske ting er mulige. Nogle vigtige eksempler spænder fra udvikling og spredning af Linux som det mest kraftfulde og allestedsnærværende operativsystem i verden indtil fremkomsten og væksten af kubernetter og containere, ud over udviklingen og udvidelsen af selve internettet.

Seks fordele ved open source i AI-æraen

Der er mange fordele ved udviklingen af teknologier ved open source, men seks fordele skiller sig ud blandt de andre. 

1. Øget innovationshastighed

Når teknologi udvikles på en kollaborativ og åben måde, kan innovation og opdagelse ske meget hurtigere, i modsætning til lukkede organisationer og proprietære løsninger. 

Når arbejdet deles åbent, og andre har mulighed for at skabe ud fra det, sparer teams enormt meget tid og kræfter, fordi de ikke skal starte fra bunden. Nye ideer kan udvide de projekter, der kom før. Dette sparer ikke kun tid og penge, men styrker også resultaterne, efterhånden som flere mennesker arbejder sammen om at løse problemer, dele insights og gennemgå hinandens arbejde.

Et bredere og mere samarbejdende fællesskab er simpelthen i stand til at opnå mere: at fremme mennesker og forbinde ekspertise til at løse komplekse problemer og innovere hurtigere og mere effektivt end små og isolerede grupper. 

2 . Demokratere adgang

Open source demokratiserer også adgangen til nye AI-teknologier. Når undersøgelser, koder og værktøjer deles åbent, hjælper det med at fjerne nogle af de barrierer, der normalt begrænser adgangen til banebrydende innovationer.

DE InstructLab Det er et godt eksempel på denne præmis. Initiativet er et modeluafhængigt open source AI-projekt, der forenkler processen med at bidrage med færdigheder og viden til LLM'er. Målet med indsatsen er at give enhver mulighed for at være med til at forme Generativ AI (Gen AI), herunder dem, der ikke har de færdigheder og træning i datavidenskab, der normalt er nødvendige. Dette giver flere enkeltpersoner og organisationer mulighed for pålideligt at bidrage til træning og forfining af LLM'er.

3. Forbedret sikkerhed og privatliv 

Efterhånden som open source-projekter reducerer adgangsbarrierer, er en større og mere forskelligartet gruppe af medarbejdere i stand til at hjælpe med at identificere og løse potentielle sikkerhedsudfordringer i AI-modeller, efterhånden som de udvikles.

De fleste af de data og metoder, der bruges til at træne og justere AI-modeller, er lukket og vedligeholdt af proprietær logik. Sjældent kan udenforstående af disse organisationer få nogen indsigt i, hvordan disse algoritmer fungerer, og om de rummer nogen potentielt farlige data eller iboende skævheder.

Hvis en model og de data, der bruges til at træne den, åbnes, kan enhver interesseret person dog undersøge den, reducere sikkerhedsrisici og minimere platformsforstyrrelser. Derudover kan åbne filosofibidragydere skabe værktøjer og processer til at spore og revidere fremtidig udvikling af modeller og applikationer, hvilket gør det muligt at overvåge udviklingen af forskellige løsninger. 

også denne åbenhed og gennemsigtighed skabe tillid, da brugere har mulighed for direkte at undersøge, hvordan deres data bliver brugt og behandlet, så de kan tjekke, om deres privatliv og datasuverænitet bliver respekteret. Derudover kan virksomheder også beskytte deres private, fortrolige eller proprietære oplysninger ved hjælp af open source-projekter såsom InstructLab for at skabe deres egne justerede modeller, som de opretholder streng kontrol over.

4. Giver fleksibilitet og valgfrihed

Mens monolitiske, proprietære og black-box LLM'er er, hvad de fleste mennesker ser og tænker om generativ AI, begynder vi at se et voksende boost mod mindre, uafhængige og udviklede AI-modeller udviklet til et specifikt formål.

der Små sprogmodeller (SLM'er) trænes normalt i meget mindre datasæt for at give dem deres grundlæggende funktionalitet, og er yderligere tilpasset til specifikke use cases med domænespecifikke data og viden.

Disse SLM'er er betydeligt mere effektive end deres større fætre og har vist sig at præstere lige så godt (hvis ikke bedre), når de bruges til det tilsigtede formål. De er hurtigere og mere effektive at træne og implementere, og kan tilpasses og skræddersyes efter behov.

Og det er det, InstructLab-projektet blev skabt til. Med den kan du tage en mindre model af open source AI og udvide den med de ekstra data og træning, du ønsker.

For eksempel kan du bruge InstructLab til at oprette en servicechatbot til den meget justerede kunde og udviklet til et specifikt formål, hvilket forbedrer bedste praksis i organisationen. Denne praksis giver dig mulighed for at give det bedste af din kundeserviceoplevelse for alle, overalt, i realtid. 

Og endnu vigtigere, dette giver dig mulighed for at undgå at sidde fast med en leverandør og giver fleksibilitet med hensyn til, hvor og hvordan du implementerer din AI-model og eventuelle applikationer bygget på den.

5. Muliggør et levende økosystem

i det åbne samfund, “Ingen innoverer alene“, og denne tro er blevet fastholdt siden de første måneder af fællesskabets grundlag. 

Denne idé vil forblive gyldig i AI-æraen inden for Red Hat, en leder inden for åbne løsninger, som vil levere forskellige værktøjer og strukturer af open source i form af Rød hat der,  løsning, hvormed partnere vil skabe mere værdi for slutkunderne. 

En enkelt leverandør kan ikke tilbyde alt, hvad en organisation har brug for, eller endda følge med den nuværende hastighed af teknologisk udvikling. Open source-principper og -praksis accelererer innovation og muliggør et levende økosystem ved at fremme partnerskaber og samarbejdsmuligheder mellem projekter og industrier.

6. Reducer omkostningerne

I begyndelsen af 2025, det er estimeret At den gennemsnitlige grundløn for en dataforsker i USA er højere end US$ 125.000, hvor mere erfarne dataforskere kan tjene væsentligt mere.

Det er klart, at der er en enorm og voksende efterspørgsel efter dataforskere med kunstig intelligens, men få virksomheder har et stort håb om at tiltrække og fastholde de specialiserede talenter, de har brug for.

Og de virkelig store LLM'er er ublu dyre at bygge, træne, vedligeholde og implementere, hvilket kræver hele varehuse fyldt med meget optimeret (og meget dyrt) computerudstyr og en enorm mængde lagerplads.

Åbne, mindre og indbyggede modeller til specifikke formål og AI-applikationer er væsentligt mere effektive til at bygge, træne og implementere. De kræver ikke kun en brøkdel af LLMS's computerkraft, projekter som InstructLab gør det muligt for folk uden specialiserede færdigheder og erfaring at bidrage aktivt og effektivt til træning og finjustering af AI-modeller.

Det er klart, at de omkostningsbesparelser og fleksibilitet, som open source bringer til udviklingen af AI, er gavnlige for små og mellemstore virksomheder, der håber at opnå en konkurrencefordel med AI-applikationer, kan medføre.

Sammenfattende

For at opbygge en demokratisk og åben AI er det afgørende at bruge open source-principperne, der muliggjorde cloud computing, internettet, Linux og så mange andre åbne, kraftfulde og dybt innovative teknologier.

Dette er den vej, som Red Hat følger for at gøre AI levedygtig og andre relaterede værktøjer. Alle skal have gavn af udviklingen af kunstig intelligens, så alle skal kunne hjælpe med at bestemme og forme deres bane og bidrage til deres udvikling. Kollaborativ innovation og open source er ikke afgørende så uundgåeligt for disciplinens fremtid.