Conversion AI kan være nøkkelen til å unngå et teknologisk platå

Etterspørselen etter innhold ser en stødig og kraftig vekst. For å få en realistisk idé om vekstraten gjennomførte Adobe (ADBE ) en undersøkelse som omfattet mer enn 2,600 kundeservice- og markedsføringsprofesjonelle på tvers av store globale økonomier. 

Undersøkelsesresultatene, publisert av Adobe i mars 2023, indikerte en vekst i etterspørselen etter innhold på minst to ganger i løpet av de siste to årene. Omtrent to tredjedeler var enda mer optimistiske om innholdets fremtid. De sa at de forventet at etterspørselen ville vokse med mellom fem og tjue ganger i løpet av de neste tjue timene. 

Å imøtekomme denne etterspørselen har tvunget selskaper til å velge nye innholdsproduksjonsmodeller. Ifølge World Federation of Advertisers, har over halvparten av de store internasjonale selskapene utviklet interne innholdsproduksjonskapasiteter. Men er det nok? Vel, Conversion AI har tatt utfordringen. 

Hva er Conversion AI?

Conversion AI handler om å bruke kunstig intelligens for å hjelpe bedrifter med å kommunisere bedre med kundene sine og øke salget. Det gjør dette ved å hjelpe til med å lage, forbedre og administrere innhold som tekst, bilder og lyd. Dette gjør det enklere for selskaper å fange publikums oppmerksomhet, lage innhold som virkelig resonnerer med dem, og forbedre brukeropplevelsen, alt gjennom smart AI‑teknologi.
I dag kan selskaper bruke Conversion AI til å oppnå en rekke innholdsmarkedsføringsmål, inkludert Facebook‑ og Google‑annonsetekster, nettsideinnhold, sosiale innlegg og mer. Men hvordan gjør Conversion AI alt dette mulig? Hva er teknologien som driver det? For det må vi kjenne til store språkmodeller, eller LLM‑er. 

Hva er en stor språkmodell?

Det er en type AI som kan lære fra store mengder tekst og data. Det finnes bruksområder hvor disse AI‑modellene kan håndtere hundrevis av milliarder datapunkter for å komme frem til meningsfulle innsikter, strategier og prognoser. 

Opprinnelsen til LLM‑er i korthet

De moderne LLM‑ene dukket opp for seks år siden, i 2017. Disse LLM‑ene brukte transformer‑modeller som kunne håndtere et stort antall parametere for å forstå og generere presise svar raskt. 
Fire år senere, i 2021, kom Stanford Institute for Human-Centered Artificial Intelligence med begrepet og konseptet grunnmodeller. Navnet stammer fra det faktum at disse modellene, store og innflytelsesrike, fungerer som grunnlag for videre optimaliseringer og bruksområder. Med utviklingen av LLM har innholdsproduksjon, spesielt i skriftlig form, gjennomgått betydelige endringer. 

LLM‑enes påvirkning

ARK Invests forskning viser at i løpet av de siste to årene har skrivekvaliteten til LLM‑ene opplevd betydelig forbedring. Dette har ført til økt tillit og utrulling av LLM‑drevne løsninger for å generere innhold. 

Som et resultat har kostnaden for å skrive innhold falt dramatisk. Den var relativt konstant i reelle termer gjennom det siste århundret, nær US$100 per 1000 skrevne ord. I løpet av de siste to årene har denne satsen imidlertid falt til US$0,10 og enda lavere. 

Ytelsen og produktiviteten vil forbedres ytterligere ettersom AI‑treningsytelsen raskt utvikler seg. AI‑forskere innoverer innen trening og inferens, maskinvare og modellutforming, og forbedrer ytelsen samtidig som kostnadene reduseres. Det forventes å gi over fem ganger ytelsesgevinster i 2024, med 2023 som basisår.

