为什么企业人工智能的经济学青睐动态模型路由

由Snowflake呈现 随着人工智能进入核心业务运营，领导团队正在将重点从用户人数和代币消费转移到一个更重要的问题上：计算、数据和上下文如何有效地转化为业务成果？ 有效衡量人工智能的投资回报率需要以我们所谓的情报效率为中心的严格运营纪律--将组织使用的模型和资源与他们最终创造的价值联系起来。 在围绕企业人工智能架构的讨论中，领导者经常被迫在标准化专有模型还是致力于开源之间做出决定。 标准化可以简化架构和扩展，但在发展如此迅速的市场中，今天针对给定用例的最佳模型可能不是三个月后的最佳模型。该框架将模型选择视为一个二元决策，忽略了生态系统实际上的流动性。随着开源创新的兴起，能力不再局限于单个模型提供商。 随着推理支出的规模，领导团队很自然地通过整合来寻求可预测性。然而，应用严格的单一模型指令将人工智能视为静态软件，而不是动态创新。 考虑组织如何建立高绩效团队。没有一位高管试图为每个职位配备最昂贵的专家，他们也不会仅仅为了最大限度地减少开支而雇用成本最低的候选人。他们将正确的专业知识与手头的工作相匹配。企业人工智能需要相同的运营纪律。正如我们不会对每个工作负载使用相同的数据库或计算设置一样，我们也不应该对每个人工智能任务使用相同的方法。 现代数据架构应该将模型选择视为动态匹配问题，具体取决于任务的难度、需要多快、成本多少以及数据的敏感性。 当然，动态匹配的可靠性取决于驱动它的评估。

注：以上内容摘选自原始新闻，点击「访问原文」查看完整内容。