در دو سال گذشته، مدل‌های زبانی بزرگ (LLM) مانند هوش مصنوعی ChatGPT و Gemini به مرکز توجه صنعت فناوری تبدیل شدند. این مدل‌ها با حجم عظیمی از داده‌ها آموزش دیده‌اند تا متون و تصاویر انسانی‌مانند تولید کنند. بااین‌حال، اکنون حرکت به سمت مدل‌های کوچک‌تر و کارآمدتر در حال شکل‌گیری است که در کاربردهای تجاری مزایای خاصی دارند.

ظهور مدل‌های زبانی کوچک (SLM)

مدل‌های زبانی کوچک (SLM) برای صنایع و وظایف خاص بهینه شده‌اند. برخلاف مدل‌های بزرگ که طیف گسترده‌ای از اطلاعات عمومی را پردازش می‌کنند، SLMها با دقت و کارایی بیشتری عمل کرده و نیاز به توان محاسباتی کمتری دارند. این امر باعث کاهش هزینه‌ها و افزایش دقت در ارائه اطلاعات مرتبط با کسب‌وکارها می‌شود. به گفته «جهان علی»، مدیرعامل MobileLive، SLMها نسخه‌های کوچک شده‌ی LLMها نیستند، بلکه برای برتری در حوزه‌های خاص مانند مالی، بهداشت و توسعه نرم‌افزار طراحی شده‌اند. به همین دلیل، نتایج دقیق‌تر و قابل‌اعتمادتری را ارائه می‌دهند که با نیازهای سازمان‌ها همخوانی دارد. همچنین، Avi Baum، مدیر ارشد فناوری در Hailo، اشاره می‌کند که SLMها می‌توانند به‌طور محلی اجرا شوند و به ابر متکی نباشند، که این امر مسائل امنیتی و حریم خصوصی را کاهش می‌دهد.

مدل‌های زبانی کوچک و هوش عامل‌گرا

مدل‌های زبانی کوچک با روند در حال رشد هوش عامل‌گرا (Agentic AI) نیز هم‌سو هستند. برخلاف سیستم‌های هوش مصنوعی سنتی، عامل‌های هوشمند می‌توانند تصمیمات خودمختار بگیرند و بر اساس داده‌های ورودی، اقدامات فوری انجام دهند. این ویژگی نیاز به مدل‌هایی دارد که سبک، سریع و بسیار تخصصی باشند، ویژگی‌هایی که SLMها به‌خوبی ارائه می‌دهند. «استو رابرتس» در مقاله‌ای برای Verdict اشاره می‌کند که SLMها برای عامل‌های هوشمند مناسب‌تر هستند، زیرا دقت بالاتری ارائه می‌دهند، منابع محاسباتی کمتری نیاز دارند و راحت‌تر در اکوسیستم‌های مختلف ادغام می‌شوند. جهان علی نیز بر این باور است که SLMها عامل‌های هوشمندی را توانمند می‌سازند که نه‌تنها تحلیل بازار انجام می‌دهند، بلکه به‌صورت خودکار معاملات را اجرا می‌کنند یا مسیرهای لجستیکی را بهینه می‌کنند.

شاهد احمد، معاون اجرایی جهانی در NTT New Ventures and Innovation، به کاربرد SLMها در صنایع مختلف اشاره می‌کند. برای مثال، در کارخانه‌های هوشمند، یک عامل هوش مصنوعی می‌تواند با استفاده از SLM خرابی تجهیزات را شناسایی کند، تنظیمات ماشین‌آلات را تغییر دهد یا زمان‌بندی تعمیرات را بهینه کند، بدون نیاز به مداخله انسانی. این قابلیت‌ها تأثیر قابل‌توجهی در صنایع از جمله مراقبت‌های بهداشتی، خدمات مشتری و تولید دارد.

مزایای اقتصادی SLMها

درحالی‌که شرکت‌هایی مانند OpenAI و گوگل میلیاردها دلار برای توسعه مدل‌های زبانی بزرگ سرمایه‌گذاری کرده‌اند، بسیاری از متخصصان معتقدند که هزینه‌های این مدل‌ها منطقی نیست و بازگشت سرمایه (ROI) آن‌ها زیر سؤال رفته است. در مقابل، SLMها به دلیل هزینه‌های کمتر و دقت بالاتر برای وظایف خاص، گزینه‌ای مقرون‌به‌صرفه‌تر هستند. به گفته احمد، مهم‌ترین مزیت SLMها، بهره‌وری اقتصادی آن‌ها است. مدل‌های بزرگ نیازمند توان محاسباتی گسترده‌ای هستند که هزینه‌های عملیاتی را افزایش می‌دهد، درحالی‌که SLMها با مصرف منابع کمتر، دقت بالایی را برای وظایف خاص ارائه می‌دهند و بازگشت سرمایه‌ی بهتری برای کسب‌وکارها دارند.

چالش‌ها و استراتژی‌های پذیرش SLMها

باوجود مزایای متعدد، SLMها با چالش‌هایی نیز مواجه هستند. مهم‌ترین چالش آن‌ها نیاز به داده‌های باکیفیت و خاص برای آموزش است. به گفته «یووال ایلز»، کارشناس امنیت سایبری و هوش مصنوعی، اگر SLMها با داده‌های نامناسب آموزش ببینند، نتایج آن‌ها غیرقابل‌اعتماد خواهد بود. راه‌حل این مشکل، به‌روزرسانی مستمر مدل‌ها با داده‌های واقعی کسب‌وکار است. ایلز همچنین پیش‌بینی می‌کند که آینده‌ی هوش مصنوعی ترکیبی از LLMها و SLMها خواهد بود. مدل‌های بزرگ برای دانش عمومی مفید خواهند ماند، اما مدل‌های کوچک وظایف حیاتی کسب‌وکار را که نیازمند دقت، امنیت و سرعت بالا هستند، بر عهده خواهند گرفت.

منبع خبر: forbes