Det har vært flere algoritmeinnovasjoner som har resultert i overlegen skriveevne og forbedret produktivitet og ytelse for LLM‑ene. Forsterkningslæring fra menneskelig tilbakemelding har for eksempel hjulpet mye. Promptene har blitt optimalisert til å overgå menneskelige prompt med mer enn 50 %.

Spesulative dekodingskapasiteter har økt inferenshastigheten to til tre ganger på spesifikke modeller. Forskere har også vært proaktive i å prioritere inferenskostnader. Og deres innsats viser resultater i praksis, med inferenskostnader som faller med en årlig rate på nær 86 %, raskere enn treningskostnader. GPT‑modeller har sett nesten tre ganger raskere trening med Flash Attention 2. 

Med alle disse forbedringene og oppgraderingene som skjer i rakettfart, pågår også undersøkelser for å fastslå om et potensielt platå er nært forestående i bruken av LLM‑er, og om en slik situasjon kan unngås. 

Klikk her for å lære hvorfor 2023 var gjennombruddsåret for kunstig intelligens.

Potensielt platå for LLM‑er og hvordan unngå det

Forskerne undersøker et mulig scenario der LLM‑ene går tom for data, noe som resulterer i begrenset ytelse. LLM‑er må kontinuerlig mates med store mengder treningsdata for å fortsette å lære og forbedre seg. Imidlertid ser datakraft og potensiell mangel på treningsdata ut til å være en bekymring. 

Ifølge estimater fra Epoch AI kan høykvalitets språk‑/datakilder, inkludert bøker og vitenskapelige artikler, bli uttømt innen 2024. Da må man hente fra et større sett med uutforskede visjonsdata. Disse uutnyttede visjonsdataene som kan hjelpe LLM‑ene å unngå platå, inkluderer talte ord og andre typer fysiske verdensdata. 

Forskning viser at årlig blir tretti kvadrillioner ord uttalt. Tale‑til‑tekst‑generatorer og lignende verktøy fanger mer enn 80 trillioner ord daglig. I tillegg finnes det taxier, lastebiler, droner og andre robotkjøretøy som genererer store mengder fysiske verdensdata og syntetiske data som supplerer primærdata. Alle disse uutforskede dataene kan fungere som en uovertruffen ressursrikdom og gjøre LLM‑er bedre. 

Imidlertid handler forbedringer i ytelse, produktivitet og kvalitet ikke bare om å finne uutforskede dataminere. Flere innovative selskaper gjør helhetlige innsats for å forbedre situasjonen. 

#1. Replit AI

Når det gjelder å øke produktiviteten, har Replit AI vært en av de største suksesshistoriene. Som en kodeassistent har den økt produktiviteten og jobbtilfredsheten blant programvareutviklere. Den hjelper med å fjerne de iterative delene av koding slik at man kan fokusere på de kreative delene av arbeidet. 

Replit AI strømlinjeformer koding ved å integrere en AI‑kodegenerator som eliminerer behovet for å bytte faner, og tilbyr automatisk fullføringsforslag for raskere fremdrift. Den forbedrer prosjektforståelsen med sin Code Context‑funksjon for å skrive relevante neste linjer og oppdager proaktivt problemer, og foreslår rettinger direkte i et sømløst redigeringsgrensesnitt.

Alt i alt er Replit AI en effektiv pakke med AI‑kodegenereringsfunksjoner, inkludert Complete Code, Generate Code, Edit Code og Explain Code. 

Det som driver Replit AI er LLM‑er. Den returnerer resultater generert fra store språkmodeller trent på offentlig tilgjengelig kode og finjustert av Replit. Den tar hensyn til den konversasjonelle prompten og programmeringsspråket man bruker for å gi forslag og forklaringer på den genererte koden. 

Replit AIs funksjoner er tilgjengelige gratis for alle brukere. Alt man trenger er en Replit‑konto. Replit AI fungerer best med JavaScript‑ og Python‑kode, men støtter 16 språk, inkludert Bash, C, C#, C++, CSS, Go, Java, JavaScript, HTML, PHP, Perl, Python, R, Ruby, Rust og SQL. 

