Der Aufstieg von Entscheidungsmodellen: Werden datenbasierte Anpassungen der nächste Trend?
Die Landschaft der künstlichen Intelligenz erlebt einen bemerkenswerten Wandel, da Entscheidungsmodelle (Decision Models) einen großen Anteil an intelligenten Rechenaufgaben übernehmen. Laut Daten der Plattform Vercel überstiegen die Anfragen für diese Modelle im Oktober ein Viertel der Gesamtanfragen, was eine zunehmende Abhängigkeit von Werkzeugen widerspiegelt, die darauf ausgelegt sind, schnelle Entscheidungen zwischen vordefinierten Optionen zu treffen, anstatt lange Texte zu generieren.
Was sind Entscheidungsmodelle?
Diese Modelle unterscheiden sich von herkömmlichen großen Sprachmodellen (LLMs) dadurch, dass sie keine Textausgaben erzeugen, sondern sich darauf konzentrieren, ihre allgemeine Intelligenz für sofortige und kostengünstige Entscheidungen zu nutzen, wobei sie einen Indikator für das Vertrauensniveau der getroffenen Entscheidung liefern. Diese Eigenschaften sind in Produktionsumgebungen entscheidend, die eine extrem schnelle Reaktionszeit erfordern, welche die Genauigkeit langsamer, massiver Modelle übertrifft.
Die Wettbewerbslandschaft
Die Modellfamilie Jev von TypeSafe dominiert diesen Sektor, da sie in nur einer Woche mehr als 1,5 Milliarden Anfragen verarbeitet hat. Dennoch sind die großen Technologieunternehmen (Hyperscalers) stark in das Rennen eingestiegen, wobei Microsoft die Einführung seines eigenen Modells Microsoft-Decision-1.1 über die Azure-Plattform ankündigte.
Gleichzeitig entwickeln sich Start-ups zu einem zentralen Akteur in diesem Bereich; das britische Unternehmen Sqwish kündigte eine Finanzierungsrunde in Höhe von 3 Millionen Dollar für die Entwicklung seines Modells kettei fat an, wobei der Schwerpunkt auf Werkzeugen liegt, die es Benutzern ermöglichen, die Modelle mit ihren eigenen Daten zu trainieren, um die Genauigkeit der Urteile zu verbessern.
Warum ist diese Nachricht wichtig?
Praxistests bestätigen, dass eine übermäßige Abhängigkeit von Leistungsbenchmarks in realen Arbeitsumgebungen irreführend sein kann. Experten wie Achint Srivastava von Microsoft weisen darauf hin, dass die wahre Herausforderung darin besteht, vier Dimensionen in Einklang zu bringen: Genauigkeit, Zuverlässigkeit, Geschwindigkeit und Kosteneffizienz.
Was ändert sich in der Praxis?
Der Fokus verlagert sich von der bloßen Erstellung allgemeiner Modelle hin zur Bereitstellung von Werkzeugen, die es Unternehmen ermöglichen, Modelle mit ihren eigenen Daten anzupassen (Post-Training-Tools). Dieser Trend verschafft Unternehmen einen Wettbewerbsvorteil, da die Modelle bei den spezifischen Aufgaben, die für den Benutzer wichtig sind, kompetenter werden, was verhindert, dass diese Technologien zu bloßen digitalen Standardprodukten (Commodity) werden.
Beobachter erwarten, dass die Zukunft eine Integration zwischen der Intelligenz des ersten Systems (schnelle Entscheidungsmodelle) und der Intelligenz des zweiten Systems (komplexe große Sprachmodelle) sehen wird, wobei diese Systeme Seite an Seite arbeiten, um integrierte technische Lösungen anzubieten.