Conversion AI kan vara nyckeln till att undvika en teknologisk platå

Efterfrågan på innehåll visar en stadig och kraftig tillväxt. För att få en realistisk uppfattning om tillväxttakten genomförde Adobe (ADBE ) en undersökning som omfattade mer än 2,600 kundupplevelse‑ och marknadsföringsproffs i stora globala ekonomier. 

Resultaten från undersökningen, som Adobe publicerade i mars 2023, indikerade en tillväxt i efterfrågan på innehåll med minst dubbelt så stor under de senaste två åren. Ungefär två tredjedelar var ännu mer optimistiska om framtiden för innehåll. De sade att de förväntade sig att efterfrågan skulle växa med någonstans mellan fem till tjugo gånger under de kommande tjugo timmarna. 

För att möta denna efterfrågan har företag tvingats välja nya modeller för innehållsproduktion. Enligt World Federation of Advertisers har över hälften av de stora internationella företagen utvecklat interna kapaciteter för innehållsproduktion. Men räcker det? Jo, conversion AI har tagit sig an utmaningen. 

Vad är Conversion AI?

Conversion AI handlar om att använda artificiell intelligens för att hjälpa företag att kommunicera bättre med sina kunder och öka försäljningen. Det gör detta genom att hjälpa till att skapa, förbättra och hantera innehåll såsom texter, bilder och ljud. Detta gör det enklare för företag att fånga sin publiks uppmärksamhet, skapa innehåll som verkligen talar till dem och förbättra deras upplevelse, allt genom smart AI‑teknik.

Idag kan företag använda Conversion AI för att uppfylla en rad mål inom innehållsmarknadsföring, inklusive Facebook‑ och Google‑annonskopior, webbplatsinnehåll, inlägg på sociala medier och mer. Men hur möjliggör Conversion AI allt detta? Vilken teknik driver det? För det behöver vi känna till stora språkmodeller, eller LLM‑er. 

Vad är en stor språkmodell?

Det är en typ av AI som kan lära sig från stora mängder text och data. Det finns användningsfall där dessa AI‑modeller kan hantera hundratals miljarder datapunkter för att generera meningsfulla insikter, strategier och prognoser. 

LLM‑ernas uppkomst i korthet

De moderna LLM‑erna kom in på scenen för sex år sedan, år 2017. Dessa LLM‑er använde transformer‑modeller som kunde hantera ett stort antal parametrar för att snabbt förstå och generera precisa svar. 

Fyra år senare, år 2021, introducerade Stanford Institute for Human-Centered Artificial Intelligence termen och konceptet grundmodeller. Namnet härrörde från att dessa modeller, stora och kraftfulla, fungerar som grunden för vidare optimeringar och användningsområden. Med utvecklingen av LLM har innehållsgenerering, särskilt i skriftlig form, genomgått betydande förändringar. 

LLM‑ernas påverkan

ARK Invests forskning visar att under de senaste två åren har skrivkvaliteten hos LLM‑er förbättrats avsevärt. Detta har lett till ökat förtroende och användning av LLM‑drivna lösningar för att generera innehåll. 

Som ett resultat har kostnaden för att skapa skriftligt innehåll sjunkit kraftigt. Den var relativt konstant i reala termer under det senaste århundradet, nära 100 US $ per 1 000 skrivna ord. Under de senaste två åren har dock den satsen sjunkit till 0,10 US $ och ännu mindre. 

Prestanda och produktivitet kommer att förbättras ytterligare i takt med att AI‑träningens prestanda snabbt utvecklas. AI‑forskare innoverar inom träning och inferens, hårdvara och modellarkitektur, vilket förbättrar prestanda samtidigt som kostnaderna minskar. Man förväntar sig att detta ger mer än fem gånger så stora prestandaförbättringar år 2024, med 2023 som basår. 