Ifølge den nyeste tilgjengelige informasjonen, selskapet hentet inn US$97,4 millioner med en verdivurdering på US$1,16 milliarder for å utvide sine skybaserte tjenester og lede AI‑utviklingen i april 2023. 

#2. Github Copilot

En annen kodeassistenttjeneste, lik Replit AI, som har bidratt til å forbedre utvikleres produktivitet på kodeoppgaver med 2,2 ganger i 2023, er Github Copilot. Github Copilot tilbyr kontekstuell assistanse gjennom hele programvareutviklingslivssyklusen. 

Ifølge tall fra forbrukerundersøkelser rapporterer Github Copilot‑brukende utviklere opptil 75 % høyere jobbtilfredshet enn de som ikke gjør det og er opptil 55 % mer produktive i koding uten å gå på kompromiss med kvaliteten. 

Github Copilot trener seg selv på naturlig språktekst og kildekode fra offentlig tilgjengelige kilder, inkludert kode i offentlige repositorier på GitHub. Den er trent i alle språk som finnes i offentlige repositorier. Imidlertid kan språk med mindre representasjon i offentlige repositorier vise seg mindre effektive. Github Copilot kan brukes av individuelle utviklere, frilansere, studenter, undervisere og vedlikeholdere av åpen kildekode.

Ifølge offentlig tilgjengelige uttalelser fra Microsofts VP of Product Mario Rodriguez, er GitHub Copilot i vekst og genererer inntekter med en årlig rate på $100 millioner.

#3. MosaicML

MosaicML hjelper med å trene LLM‑er, og posisjonerer seg som en løsning som bringer generativ AI til alle, og tilbyr alt som trengs for å trene og distribuere modeller på brukerdata. Deres MPT Foundation Series gjør LLM‑integrasjon i applikasjoner som kjører på både åpen kildekode og kommersielt lisensierte modeller enkelt.

MosaicML‑trening gir utviklere mulighet til å forhåndstrene eller finjustere modeller med full datakontroll, og forenkler prosessen til en enkelt kommando rettet mot en S3‑bøtte. Plattformen håndterer effektivt orkestrering, nodefeil og infrastruktur, eksemplifisert av Replits bruk av Mosaic ML for å trene sin Ghostwriter LLM, og viser ledende resultater innen en uke.

MosaicMLs tilnærming til trening i ethvert sky‑miljø legger vekt på dataprivacy, sikkerhet og full modell‑eierskap, med funksjoner som støtter sømløse overganger mellom skyer. Den tilbyr full dataeierskap, innholdsfiltrering i henhold til forretningsbehov, og plug‑and‑play‑integrasjon med eksisterende datapipelines, og er sky‑agnostisk og dokumentert i bedrifter.

I juni året før ble Mosaic ML kjøpt opp av Databricks i en avtale verdt $1,3 milliarder som fremhevet dens betydelige markedsinnvirkning og verdiforslag.

#4. Anthropic

Anthropics flaggskiprodukt, Claude, kjører på to modeller: Claude og Claude Instant. 

Claude er Anthropics mest kraftfulle modell som utmerker seg i en rekke oppgaver, fra sofistikerte dialoger og kreativ innholdsproduksjon til detaljert instruksjon. Den fungerer godt i scenarier som krever kompleks resonnering, kreativitet, gjennomtenkte dialoger, koding og detaljert innholdsproduksjon. 

Claude Instant – den raskere og rimeligere versjonen av Claude – hjelper med uformell dialog, tekstanalyse, oppsummering og dokumentforståelse. Den fungerer godt der ytelse til lav kostnad er et krav. Den gjør jobben med redusert latens. 

Generelt er Claude egnet for å behandle store mengder tekst, ha naturlige samtaler, få svar og automatisere arbeidsflyter. Fra kundeservice til juridisk, coaching, søk og back‑office‑relaterte oppgaver, er Claude egnet for en rekke brukstilfeller. 

