Poza LLM: jak duże modele ilościowe SandboxAQ mogą zoptymalizować sztuczną inteligencję przedsiębiorstwa

Choć w zeszłym roku w dyskusjach na temat sztucznej inteligencji w przedsiębiorstwach zdominowały duże modele językowe (LLM) i generatywna sztuczna inteligencja, istnieją inne sposoby, w jakie przedsiębiorstwa mogą skorzystać na sztucznej inteligencji.

Jedną z alternatyw jest duży model ilościowy (LQM). Modele te są szkolone pod kątem optymalizacji pod kątem określonych celów i parametrów związanych z branżą lub aplikacją, takich jak aktywa fizyczne lub wskaźniki ryzyka finansowego. Kontrastuje to z bardziej ogólnymi zadaniami związanymi ze zrozumieniem języka i produkcją LLM. jest jednym z wiodących zwolenników i sprzedawców komercyjnych LQM PiaskownicaAQKtóra ogłosiła dzisiaj, że zebrała 300 milionów dolarów w nowej rundzie finansowania. Firma była pierwotnie częścią Alphabet i została wydzielona jako odrębna firma w 2022 roku.

Finansowanie to świadczy o sukcesie firmy, a co ważniejsze, o jej przyszłych perspektywach rozwoju w zakresie rozwiązywania przypadków zastosowań sztucznej inteligencji w przedsiębiorstwach. SandboxAQ nawiązał współpracę z wiodącymi firmami konsultingowymi, w tym Accenture, Deloitte i EY, w celu dostarczania rozwiązań dla przedsiębiorstw. Główną zaletą LQM jest ich zdolność do rozwiązywania złożonych problemów specyficznych dla danej dziedziny w branżach, w których ważne są leżące u ich podstaw zależności fizyczne i ilościowe.

„Chodzi o budowanie podstawowych produktów w firmach korzystających z naszej sztucznej inteligencji” – powiedział VentureBeat, dyrektor generalny SandboxAQ, Jack Hidary. „Jeśli więc chcesz stworzyć lek, diagnozę, nowy materiał lub chcesz zarządzać ryzykiem w dużym banku, to właśnie tutaj świecą modele ilościowe”.

Dlaczego LQM są ważne dla sztucznej inteligencji przedsiębiorstwa?

LQM mają inne cele i działają inaczej niż LLM. W przeciwieństwie do LLM, które przetwarzają dane tekstowe pochodzące z Internetu, LQM generują swoje dane na podstawie równań matematycznych i zasad fizycznych. Celem jest sprostanie wyzwaniom ilościowym, przed którymi może stanąć przedsiębiorstwo.

„Przygotowujemy dane i pozyskujemy je ze źródeł ilościowych” – wyjaśnił Hidri.

Takie podejście umożliwia osiągnięcie sukcesu w obszarach, w których tradycyjne metody utknęły w martwym punkcie. Na przykład przy opracowywaniu akumulatorów, gdzie od 45 lat dominuje technologia litowo-jonowa, LQM mogą symulować miliony możliwych kombinacji chemicznych bez fizycznych prototypów.

Podobnie w przypadku rozwoju produktów farmaceutycznych, gdzie tradycyjne podejścia charakteryzują się dużą awaryjnością w badaniach klinicznych, LQM może analizować struktury molekularne i interakcje na poziomie elektronów. Tymczasem w usługach finansowych LQM eliminują ograniczenia tradycyjnych podejść do modelowania.

„Symulacja Monte Carlo nie jest już wystarczająca, aby poradzić sobie ze złożonością ustrukturyzowanych urządzeń” – powiedział Hidari.

Symulacja Monte Carlo to klasyczna forma algorytmu obliczeniowego, która w celu uzyskania wyników wykorzystuje próbkowanie losowe. Dzięki podejściu SandboxAQ LQM firma świadcząca usługi finansowe może skalować działalność w sposób, którego nie umożliwia symulacja Monte Carlo. Hidri powiedział, że niektóre portfele finansowe mogą stać się zbyt złożone w przypadku wszelkiego rodzaju instrumentów i opcji strukturyzowanych.

