KI

Tilpasning fremstår som en nøkkeltrend i det raskt voksende beslutningsmodell-AI-segmentet

Tendela Briefing ·
4 visninger · 0 Kommentarer
As decision model use skyrockets, is customization the next frontier? | TechCrunch

Bilde: TechCrunch · Kilde

Etter hvert som beslutningsmodeller raskt får bred utbredelse for effektive AI-drevne valg, går oppstartsbedrifter som Sqwish Labs i bresjen for tilpasning ved å trene modeller på kundedata for å finjustere presisjon og relevans.

Beslutningsmodeller, en spesialisert gren av store språkmodeller (LLM) utviklet for å velge mellom forhåndsdefinerte alternativer i stedet for å generere åpne tekstsvar, har opplevd eksplosiv vekst siden sin nylige introduksjon. Innen oktober 2026 utgjorde over 25 % av AI-modellforespørslene på Vercels plattform beslutningsmodeller, noe som understreker den økende etterspørselen etter rask, kostnadseffektiv automatisert beslutningstaking i produksjonsmiljøer.

I motsetning til tradisjonelle LLM som fokuserer på å generere detaljerte resonnementer eller svar, prioriterer beslutningsmodeller raske, pålitelige valg med konfidensmetrikk, noe som gjør dem uvurderlige der latenstid og kostnad betyr mye. Jev-familien av beslutningsmodeller fra TypeSafe har satt en høy adopsjonsstandard, og håndterer etter sigende over 1,5 milliarder forespørsler ukentlig via tjenester som OpenRouter, og bidrar til en verdivurdering på 7,5 milliarder dollar for utvikleren.

Den relativt enkle opprettelsen av beslutningsmodeller har tiltrukket mange aktører, inkludert hyperskala-skyleverandører som Microsoft, som nylig lanserte sin Microsoft-Decision-1.1-modell bredt på Azure. Utbredelsen understreker den økende forståelsen av at beslutningsmodeller er kritiske komponenter i AI-stabler.

Den britiske oppstartsbedriften Sqwish Labs, grunnlagt av Cambridge-kandidatene Ushnish Sengupta og Federica Freddi, utmerker seg ved å la kunder fortløpende tilpasse beslutningsmodeller med egne produksjonsdata. Denne tilnærmingen går utover avhengighet av syntetiske data, som både Sqwish og TypeSafe i stor grad bruker, for å finjustere modellens vurdering i virkelige settinger etter trening. Sengupta beskrev denne evnen som nøkkelen til å unngå standardisering og levere kontinuerlige forbedringer skreddersydd til kundenes behov.

Benchmarker for å sammenligne beslutningsmodeller er fortsatt ufullstendige mål på faktisk ytelse. Bransjeledere advarer om at høye benchmarkresultater ofte ikke direkte oversettes til forretningssuksess fordi begrensninger som kostnad, latenstid og kalibrering over ukjente brukstilfeller spiller en avgjørende rolle. Både Microsoft og TypeSafe understreker balansert ytelse framfor toppresultater på benchmark.

Fremover forventer eksperter at beslutningsmodeller (kalt "System One" intelligens) vil utfylle mer generelle frontlinje-LLM ("System Two" intelligens) og skape synergistiske AI-systemer. For oppstartsbedrifter som Sqwish representerer et eksklusivt fokus på beslutningsmodeller en betydelig markedsmulighet adskilt fra sektorjättenes trillionambisjoner.

Denne utviklingen reflekterer en voksende front innen AI der skreddersydd, datadrevet tilpasning ligger til grunn for praktisk implementering, og møter behovene til bedrifter som krever presis, effektiv beslutningstaking heller enn bare omfattende generative modeller.

Kilder og originalrapportering

Kilde: TechCrunch
Les originalkilden ↗

Kommentarer (0)

Ingen kommentarer ennå. Start diskusjonen.

Skriv en kommentar

Kommentarer publiseres etter moderering. Ditt navn og kommentar vil være synlige offentlig. Konto