بينما تتعامل شركات التكنولوجيا مع واجهة برمجة التطبيقات الخاصة بـ OpenAI، تعتقد هذه الشركة الناشئة أن نماذج الذكاء الاصطناعي الصغيرة الداخلية ستفوز

يريد ZenML أن يكون بمثابة الغراء الذي يجعل جميع أدوات الذكاء الاصطناعي مفتوحة المصدر تلتصق ببعضها البعض. يتيح لك إطار العمل مفتوح المصدر هذا إنشاء مسارات سيستخدمها علماء البيانات ومهندسو التعلم الآلي ومهندسو الأنظمة الأساسية للتعاون وبناء نماذج جديدة للذكاء الاصطناعي.

السبب الذي يجعل ZenML مثيرًا للاهتمام هو أنه يمكّن الشركات من بناء نماذجها الخاصة. وبطبيعة الحال، من المحتمل ألا تقوم الشركات ببناء منافس لـ GPT 4. ولكن يمكنهم بناء نماذج أصغر حجمًا تعمل بشكل جيد لتلبية احتياجاتهم. ومن شأنه أن يقلل من اعتمادهم على موفري واجهة برمجة التطبيقات، مثل OpenAI وAnthropic.

“الفكرة هي أنه بمجرد انتهاء الموجة الأولى من الضجيج مع الجميع الذين يستخدمون OpenAI أو واجهات برمجة التطبيقات مغلقة المصدر، [ZenML] قال لي لويس كوبي، الشريك في شركة Point Nine لرأس المال المغامر: “سوف تمكن الناس من بناء مجموعتهم الخاصة”.

في وقت سابق من هذا العام، قامت ZenML برفع امتداد جولتها الأولية من Point Nine بمشاركة المستثمر الحالي Crane أيضًا. بشكل عام، حصلت الشركة الناشئة التي يقع مقرها في ميونيخ بألمانيا على 6.4 مليون دولار منذ إنشائها.

آدم بروبست وحمزة طاهر، مؤسسا ZenML، عملا معًا سابقًا في شركة كانت تبني خطوط أنابيب تعلم الآلة لشركات أخرى في صناعة معينة. قال لي آدم بروبست، الرئيس التنفيذي لشركة ZenML: “كنا بحاجة يومًا بعد يوم إلى بناء نماذج التعلم الآلي وإدخال التعلم الآلي في الإنتاج”.

ومن هذا العمل، بدأ الثنائي في تصميم نظام معياري يتكيف مع الظروف والبيئات والعملاء المختلفين بحيث لا يضطرون إلى تكرار نفس العمل مرارًا وتكرارًا – وهذا ما أدى إلى ظهور ZenML.

وفي الوقت نفسه، يمكن للمهندسين الذين بدأوا في التعلم الآلي أن يحصلوا على السبق باستخدام هذا النظام المعياري. يطلق فريق ZenML على هذه المساحة اسم MLOps، وهي تشبه إلى حد ما DevOps، ولكنها تنطبق على ML على وجه الخصوص.

“نحن نقوم بربط الأدوات مفتوحة المصدر التي تركز على خطوات محددة من سلسلة القيمة لبناء خط أنابيب للتعلم الآلي – كل شيء في الجزء الخلفي من المقياس الفائق، لذلك كل شيء في الجزء الخلفي من AWS وGoogle – وأيضًا الحلول المحلية قال بروبست.

المفهوم الرئيسي لـ ZenML هو خطوط الأنابيب. عندما تكتب مسارًا، يمكنك بعد ذلك تشغيله محليًا أو نشره باستخدام أدوات مفتوحة المصدر مثل Airflow أو Kubeflow. يمكنك أيضًا الاستفادة من الخدمات السحابية المُدارة، مثل EC2 وVertex Pipelines وSagemaker. يتكامل ZenML أيضًا مع أدوات ML مفتوحة المصدر مثل Hugging Face وMLflow وTensorFlow وPyTorch وما إلى ذلك.