„Jeśli mam portfel i chcę wiedzieć, jakie ryzyko kryje się za zmianami w tym portfelu” – powiedział Hidri. „Chcę stworzyć wersję tego portfela o wartości 300–500 milionów z niewielkimi zmianami, a następnie chcę przyjrzeć się ostatecznemu ryzyku”.

Jak SandboxAQ wykorzystuje LQM do poprawy cyberbezpieczeństwa

Technologia LQM firmy Sandbox AQ koncentruje się na umożliwieniu przedsiębiorstwom tworzenia nowych produktów, materiałów i rozwiązań, a nie po prostu optymalizacji istniejących procesów.

Cyberbezpieczeństwo to także jeden z obszarów przedsiębiorstwa, w którym firma wprowadza innowacje. W 2023 roku firma po raz pierwszy wypuściła technologię zarządzania kryptografią Sandwich. Od tego czasu został on dodatkowo rozszerzony o rozwiązanie korporacyjne AQtive Guard firmy.

Oprogramowanie może analizować pliki, aplikacje i ruch sieciowy przedsiębiorstwa w celu identyfikacji używanych algorytmów szyfrowania. Obejmuje to wykrywanie użycia przestarzałych lub uszkodzonych algorytmów szyfrowania, takich jak MD5 i SHA-1. SandboxAQ wprowadza te informacje do modelu zarządzania, który może ostrzegać dyrektorów ds. bezpieczeństwa informacji (CISO) i zespoły ds. zgodności o potencjalnych lukach w zabezpieczeniach.

Chociaż LLM można wykorzystać w tym samym celu, LQM oferuje inne podejście. LLM są szkoleni w oparciu o obszerne, nieustrukturyzowane dane internetowe, które mogą zawierać informacje o algorytmach szyfrowania i lukach w zabezpieczeniach. Natomiast LQM Sandbox AQ jest zbudowany przy użyciu ukierunkowanych, ilościowych danych na temat algorytmów szyfrowania, ich właściwości i znanych luk w zabezpieczeniach. LQM wykorzystują te ustrukturyzowane dane do tworzenia modeli i wykresów wiedzy specjalnie do analizy szyfrowania, zamiast polegać na ogólnym zrozumieniu języka.

Patrząc w przyszłość, Sandbox AQ pracuje również nad przyszłym modułem ulepszeń, który może automatycznie sugerować i wdrażać aktualizacje używanego szyfrowania.

Wymiary kwantowe bez komputerów kwantowych i transformatorów

Podstawową ideą SandboxAQ było połączenie technik AI z obliczeniami kwantowymi.

Hidari i jego zespół wcześnie zdali sobie sprawę, że prawdziwe komputery kwantowe nie będą łatwo dostępne ani tak wydajne w perspektywie krótkoterminowej. SandboxAQ wykorzystuje zasady kwantowe realizowane poprzez zaawansowaną infrastrukturę GPU. Dzięki partnerstwu SandboxAQ rozszerzył możliwości CUDA Nvidii w zakresie obsługi technologii kwantowych.

SandboxAQ nie korzysta również z Transformersów, które są podstawą prawie wszystkich LLM.

„Modele, które szkolimy, to modele sieci neuronowych i wykresy wiedzy, ale nie są transformatorami” – powiedziała Hidri. „Możesz generować na podstawie równań, ale możesz także mieć dane ilościowe pochodzące z czujników lub innych typów źródeł i sieci”.

Chociaż LQM różni się od LLM, Hidari nie postrzega go jako sytuacji albo-albo dla przedsiębiorstw.

Powiedział: „Wykorzystuj LLM do tego, w czym są dobrzy, a następnie używaj LQM do tego, w czym są dobrzy”.