Scaling Compute on Context — Jack Morris, Engram
Jack Morris från Engram förklarar varför det är svårt att få AI-modeller att förstå privat företagsdata.
Modeller tränas på offentlig data från internet och blir mycket bra där, men när du försöker lära dem din egen data blir de ofta värdelösa när de ska generera resultat. Han beskriver tre klassiska vägar att förbättra detta — mer data, mer beräkningskraft och större modeller — men säger att när det gäller privat data är bara beräkningskraft ett alternativ. Han går igenom olika tekniker som KV-kompression och syntetisk träningsdata, men visar att de alla stannar upp när modellen har lärt sig allt du givit den, och det finns inget magiskt sätt att fortsätta förbättra med mer beräkningskraft.
Sammanfattningen är skriven av Vibekollen utifrån källans egen publicering. Innehållet tillhör AI Engineer.
Mer från AI Engineer
SOTA Generative Media Panel — Dumitru Erhan, Shane Gu & Nicole Brichtova, Google DeepMind
AI Engineer 30 aug.
Tell the Robot What You Want — Sandhya Subramani, AWS
AI Engineer 29 aug.
The Signal Layer: What to Build When Anything Can Be Built — Lena Hall, Akamai
AI Engineer 29 aug.
Tribal Dungeons of Global Shipping: AI Agents at Global Scale — Dmitry Buykin, Maersk
AI Engineer 29 aug.