Meta, kişisel asistan uygulaması Muse ve Meta AI platformu kullanıcıları için yeni ve uzmanlaşmış yapay zeka modellerini sunduğunu duyurdu. Bu hafif modeller, şirketin gelişmiş Muse Wonder modeli kullanılarak eğitildi; şirket ise orijinal Wonder modelini daha karmaşık görevler ve API üzerinden abone olanlar için saklı tutuyor.
Meta, yeni modeller için ticari isimler veya resmi semboller açıklamadı ancak bunların, ne zaman bağımsız çalışılması gerektiğini veya ne zaman kullanıcıya danışılması gerektiğini belirlemek ve temel bağlamı kaybetmeden görevler sırasında anlık düzenlemelerle başa çıkmak gibi sıradan kullanıcının pratik ihtiyaçlarına uygun olarak özel olarak tasarlandığını belirtti.
Aktif Bellek Özelliği ve Bağlam Yönetimi
Yeni modeller, daha önce Wonder modeliyle sunulan ve modellerin ayrıntıları hatırlamasına, önceki ve yeni konuşmalar arasında bağlantı kurmasına yardımcı olan bir teknoloji olan Active Memory (Aktif Bellek) özelliğine dayanıyor. Meta'nın dahili değerlendirme verilerine göre, Muse'deki yeni modeller, önceki sürümlerdeki %76'lık orana kıyasla görevlerin %90'ında kritik bağlamı kullanmada başarılı oldu.
Engelleri Aşmak İçin Aktif Odak
Belleğin yanı sıra Meta, modelleri, bir randevu alırken veya rutin bir görevi tamamlarken web sitelerinin çökmesi gibi gerçek dünyadaki engellerle veya ani hatalarla karşılaşıldığında iş sürekliliğini sağlamak için tasarlanmış Active Focus (Aktif Odak) özelliği ile donattı. Meta, güncellenmiş modelleri kullanarak beklenmedik sorunlarla karşılaşıldığında rutin görevlerin tamamlanmasında %67'lik bir iyileşme kaydetti.
Bu Gelişme Pratik Olarak Ne Anlama Geliyor?
Bu lansman, gelişmiş yapay zeka yeteneklerini WhatsApp, Instagram, Facebook ve Messenger gibi uygulamalar aracılığıyla geniş bir ücretsiz kullanıcı kitlesine ulaştırmak için maliyet etkin bir stratejiyi temsil ediyor. Meta, tüm kullanıcılar için Wonder gibi devasa ve yüksek maliyetli bir modeli çalıştırmak yerine, posta kutusu yönetimi veya restoran rezervasyonu gibi belirli görevlere daha odaklanmış daha küçük modeller eğitmek için büyük modelleri kullanıyor; bu da işletme maliyetlerini düşürürken tüketici uygulamalarındaki yanıt verimliliğini koruyor.