Настройка становится ключевым трендом в быстрорастущем секторе ИИ-моделей принятия решений

Image: TechCrunch · Source
По мере быстрого распространения моделей принятия решений для эффективного выбора с использованием ИИ стартапы, такие как Sqwish Labs, первыми внедряют настройку, обучая модели на данных клиентов для повышения точности и релевантности.
Модели принятия решений, специализированная ветвь больших языковых моделей (LLM), разработанных для выбора из заранее заданных вариантов, а не генерации открытого текста, пережили взрывной рост с момента их недавнего появления. К октябрю 2026 года более 25% запросов к ИИ-моделям на платформе Vercel приходилось на модели принятия решений, что подчеркивает растущий спрос на быстрые и экономичные автоматизированные решения в производственной среде.
В отличие от традиционных LLM, которые сосредоточены на генерации подробных рассуждений или ответов, модели принятия решений делают акцент на быстрых, надежных выборах с метриками уверенности, что делает их незаменимыми там, где важны задержки и стоимость. Семейство моделей принятия решений Jev от TypeSafe установило высокую планку для внедрения, обрабатывая, по сообщениям, более 1,5 миллиарда запросов еженедельно через сервисы вроде OpenRouter и обеспечив оценку своего создателя в 7,5 миллиарда долларов.
Относительная простота создания моделей принятия решений привлекла многих участников, включая гипермасштабные облачные провайдеры, такие как Microsoft, который недавно широко представил модель Microsoft-Decision-1.1 на Azure. Такое распространение подтверждает растущее признание моделей принятия решений как критически важных компонентов стеков ИИ.
Базирующийся в Великобритании стартап Sqwish Labs, соучредителями которого являются выпускники Кембриджа Ушниш Сенгупта и Федерика Фредди, выделяется тем, что позволяет клиентам постоянно настраивать модели принятия решений на основе их собственных производственных данных. Такой подход выходит за рамки использования синтетических данных, которые широко применяют и Sqwish, и TypeSafe, для тонкой настройки решений модели в реальных условиях после обучения. Сенгупта назвал эту возможность ключевой для избегания товарности и предоставления постоянных улучшений, ориентированных на потребности клиентов.
Бенчмарки для сравнения моделей принятия решений остаются несовершенными показателями реальной производительности. Лидеры отрасли предупреждают, что высокие результаты в бенчмарках часто не переходят напрямую в успехи предприятий, так как ограничения по стоимости, задержкам и калибровке для неизведанных случаев использования играют решающую роль. Как Microsoft, так и TypeSafe подчеркивают сбалансированную производительность вместо пиковых результатов в бенчмарках.
Взгляд в будущее показывает, что модели принятия решений (названные «интеллектом системы один») будут дополнять более универсальные передовые LLM («интеллект системы два»), создавая синергетические системы ИИ. Для стартапов, таких как Sqwish, фокус исключительно на моделях принятия решений представляет собой значительную рыночную возможность, отличающуюся от многотриллионных амбиций гигантов сектора.
Эта эволюция отражает новую грань в ИИ, где индивидуальная, основанная на данных настройка лежит в основе практического внедрения, удовлетворяя потребности бизнеса, требующего точных и эффективных возможностей принятия решений, а не только расширенных генеративных моделей.
Источники и первоисточники
Read the original source ↗

Комментарии (0)
Комментариев пока нет. Начните обсуждение.
Написать комментарий
Комментарии публикуются после модерации. Ваше имя и комментарий будут видны всем. Аккаунт