Izvan LLM-a: Kako bi veliki kvantitativni modeli SandboxAQ mogli optimizirati AI poduzeća

Dok su veliki jezični modeli (LLM) i generativna umjetna inteligencija dominirali razgovorima o umjetnoj inteligenciji u poduzećima tijekom prošle godine, postoje i drugi načini na koje poduzeća mogu imati koristi od umjetne inteligencije.

Jedna alternativa su veliki kvantitativni modeli (LQM). Ovi modeli su osposobljeni za optimizaciju za specifične ciljeve i parametre relevantne za industriju ili primjenu, kao što su svojstva materijala ili metrika financijskog rizika. Ovo je u suprotnosti s općenitijim zadacima razumijevanja jezika i generiranja LLM-a. Među vodećim zagovornicima i komercijalnim prodavačima LQM-ova je SandboxAQkoja je danas objavila da je prikupila 300 milijuna dolara u novom krugu financiranja. Tvrtka je izvorno bila dio Alphabeta i izdvojena je kao zasebna tvrtka 2022. godine.

Financiranje je potvrda uspjeha tvrtke i, što je još važnije, njezinih budućih izgleda za rast jer nastoji riješiti slučajeve korištenja umjetne inteligencije u poduzećima. SandboxAQ je uspostavio partnerstvo s velikim konzultantskim tvrtkama uključujući Accenture, Deloitte i EY za distribuciju svojih poslovnih rješenja. Ključna prednost LQM-ova je njihova sposobnost rješavanja složenih problema specifičnih za domenu u industrijama u kojima su temeljna fizika i kvantitativni odnosi kritični.

“Sve je u stvaranju temeljnog proizvoda u tvrtkama koje koriste našu umjetnu inteligenciju”, rekao je izvršni direktor SandboxAQ Jack Hidary za VentureBeat. “I tako, ako želite stvoriti lijek, dijagnostiku, novi materijal ili se želite baviti upravljanjem rizikom u velikoj banci, to je mjesto gdje kvantitativni modeli blistaju.”

Zašto su LQM važni za AI poduzeća

LQM-ovi imaju drugačije ciljeve i rade na drugačiji način od LLM-a. Za razliku od LLM-ova koji obrađuju tekstualne podatke s internetskih izvora, LQM-ovi generiraju vlastite podatke iz matematičkih jednadžbi i fizikalnih principa. Cilj je uhvatiti se u koštac s kvantitativnim izazovima s kojima se poduzeće može suočiti.

“Generiramo podatke i dobivamo ih iz kvantitativnih izvora”, objasnio je Hidary.

Ovaj pristup omogućuje napredak u područjima gdje su tradicionalne metode zastale. Na primjer, u razvoju baterija, gdje je litij-ionska tehnologija dominirala 45 godina, LQM-ovi mogu simulirati milijune mogućih kemijskih kombinacija bez fizičkog prototipa.

Slično, u farmaceutskom razvoju, gdje se tradicionalni pristupi suočavaju s visokom stopom neuspjeha u kliničkim ispitivanjima, LQM-ovi mogu analizirati molekularne strukture i interakcije na razini elektrona. U međuvremenu, u financijskim uslugama LQM-ovi se bave ograničenjima tradicionalnih pristupa modeliranju.

“Monte Carlo simulacija više nije dovoljna za rješavanje složenosti strukturiranih instrumenata”, rekao je Hidary.

Monte Carlo simulacija klasični je oblik računalnog algoritma koji koristi nasumično uzorkovanje za dobivanje rezultata. S pristupom SandboxAQ LQM, tvrtka za financijske usluge može se skalirati na način koji Monte Carlo simulacija ne može omogućiti. Hidary je primijetio da neki financijski portfelji mogu biti izuzetno složeni sa svim vrstama strukturiranih instrumenata i opcija.

“Ako imam portfelj i želim znati koliki je manji rizik s obzirom na promjene u ovom portfelju”, rekao je Hidary. “Ono što bih želio učiniti je da bih želio stvoriti 300 do 500 milijuna verzija tog portfelja s malim izmjenama u njemu, a zatim želim pogledati zadnji rizik.”

Kako SandboxAQ koristi LQM-ove za poboljšanje kibernetičke sigurnosti

LQM tehnologija tvrtke Sandbox AQ usmjerena je na omogućavanje poduzećima da stvaraju nove proizvode, materijale i rješenja, a ne samo na optimizaciju postojećih procesa.

Među vertikalama poduzeća u kojima tvrtka uvodi inovacije je kibernetička sigurnost. Godine 2023. tvrtka je prvi put objavila svoju tehnologiju upravljanja kriptografijom Sandwich. To je od tada dodatno prošireno poslovnim rješenjem tvrtke AQtive Guard.

Softver može analizirati poslovne datoteke, aplikacije i mrežni promet kako bi identificirao algoritme šifriranja koji se koriste. To uključuje otkrivanje upotrebe zastarjelih ili neispravnih algoritama enkripcije kao što su MD5 i SHA-1. SandboxAQ unosi ove informacije u model upravljanja koji može upozoriti glavnog službenika za informacijsku sigurnost (CISO) i timove za usklađenost o mogućim ranjivostima.

Dok se LLM može koristiti za istu svrhu, LQM nudi drugačiji pristup. LLM-ovi se obučavaju na širokim, nestrukturiranim internetskim podacima, koji mogu uključivati ​​informacije o algoritmima šifriranja i ranjivostima. Nasuprot tome, LQM-ovi Sandbox AQ izgrađeni su pomoću ciljanih, kvantitativnih podataka o algoritmima šifriranja, njihovim svojstvima i poznatim ranjivostima. LQM-ovi koriste te strukturirane podatke za izradu modela i grafikona znanja posebno za analizu enkripcije, umjesto da se oslanjaju na opće razumijevanje jezika.

Gledajući unaprijed, Sandbox AQ također radi na budućem modulu popravka koji može automatski predložiti i implementirati ažuriranja enkripcije koja se koristi.

Kvantne dimenzije bez kvantnog računala ili transformatora

Izvorna ideja iza SandboxAQ-a bila je kombinirati tehnike umjetne inteligencije s kvantnim računalstvom.

Hidary i njegov tim rano su shvatili da do pravih kvantnih računala neće biti lako doći niti da će biti dovoljno moćna u kratkom roku. SandboxAQ koristi kvantne principe implementirane kroz poboljšanu GPU infrastrukturu. Kroz partnerstvo, SandboxAQ je proširio Nvidijine CUDA mogućnosti za rukovanje kvantnim tehnikama.

SandboxAQ također ne koristi transformatore, koji su osnova gotovo svih LLM-ova.

“Modeli koje obučavamo su modeli neuronskih mreža i grafikoni znanja, ali nisu transformatori”, rekao je Hidary. “Možete generirati iz jednadžbi, ali također možete imati kvantitativne podatke koji dolaze iz senzora ili drugih vrsta izvora i mreža.”

Dok se LQM razlikuje od LLM-a, Hidary to ne vidi kao ili-ili situaciju za poduzeća.

“Koristite LLM za ono u čemu su dobri, a zatim dovedite LQM za ono u čemu su dobri”, rekao je.