Det har skett flera algoritmiska innovationer som har resulterat i överlägsen skrivförmåga samt förbättrad produktivitet och prestanda för LLM‑er. Förstärkningsinlärning från mänsklig återkoppling har till exempel hjälpt mycket. Promptar har optimerats för att överträffa mänskliga promptar med mer än 50 %. 

Speculative Decoding‑funktioner har påskyndat inferensen två till tre gånger på specifika modeller. Forskare har också varit proaktiva i att prioritera inferenskostnader. Deras insatser ger resultat på fältet, med inferenskostnader som faller med en årlig takt på nära 86 %, snabbare än träningskostnaderna. GPT‑modeller har sett nästan tre gånger snabbare träning med Flash Attention 2. 

Med alla dessa förbättringar och förfiningar som sker i raketfart pågår även undersökningar för att fastställa om en potentiell platå är nära förestående i användningen av LLM‑er och om ett sådant scenario kan undvikas. 

Klicka här för att lära dig varför 2023 var genombrottsåret för artificiell intelligens.

Potentiell platå för LLM‑er och hur den kan undvikas

Forskare undersöker ett möjligt scenario där LLM‑er får slut på data, vilket leder till begränsad prestanda. LLM‑er måste kontinuerligt matas med stora mängder träningsdata för att fortsätta lära sig och förbättras. Dock verkar beräkningskraft och potentiell brist på träningsdata vara en oro. 

Enligt uppskattningar från Epoch AI kan högkvalitativa språk‑/datakällor, inklusive böcker och vetenskapliga artiklar, vara uttömda år 2024. Då skulle man behöva utnyttja en större mängd outforskad visionsdata. Denna outforskade visionsdata som kan hjälpa LLM‑er att undvika en platå inkluderar talade ord och andra typer av fysisk värld‑data. 

Forskning visar att årligen talas trettio kvadriljoner ord. Tal‑till‑text‑generatorer och liknande verktyg fångar mer än 80 triljoner talade ord dagligen. Dessutom finns det taxibilar, lastbilar, drönare och andra robotfordon som genererar stora mängder fysisk värld‑data och syntetisk data som kompletterar primärdata. All denna outforskade data kan fungera som en oöverträffad resursrikedom och göra LLM‑er bättre. 

Förbättringar i prestanda, produktivitet och kvalitet handlar dock inte bara om att hitta outforskade dataminer. Flera innovativa företag gör helhetsinsatser för att förbättra situationen på ett holistiskt sätt. 

#1. Replit AI

När det gäller att öka produktiviteten har Replit AI varit en av de stora framgångssagorna. Som kodassistent har den ökat produktiviteten och arbetsnöjdheten hos mjukvaruutvecklare. Den hjälper till att eliminera de iterativa delarna av kodning så att man kan fokusera på de kreativa delarna av arbetet. 

Replit AI förenklar kodning genom att integrera en AI‑kodgenerator som eliminerar behovet av flikbyten och erbjuder autokompletteringsförslag för snabbare framsteg. Den förbättrar projektförståelsen med sin Code Context‑funktion för att skriva relevanta nästa rader och upptäcker proaktivt problem, föreslår korrigeringar direkt i ett sömlöst redigeringsgränssnitt.

Sammanfattningsvis är Replit AI en effektiv svit av AI‑kodgenereringsfunktioner, inklusive Complete Code, Generate Code, Edit Code och Explain Code.

Det som driver Replit AI är LLM‑er. Den returnerar resultat genererade från stora språkmodeller som tränats på offentligt tillgänglig kod och finjusterats av Replit. Den tar hänsyn till den konversativa prompten och det programmeringsspråk som används för att ge förslag och förklaringar på den genererade koden.

Replit AIs funktioner är gratis tillgängliga för alla användare. Allt som krävs är ett Replit‑konto. Replit AI fungerar bäst med JavaScript‑ och Python‑kod men stöder 16 språk, inklusive Bash, C, C#, C++, CSS, Go, Java, JavaScript, HTML, PHP, Perl, Python, R, Ruby, Rust och SQL.

