اینتل و چند شرکت دیگر متعهد به ساخت ابزارهای سازمانی هوش مصنوعی مولد باز شدند
ایتنا - بنیاد لینوکس از راهاندازی «پلتفرم باز برای هوش مصنوعی سازمانی» (OPEA) خبر داد، که پروژهای برای کمک به توسعه سیستمهای هوش مصنوعی مولد باز، چند ارائهدهندهای و ترکیبپذیر (یعنی ماژولار).
آیا هوش مصنوعی مولد طراحی شده برای سازمانها (به عنوان مثال، هوش مصنوعی که گزارشها، فرمولهای صفحهگسترده و غیره را به صورت خودکار تکمیل میکند) میتواند قابلیت همکاری داشته باشد؟ بنیاد لینوکس – به عنوان یک سازمان غیرانتفاعی که از تعداد فزایندهای از تلاشهای منبعباز پشتیبانی و نگهداری میکند - قصد دارد این موضوع را همراه با مجموعهای از سازمانها از جمله کلاودرا و اینتل مورد کنکاش قرار دهد.
به گزارش ایتنا و به نقل از تککرانچ، بنیاد لینوکس از راهاندازی «پلتفرم باز برای هوش مصنوعی سازمانی» (OPEA) خبر داد، که پروژهای برای کمک به توسعه سیستمهای هوش مصنوعی مولد باز، چند ارائهدهندهای و ترکیبپذیر (یعنی ماژولار).
ابراهیم حداد، مدیر اجرایی LF AI and Data، در یک بیانیه مطبوعاتی گفت که زیر نظر LF AI and Data (متعلق به بنیاد الینکوس)، که بر ابتکارهای پلتفرم مرتبط با هوش مصنوعی و دادهها تمرکز دارد، هدف OPEA هموار کردن راه برای انتشار سیستمهای هوش مصنوعی مولد «سختشده» و «مقیاسپذیر» خواهد بود که بهترین نوآوری منبع باز در اکوسیستم را امکانپذیر کند.
حداد گفت: «OPEA با ایجاد یک چارچوب دقیق و قابل ترکیب که در خط مقدم پشتههای فناوری قرار بگیرد، امکانهای جدیدی را در هوش مصنوعی فراهم خواهد کرد. این ابتکار گواهی بر ماموریت ما برای هدایت نوآوری منبع باز و همکاری در هوش مصنوعی و جوامع داده تحت یک مدل حکومتی بیطرفانه و باز است».
درباره اینکه این همکاری بینسازمانی میتواند منتج به چه محصولی شود، حداد به چند احتمال اشاره کرد، مانند پشتیبانی «بهینهشده» از زنجیرههای ابزار و کامپایلرهای هوش مصنوعی، که این امکان را فراهم میآورد که بار کاری هوش مصنوعی در اجزای سختافزاری مختلف اجرا شود، و همچنین خط لولههای «ناهمگن» برای تولید تقویتشده با بازیابی (RAG).
RAG به طور فزایندهای در کاربردهای سازمانی هوش مصنوعی مولد محبوبیت پیدا کرده است و فهمیدن دلیل آن دشوار نیست. پاسخها و اقدامات بیشتر مدلهای هوش مصنوعی مولد به دادههایی محدود میشود که با استفاده از آنها آموزش دیدهاند. اما با RAG، پایگاه دانش یک مدل را میتوان به اطلاعات خارج از دادههای آموزشی اصلی گسترش داد. مدلهای RAG به این اطلاعات خارجی ارجاع میدهند.