Ifølge rapporter publisert i slutten av desember 2023, Anthropic, sett på som OpenAI‑rivalen, var i forhandlinger om å hente SU$ 750 millioner i finansiering med en verdivurdering på US$18,4 milliarder. 

#5. Humata

Med Humata kan man enkelt hoppe gjennom lange tekniske papirer. Humata PDF AI hjelper med å oppsummere funn, sammenligne dokumenter og søke etter svar. Den er kompatibel med ubegrenset antall opplastede filer uten filstørrelsesbegrensning. Dens dokument‑AI‑svar kommer med sitater slik at man kan spore hvor innsikten kommer fra.

Siden den er som ChatGPT for PDF‑filer, kan den omskrive sammendraget til man er fornøyd. Imidlertid, i motsetning til ChatGPT, kan Humata arbeide med filer, lese hver fil man laster opp, og generere svar basert på innholdet i dokumentene. 

Den 2. oktober 2023 kunngjorde Humata AI den vellykkede fullføringen av sin siste finansieringsrunde, hvor de hentet inn US$3,5 M fra Google’s Gradient Ventures, Cathie Woods ARK Invest, M13 og andre fremtredende engler for deres seed‑runde. 

#6. OpenAI

Til slutt kan ingen diskusjon om AI, dens LLM‑læring og innholdsproduksjonsfunksjoner være komplett uten å nevne OpenAI, selskapet som mest populært har bygget generative modeller ved hjelp av en teknologi kalt dyp læring som utnytter store datamengder for å trene AI‑systemer. 

OpenAI har Chat‑, Image‑ og Audio‑tjenester. Deres GPT‑3, en autoregressiv språkmodell, er trent med 175 milliarder parametere. Imidlertid har de trent språkmodeller som er enda bedre enn GPT‑3 til å følge brukerintensjoner. 

Blant produkter relatert til bilder har OpenAIs forskning på generativ modellering av bilder ført til representasjonsmodeller som CLIP, som lager en kobling mellom tekst og bilder for AI‑lesning, og DALL‑E, et verktøy for å skape levende bilder fra tekstbeskrivelser. 

Til slutt har de gjort fremskritt innen lyd med Whisper, Jukebox og Musenet. Whisper tilbyr robust engelsk talegjenkjenning, mens Jukebox hjelper med å generere musikk i ulike sjangre og artiststiler. MuseNet er et dypt nevralt nettverk som kan generere fullverdige musikalske komposisjoner med en rekke instrumenter. 

Ifølge rapporter publisert i slutten av desember 2023, var OpenAI i tidlige diskusjoner om å hente en ny finansieringsrunde med en verdivurdering på eller over US$100 milliarder.

Utover platået: Veien videre 

Kunstig intelligens har hjulpet innholdsproduksjon med å reise millioner av mil på svært kort tid. Fremtiden vil bli lysere og mer velstående, hvor beregningssystemer og programvare som vokser med data vil løse uløselige problemer. 

Alle typer økonomiske sektorer vil kunne utnytte teknologi bedre ved å automatisere all slags kunnskapsarbeid som er repeterende og tidkrevende. Mens modeller som GPT‑4 vil øke produktiviteten, vil åpen kildekode‑AI‑modeller føre til drastisk reduserte driftskostnader og radikalt forbedret effektivitet. Forskere anslår ikke bare at et teknologisk platå kan unngås, men også at kunnskapsarbeideres produktivitet vil firedobles innen 2030. 

Dette understreker betydningen av store språkmodeller i det teknologiske økosystemet, som har spilt en avgjørende rolle i alt dette. De har hjulpet produkter som ChatGPT med å konsolidere offentlig forståelse av AI, samtidig som de har gjort det mulig å tilby et enkelt chattegrensesnitt som alle som snakker et hvilket som helst språk kan bruke til sin fordel.

Klikk her for å lære alt om investering i kunstig intelligens (AI).