Amazon Web Services (AWS) представила модель машинного навчання з відкритим кодом для прийняття рішень, натхненну розробкою Jev від TypeSafe. Це відповідає зростаючому запиту розробників ШІ на інтелектуальні системи, більш придатні для автоматизації, ніж передові великі мовні моделі (LLM).
Strands Decider 2B від Amazon, випущена того ж тижня, коли OpenAI анонсувала схожу пропозицію, є високошвидкісним і недорогим рішенням для вибору з попередньо визначених варіантів. Модель надає показник впевненості у своєму виборі. Вона повністю відкрита, доступна зараз і достатньо компактна для локального запуску.
Ідея проєкту належить провідному інженеру Amazon Марку Брукеру, який, побачивши Jev, вирішив створити власну версію такої моделі. Його розробка виявилася настільки успішною, що ненадовго посіла перше місце в рейтингу Jevbench для моделей такого розміру. Після цього інженери Amazon доопрацювали її та випустили як продукт від Strands Labs — організації, що розробляє нові інструменти та протоколи для розгортання ШІ-агентів.
Брукер зазначає, що потреба в такому інструменті виникла під час спілкування з клієнтами AWS, чиї агентні робочі процеси не завжди вимагали постійного використання можливостей або високої вартості повнофункціональних LLM.
«Спочатку мене зацікавив цей клас моделей, тому що вони ідеально підходять для кроку прийняття рішень у робочому процесі — «що мені робити далі, враховуючи моє поточне становище?» — розповів Брукер TechCrunch. За його словами, це надає клієнтам «крок у робочому процесі, який може бути структурований більш надійно завдяки показникам впевненості, закритій області відповідей та меншій затримці, потенційно з меншою вартістю».
Як і інші моделі прийняття рішень, Strands Decider побудована на основі «тулуба» LLM, у цьому випадку — Qwen3.5-2B. Однак, замість генерації тексту, вона надає відкалібровані вибори. TypeSafe назвала свою модель Jev на честь економіста Вільяма Стенлі Джевонса, сподіваючись викликати його теорію про те, що зниження вартості чогось, як-от комп’ютерного інтелекту, може насправді збільшити його попит.
Те, що десятки подібних моделей були створені дослідниками з моменту дебюту ідеї TypeSafe, свідчить про широкий інтерес, але також ставить питання про їхню цінність. Брукер припускає, що головним викликом буде оптимізація швидкого прийняття рішень моделлю без шкоди для її інтелекту.
«Необхідно знайти дуже тонкий баланс, щоб підвищити її продуктивність щодо точності та калібрування в таких завданнях, не погіршуючи її здатність розуміти різні мови, володіти знаннями, які роблять її загального призначення, цікавою та корисною», — сказав він TechCrunch.
Тим не менш, він не очікує, що передові лабораторії домінуватимуть у цій сфері, особливо з огляду на те, що для менших ринків вартість створення чогось цікавого становить сотні або тисячі доларів.
Зі свого боку, керівники TypeSafe заявляють, що зосереджуються на вдосконаленні майбутніх моделей.
«Я розумію, що люди вважають це «золотою лихоманкою», але вони можуть недооцінювати складність створення дійсно розумних моделей», — сказав TechCrunch генеральний директор і засновник Діого Алмейда, додавши, що наразі він не бачить реальної конкуренції для своєї компанії.
«Нинішня партія більше схожа на бажання фахівців з машинного навчання реалізувати класну архітектуру, ніж на команду, глибоко віддану справі корисності інтелекту».
За даними порталу: techcrunch.com