Enligt den senaste tillgängliga informationen, samlade företaget in 97,4 miljoner US $ till en värdering på 1,16 miljard US $ för att expandera sina molntjänster och leda AI‑utvecklingen i april 2023.

#2. Github Copilot

En annan kodassistans‑tjänst, liknande Replit AI, som har hjälpt till att förbättra utvecklarnas produktivitet på koduppgifter med 2,2 gånger år 2023 är Github Copilot. Github Copilot erbjuder kontextualiserad hjälp genom hela mjukvaruutvecklingslivscykeln. 

Enligt siffror från konsumenttillfredsställelseundersökningar rapporterar utvecklare som använder Github Copilot upp till 75 % högre nöjdhet med sina jobb än de som inte gör det och är upp till 55 % mer produktiva vid kodskrivning utan att kompromissa med kvaliteten.

Github Copilot tränar sig själv på naturlig språktext och källkod från offentligt tillgängliga källor, inklusive kod i offentliga arkiv på GitHub. Den tränas i alla språk som förekommer i offentliga arkiv. Språk med mindre representation i offentliga arkiv kan dock vara mindre effektiva. Github Copilot kan användas av enskilda utvecklare, frilansare, studenter, lärare och underhållare av öppen källkod.

Enligt offentligt tillgängliga uttalanden från Microsofts produkt‑VP Mario Rodriguez blomstrar GitHub Copilot och genererar intäkter med en årlig takt på 100 miljoner US $.

#3. MosaicML

MosaicML hjälper till att träna LLM‑er och positionerar sig som en lösning som gör generativ AI tillgänglig för alla, och erbjuder allt som behövs för att träna och distribuera modeller på användardata. Dess MPT Foundation Series underlättar enkel LLM‑integration i applikationer som kör både öppen källkod och kommersiellt licensierade modeller.

MosaicML‑träning ger utvecklare möjlighet att förträna eller finjustera modeller med full datakontroll, vilket förenklar processen till ett enda kommando riktat mot en S3‑bucket. Plattformen hanterar effektivt orkestrering, nodfel och infrastruktur, vilket exemplifieras av Replits användning av Mosaic ML för att träna sin Ghostwriter‑LLM, med ledande resultat inom en vecka.

MosaicML:s tillvägagångssätt för träning i vilken molnmiljö som helst betonar datasekretess, säkerhet och full äganderätt till modeller, med funktioner som stödjer sömlösa övergångar mellan moln. Det erbjuder full datainnehav, innehållsfiltrering enligt affärsbehov och plug‑and‑play‑integration med befintliga datapipelines, är moln‑agnostiskt och beprövat i företag.

I juni föregående år markerade Mosaic ML:s förvärv av Databricks i en affär värd 1,3 miljard US $ dess betydande marknadspåverkan och värdeerbjudande.

#4. Anthropic

Anthropics flaggskeppsprodukt, Claude, körs på två modeller: Claude och Claude Instant. 

Claude är Anthropics mest kraftfulla modell som utmärker sig i en rad uppgifter, från sofistikerade dialoger och kreativt innehållsskapande till detaljerade instruktioner. Den fungerar bra i scenarier som kräver komplex resonemang, kreativitet, genomtänkta dialoger, kodning och detaljerat innehållsskapande. 

Claude Instant – den snabbare och billigare versionen av Claude – hjälper med vardaglig dialog, textanalys, sammanfattning och dokumentförståelse. Den fungerar bra där prestanda till låg kostnad är ett krav. Den utför sitt arbete med minskad latens. 

Sammanfattningsvis är Claude lämplig för att bearbeta stora mängder text, föra naturliga konversationer, få svar och automatisera arbetsflöden. Från kundservice till juridik, coaching, sökning och back‑office‑relaterade uppgifter är Claude lämplig för en mängd olika användningsscenarier. 

