Your Fine-Tuned Model Is Tech Debt: A 50x ROI House of Cards — Dan Bjornn, Lease End
Dan Bjornn visar hur en finjusterad AI-modell som genererade 12 miljoner dollar i intäkter med 50x avkastning på ett år blev allt dyrare att underhålla.
Varje gång något gick fel — när modellen ringde kunder utan att det var läge eller bekräftade möten felaktigt — tog det en vecka att åtgärda: samla exempel på felen, syntetisera nya träningsdata när det inte fanns nog, validera dem manuellt, sortera dem, granska igen, och slutligen träna om (som bara tog en timme). Förr eller senare fixade varje uppdatering ett problem men introducerade ett gammalt igen, så team rankade buggar efter hur mycket kundbeskyllning man tålde. Modellen blev också låst — träningsdata överfördes inte mellan modellversioner, så de kunde aldrig uppgradera till nyare arkitektur. Lösningen var att bygga om systemet med prompter, verktyg och kontext istället för att finjustera: reparationer kunde då skickas ut på under en timme, och totalkostnaden sjönk.
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.