Wenn Unternehmensleiter generative künstliche Intelligenz in ihre Operationen integrieren, stehen sie vor einer kritischen Entscheidung: Sollten sie KI-Funktionen mithilfe von Open-Source-Modellen entwickeln oder von propriet?ren, geschlossenen Optionen abh?ngen? Das Erkennen der Konsequenzen dieser Entscheidung kann bestimmen, ob eine Organisation einen dauerhaften Wettbewerbsvorteil erreicht oder einen kostspieligen strategischen Fehler macht.

Aber was bedeutet "Open Source" wirklich?

Die Open-Source-Initiative (OSI) definiert offene Software als das, was den Benutzern die Freiheit gew?hrt, sie für jeden Zweck zu verwenden, zu untersuchen, wie sie funktioniert, ?nderungen vornehmen und sowohl die ursprünglichen als auch die ver?nderten Versionen teilen. Im Kontext von KI würden wirklich Open-Source-Systeme die Modellarchitektur (den Rahmen für die Art und Weise, wie KI-Daten verarbeitet), Schulungsdatenmethoden (Dokumentation der Auswahl der Daten im Training) und Modellgewichte (numerische Werte, die das erlernte Wissen der KI) ausgew?hlt und verwendet) enthalten.

Nur sehr wenige KI -Modelle erfüllen jedoch die Kriterien der OSI für Offenheit.

Das Spektrum der Offenheit

W?hrend vollst?ndig Open-Source-Modelle eine vollst?ndige Transparenz bieten, z?gern die meisten Entwickler, ihre gesamten Codebasen zu ver?ffentlichen, und noch weniger offenlegen die für das Training verwendeten Datens?tze. Viele sogenannte Fundamentmodelle-die gr??ten generativen KI-Systeme-werden in Daten mit fragwürdigem oder m?glicherweise verletztes Urheberrechtsstatus geschult.

H?ufiger sind offene Modelle mit offenem Gewicht, die ?ffentliche Zugriff auf Modellgewichte erm?glichen, nicht jedoch die vollst?ndigen Trainingsdaten oder Architektur. Dies erm?glicht eine schnellere Bereitstellung und Experimente mit begrenzten Ressourcen, obwohl es die Bemühungen behindert, Vorurteile zu identifizieren oder die Genauigkeit ohne vollst?ndige Sichtbarkeit zu verbessern.

Einige Unternehmen folgen einem angesiedelten Offenheitsansatz. Sie k?nnen ?ltere Versionen von propriet?ren Modellen ver?ffentlichen, sobald neuere verfügbar sind und teilweise Einblicke in die Architektur bieten und gleichzeitig den Zugang zu modernen Entwicklungen einschr?nken. Selbst dann werden Schulungsdaten selten ver?ffentlicht.

Die richtige Wahl treffen

Ob ein Unternehmen sich für ein propriet?res System wie GPT-4O oder ein teilweise offenes wie Lama 3.3 entscheidet, h?ngt weitgehend von seinen spezifischen Bedürfnissen ab. Viele Organisationen verwenden eine Kombination sowohl offener als auch geschlossener Modelle.

Eine wichtige überlegung ist, wo das Modell gehostet wird. Für regulierte Sektoren wie Finanzen, bei denen sensible Daten aufgrund von Compliance-Anforderungen nicht interne Systeme verlassen k?nnen, sind Open-Source-Modelle h?ufig die einzige machbare Wahl. Da propriet?re Modellsch?pfer ihr geistiges Eigentum schützen müssen, sind diese Modelle in der Regel nur über Remote -APIs zug?nglich.

Im Gegensatz dazu k?nnen Open-Source-Modelle entweder vor Ort oder in der Cloud bereitgestellt werden.

Beide Arten von Modellen k?nnen für bestimmte Anwendungen fein abgestimmt werden, aber Open-Source-Modelle erm?glichen eine st?rkere Anpassung und eine tiefere Integration. Darüber hinaus müssen die w?hrend der Feinabstimmung verwendeten Daten die Infrastruktur des Unternehmens nicht verlassen. Feinabstimmende propriet?re Modelle erfordern weniger technisches Fachwissen, müssen jedoch in der Cloud auftreten.

Die Kosten- und Reaktionszeit spielen ebenfalls eine Rolle. Propriet?re Anbieter arbeiten in der Regel im Ma?stab und erm?glichen eine schnelle, konsistente Leistung-entscheidend für hochvolumige Verbraucher-Tools wie Chatbots oder virtuelle Assistenten, die t?glich Millionen von Interaktionen bearbeiten.