Enligt rapporter publicerade i slutet av december 2023 var Anthropic, som ses som OpenAIs rival, i samtal om att samla in 750 miljoner US $ i finansiering till en värdering på 18,4 miljard US $.

#5. Humata

Med Humata kan man enkelt bläddra igenom långa tekniska papper. Humata PDF AI hjälper till att sammanfatta resultat, jämföra dokument och söka efter svar. Den är kompatibel med obegränsat antal uppladdade filer utan filstorleksgräns. Dess dokument‑AI‑svar levereras med källhänvisningar så att man kan spåra var insikten kommer ifrån.

Eftersom den liknar ChatGPT för PDF‑filer kan den skriva om sammanfattningen tills man är nöjd. Till skillnad från ChatGPT kan Humata dock arbeta med filer, läsa varje uppladdad fil och generera svar baserade på dokumentens innehåll. 

Den 2 oktober 2023 meddelade Humata AI den framgångsrika avslutningen av sin senaste finansieringsrunda, där den samlade in 3,5 miljoner US $ från Googles Gradient Ventures, Cathie Woods ARK Invest, M13 och andra framstående ängelinvesterare för sin seed‑runda.

#6. OpenAI

Slutligen kan ingen diskussion om AI, dess LLM‑inlärning och innehållsskapandefunktioner vara komplett utan att nämna OpenAI, företaget som mest populärt bygger generativa modeller med en teknik som kallas djupinlärning och som utnyttjar en stor mängd data för att träna AI‑system. 

OpenAI har Chat-, Bild- och Ljudtjänster. Dess GPT‑3, en autoregressiv språkmodell, har tränats med 175 miljarder parametrar. Företaget har dock tränat språkmodeller som är ännu bättre än GPT‑3 på att följa användarens avsikter. 

Bland bildrelaterade produkter har OpenAIs forskning om generativ bildmodellering lett till representationsmodeller som CLIP, som skapar en karta mellan text och bilder för AI‑läsning, samt DALL‑E, ett verktyg för att skapa levande bilder från textbeskrivningar. 

Slutligen har OpenAI gjort framsteg inom ljud med Whisper, Jukebox och Musenet. Whisper erbjuder robust engelskt taligenkänningsstöd, medan Jukebox hjälper till att generera musik i en mängd olika genrer och artiststilar. MuseNet är ett djupt neuralt nätverk som kan generera fullständiga musikaliska kompositioner med en mängd olika instrument. 

Enligt rapporter publicerade i slutet av december 2023 var OpenAI i tidiga diskussioner om att samla in en ny finansieringsrunda till en värdering på 100 miljard US $ eller mer.

Bortom platån: Vägen framåt 

Artificiell intelligens har hjälpt innehållsgenerering att färdas miljoner mil på mycket kort tid. Framtiden blir ljusare och mer framgångsrik, där beräkningssystem och mjukvara som växer med data kommer att lösa svårlösta problem. 

Ekonomiska sektorer av alla slag kommer att kunna utnyttja tekniken bättre genom att automatisera alla typer av kunskapsarbete som är repetitivt och tidskrävande. Medan modeller som GPT‑4 kommer att öka produktiviteten, kommer öppen källkod AI‑modeller att leda till kraftigt minskade driftskostnader och radikalt förbättrad effektivitet. Forskare uppskattar inte bara att en teknologisk platå kan undvikas utan också att kunskapsarbetares produktivitet kan fyrdubblas till år 2030. 

Detta understryker betydelsen av stora språkmodeller i det teknologiska ekosystemet, som har spelat en avgörande roll i allt detta. De har hjälpt produkter som ChatGPT att konsolidera allmänhetens förståelse av AI samtidigt som de möjliggör ett enkelt chattgränssnitt som alla som talar något språk kan använda till sin fördel. 

Klicka här för att lära dig allt om att investera i artificiell intelligens (AI).