Perusahaan Anda Harus Melatih Model AI Sendiri - Will Brown, Prime Intellect
원제 · Your Company Should Train Its Own AI Models - Will Brown, Prime Intellect
핵심 요약
Pelatihan model AI khusus di tingkat organisasi menggunakan data internal dan putaran umpan balik mengubah pengetahuan institusional laten menjadi kemampuan agen yang meningkat secara mandiri.
하이라이트
Perusahaan bernama Paper Instruments melatih sebuah model seharga $300.000 yang optimal untuk Perbatasan Pareto guna menangani pekerjaan pengetahuan seperti spreadsheet dan salindia.
Kapasitas inferensi yang digunakan untuk melayani agen pada siang hari dapat dialihkan untuk proses pelatihan model pada malam hari.
Organisasi memiliki banyak pengetahuan implisit yang tersimpan di dalam catatan rapat, surel, dan kepala karyawan yang tidak pernah dituliskan dalam aturan formal.
Agen mampu menyisir data teks tidak terstruktur dalam jumlah besar untuk menemukan pola ketidakefisienan alur kerja di berbagai tim yang berbeda.
타임라인
Latar Belakang Masa Depan AI dan Organisasi
Kemajuan dari chatbot ke model penalar dan agen otonom terjadi dalam waktu singkat. Organisasi masa depan memerlukan integrasi agen yang mendalam di seluruh siklus hidup perusahaan untuk menggabungkan pengetahuan institusional, keunggulan alur kerja, data, serta proses yang ada.
- Perkembangan kerangka kerja AI menuju AGI berlangsung jauh lebih cepat dari perkiraan semula.
- Prime Intellect membangun infrastruktur AI untuk pelatihan, penerapan, dan penyempurnaan model sumber terbuka.
- Integrasi mendalam dari agen di sepanjang siklus hidup perusahaan menjadi bentuk organisasi masa depan yang berbasis AI.
Pengetahuan Institusional dan Batasan Pembelajaran Agen
Organisasi yang mapan menyimpan banyak pengetahuan laten yang tidak pernah dituliskan secara formal. Agen sangat efektif dalam menemukan pola ketidakefisienan dari data tidak terstruktur tersebut. Namun, agen saat ini masih menghabiskan banyak token masukan karena belum memiliki pengetahuan laten tingkat institusional yang dimiliki oleh karyawan manusia.
- Sebagian besar pengetahuan organisasi tersimpan secara implisit di antara baris surel, catatan rapat, dan kepala karyawan.
- Agen otonom mampu menyisir data teks tidak terstruktur untuk menemukan pola alur kerja yang tidak efisien.
- Pembelajaran agen saat ini masih relatif primitif melalui pembelajaran dalam konteks dan file keterampilan yang ditulis manusia.
Spektrum Pengetahuan dan Alur Pelatihan Model
Spektrum pengetahuan terbagi antara kode untuk aturan dan data untuk preferensi serta heuristik institusional. Pelatihan model terbukti berhasil meningkatkan kemampuan model secara keseluruhan, tetapi alur konvensional melibatkan rantai panjang yang tidak melibatkan pengawasan langsung dari manusia yang menguasai bidang tersebut.
- Aturan dan keterampilan hidup sebagai kode, sedangkan preferensi, gesekan, heuristik, dan tren hidup sebagai data.
- Model menjadi lebih baik dari waktu ke waktu karena proses pelatihan yang memanfaatkan data bernilai tinggi.
- Alur pelatihan tradisional melibatkan banyak langkah rahasia antara manusia ahli dan peneliti laboratorium.
Evaluasi, Model Keputusan, dan Pembelajaran Berkelanjutan
Organisasi dapat memulai pembelajaran berkelanjutan dengan memperlakukan model seperti basis kode dan membangun evaluasi dari rekam jejak penggunaan. Penggunaan antarmuka dinamis berupa kartu widget memudahkan pengumpulan sinyal dan preferensi dari manusia. Selain itu, pemanfaatan kapasitas inferensi malam hari memungkinkan organisasi melakukan pelatihan model secara mandiri dan berkelanjutan.
- Perlakuan model dapat disamakan dengan basis kode yang memiliki siklus hidup, kasus uji, dan fitur.
- Model keputusan mempelajari cara meniru penilaian manusia dalam situasi tertentu melalui umpan balik yang jelas.
- Kapasitas inferensi di siang hari untuk agen dapat dialihkan untuk menjalankan pelatihan model pada malam hari.
Studi Kasus dan Kesimpulan
Investasi pelatihan model setara dengan skala rekrutmen karyawan bagi suatu organisasi untuk jangka panjang. Tren menunjukkan peningkatan kesadaran perusahaan terhadap nilai model terbuka yang dipersonalisasi dengan domain mereka sendiri melalui lingkaran pembelajaran yang berkelanjutan.
- Paper Instruments melatih model seharga $300.000 yang optimal untuk pekerjaan pengetahuan seperti spreadsheet dan salindia.
- Permintaan organisasi untuk melatih model pada domain dan data internal terus meningkat dari bulan ke bulan.
- Prime Intellect menyediakan sumber terbuka, alat, serta kolaborasi bagi perusahaan yang ingin membangun infrastruktur pelatihan.
설명
Agents relearn the same things every session because the knowledge that runs a company never gets written down. Will Brown of Prime Intellect makes the case for training models on your own traces, feedback and workflows, so they learn on the job the way human coworkers do. He covers evals as test cases, decision models and routing, and widget-style interfaces that turn your decisions into training data. He ends with nightly training runs and an example model trained for about $300K. 0:00 Intro 1:21 From chatbots to AI-native organizations 2:33 What Prime Intellect builds 3:45 The knowledge that never gets written down 5:43 Why agents relearn everything 7:25 What goes in context vs. in the weights 8:06 The game of telephone behind frontier training 11:15 Evals as test cases for your model 12:43 Routing and decision models 15:11 Interfaces that turn decisions into training data 17:27 A $300K model for knowledge work 18:35 Nightly training runs 19:19 The self-improving organization Will Brown, Prime Intellect: https://www.primeintellect.ai Join us in SF for the second annual AIE CODE summit: https://aie.codes our last flagship summit of 2026. Applications live now!