Obwohl Open-Source-KI im Laufe der Zeit kostengünstiger sein kann, erfordert das Erreichen von vergleichbarer Geschwindigkeit und Zuverl?ssigkeit erhebliche Investitionen in Infrastruktur und qualifiziertes Personal.

Die Einhaltung der regulatorischen Einhaltung ist ein weiterer wichtiger Faktor. Das Gesetz über künstliche Intelligenz der Europ?ischen Union führt zu strengeren Transparenz- und Rechenschaftspflicht -Standards für propriet?re KI -Systeme. Insgesamt übernehmen propriet?re Anbieter h?ufig einen Gro?teil der Compliance -Belastung und verringern den Druck auf Unternehmen. In den USA untersucht die National Telecommunications and Information Administration (NTIA) risikobasierte Frameworks zur Bewertung der Offenheit von KI.

Sicherheit ist auch ein Problem. Bei propriet?ren Modellen verlassen sich Unternehmen auf den Anbieter, um eine robuste Sicherheit zu gew?hrleisten. Diese mangelnde Sichtbarkeit kann jedoch Schwachstellen verbergen und die Organisationen von Anbietern abh?ngig machen, um Probleme zu erkennen und zu beheben.

Im Gegensatz dazu profitieren Open-Source-Modelle von globalen Gemeinschaften von Sicherheitsexperten, die Bedrohungen schnell identifizieren und l?sen.

Dennoch bevorzugen viele Unternehmen die Einfachheit von API-basierten propriet?ren Modellen für die schnelle Entwicklung. Für kundenorientierte Produkte bieten propriet?re Modelle eine einfache Integration und hohe Reaktionsf?higkeit.

Werden Open-Source-Modelle geschlossene übertreffen?

Eine noch gr??ere Frage taucht über die Zukunft offener und geschlossener Modelle auf. Da sich Open-Source-Modelle in der Leistung verbessern-manchmal auch Top-propriet?re Modelle übereinstimmen oder sogar übertreffen-, wird die langfristige wirtschaftliche Lebensf?higkeit von geschlossenen Modellen ungewiss.

China verfolgt aggressiv eine Open-Source-Strategie und senkt die Kosten, um mit westlichen Unternehmen wie OpenAI zu konkurrieren. Durch die offene Weitergabe von Forschung, Code und Modellen ist China darauf abzielt, fortschrittliche KI -F?higkeiten zu einem Bruchteil des Preispreises für propriet?re Alternativen zu liefern.

Umsetzbare Erkenntnisse für Gesch?ftsführer

Recall Betamax, Sonys propriet?res Videoformat aus den 1970er Jahren. Es verlor letztendlich das offenere VHS-Format-ein Schicksal, das für geschlossene KI-Modelle vorhersagen, wenn Alternativen für Open-Source-Alternativen steigen.

Führungskr?fte müssen ihre KI -Ziele eindeutig definieren - unabh?ngig davon, ob sie sich auf Effizienz, Innovation, Risikominderung oder Vorschriften für beh?rdliche Vorschriften konzentrieren - und diese Ziele ihre Modellauswahl und ihre Implementierungsstrategien pr?gen lassen. Sie k?nnen zum Beispiel Open-Source-Gemeinschaften für Innovation und Prototyping nutzen, w?hrend sie sich auf propriet?re Systeme für sichere, missionskritische Aufgaben verlassen.

Die strategische Zusammenarbeit mit externen Partnern und die intelligente Verwendung von offenen und geschlossenen Modellen k?nnen verantwortungsbewusste Innovationen erm?glichen und die Wettbewerbsf?higkeit aufrechterhalten.

Letztendlich müssen Gesch?ftsführer ihre betrieblichen Bedürfnisse, Datenempfindlichkeiten und technischen Kapazit?ten verstehen und entsprechend w?hlen. Die Wahl zwischen Open-Source und propriet?rer KI ist keine Entscheidung mit Ja-oder-ohne, sondern vielmehr darum, den richtigen Punkt entlang eines Spektrums von geschlossen bis vollst?ndig offen zu finden.

Das obige ist der detaillierte Inhalt vonWas Führungskr?fte über Open-Source und Proprietary-Modelle wissen müssen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!