قال حمزة طاهر، المدير التنفيذي للتكنولوجيا في ZenML: “إن ZenML هو الشيء الذي يجمع كل شيء معًا في تجربة واحدة موحدة – إنه متعدد البائعين، ومتعدد السحابة”. فهو يوفر الموصلات وإمكانية الملاحظة وإمكانية التدقيق في سير عمل تعلم الآلة.

أصدرت الشركة لأول مرة إطارها على GitHub كأداة مفتوحة المصدر. جمع الفريق أكثر من 3000 نجم على منصة التطوير. كما بدأت ZenML مؤخرًا في تقديم إصدار سحابي مع خوادم مُدارة – وستتوفر قريبًا مشغلات للتكامل والنشر المستمر (CI/CD).

تستخدم بعض الشركات ZenML في حالات الاستخدام الصناعي، وأنظمة توصيات التجارة الإلكترونية، والتعرف على الصور في البيئة الطبية، وما إلى ذلك. ومن بين العملاء Rivian، وPlaytika، وLeroy Merlin.

نماذج خاصة خاصة بالصناعة

سيعتمد نجاح ZenML على كيفية تطور النظام البيئي للذكاء الاصطناعي. في الوقت الحالي، تضيف العديد من الشركات ميزات الذكاء الاصطناعي هنا وهناك من خلال الاستعلام عن واجهة برمجة التطبيقات الخاصة بـ OpenAI. في هذا المنتج، لديك الآن زر سحري جديد يمكنه تلخيص أجزاء كبيرة من النص. في هذا المنتج، لديك الآن إجابات مكتوبة مسبقًا لتفاعلات دعم العملاء.

ولكن هناك بعض المشكلات المتعلقة بواجهات برمجة التطبيقات هذه، فهي معقدة للغاية ومكلفة للغاية. “OpenAI، أو نماذج اللغات الكبيرة هذه المبنية خلف أبواب مغلقة، مصممة لحالات الاستخدام العامة – وليس لحالات استخدام محددة. قال بروبست: “لذا فهو حاليًا مدرب للغاية ومكلف للغاية بالنسبة لحالات استخدام محددة”.

“سيكون لـ OpenAI مستقبل، ولكننا نعتقد أن غالبية السوق يجب أن يكون لديها حل خاص بها. ولهذا السبب فإن المصادر المفتوحة جذابة للغاية بالنسبة لهم.

ويعتقد سام ألتمان، الرئيس التنفيذي لشركة OpenAI، أيضًا أن نماذج الذكاء الاصطناعي لن تكون بمثابة موقف واحد يناسب الجميع. “أعتقد أن كلاهما لهما دور مهم. قال ألتمان عند إجابته على سؤال حول النماذج الصغيرة المتخصصة مقابل النماذج الواسعة خلال جلسة أسئلة وأجوبة في المحطة F في وقت سابق من هذا العام: “نحن مهتمون بكليهما وسيكون المستقبل مزيجًا من الاثنين”.

هناك أيضًا آثار أخلاقية وقانونية لاستخدام الذكاء الاصطناعي. ولا تزال التنظيمات تتطور إلى حد كبير في الوقت الحقيقي، ولكن التشريعات الأوروبية على وجه الخصوص يمكن أن تشجع الشركات على استخدام نماذج الذكاء الاصطناعي المدربة على مجموعات بيانات محددة للغاية وبطرق محددة للغاية.

“تشير مؤسسة جارتنر إلى أن 75% من المؤسسات تتحول من [proofs of concept] إلى الإنتاج في عام 2024. لذلك ربما يكون العام أو العامين المقبلين من أهم اللحظات في تاريخ الذكاء الاصطناعي، حيث ندخل أخيرًا في الإنتاج باستخدام مزيج من النماذج التأسيسية مفتوحة المصدر المضبوطة بدقة على بيانات الملكية. اخبرني.

وأضاف لاحقًا في المحادثة: “إن قيمة MLOps هي أننا نعتقد أن 99٪ من حالات استخدام الذكاء الاصطناعي ستكون مدفوعة بنماذج أكثر تخصصًا وأرخص وأصغر سيتم تدريبها داخليًا”.