เร่งการปรับแต่งโมเดล Generative AI

สำรวจจุดเปลี่ยน Generative AI

องค์กรมากถึง 80 เปอร์เซ็นต์จะใช้ Generative AI ภายในปี 2026¹ และองค์กรของคุณก็เช่นเดียวกับองค์กรอื่น ๆ มากมายที่มีแนวโน้มจะแข่งกันคว้าโอกาสและคุณค่าโดยใช้เทคโนโลยีเกิดใหม่นี้ ศูนย์กลางของโครงการริเริ่ม AI ใด ๆ ก็คือตัวโมเดลเอง องค์กรขนาดใหญ่จะต้องเปิดใช้งานความสามารถ AI หนึ่ง ๆ ที่มีลักษณะเฉพาะต่อธุรกิจของตัวเองอย่างรวดเร็วและมีประสิทธิผล

ปัจจุบันองค์กรขนาดใหญ่อาศัยสองวิธีการหลักในการเปิดใช้งานความสามารถ Generative AI แบบปรับแต่ง องค์กรเหล่านี้สามารถเลือกที่จะปรับแก้โมเดลรากฐานแบบอเนกประสงค์โดยใช้การฝึกอบรมเพิ่มเติม หรือเลือกที่จะใช้เทคนิคที่เรียกว่า Retrieval-Augmented Generation (RAG) ซึ่งจะเอื้อให้เกิดเอาต์พุตแบบปรับแต่งด้วยการเชื่อมต่อโมเดลรากฐานกับชุดข้อมูลเฉพาะ

Retrieval-Augmented Generation เทียบกับการปรับแก้โมเดล

ทั้ง RAG และการปรับแก้จะเร่งรัดให้ใช้ความสามารถ AI แบบปรับแต่งได้เร็วขึ้น แต่ต่างก็ใช้วิธีการที่ไม่เหมือนกัน

สำหรับวิธีการปรับแก้นั้น องค์กรต่าง ๆ จะปรับปรุงโมเดลแบบสำเร็จรูปโดยใช้ชุดข้อมูลเฉพาะของตน โมเดลรากฐานจะเป็นจุดตั้งต้น ซึ่งหมายความว่าทีมของคุณไม่ต้องใช้เวลาและข้อมูลปริมาณมากมายเพื่อสร้างขึ้นใหม่จากศูนย์ ความต้องการด้านการประมวลผลของการปรับแก้ก็เข้มข้นน้อยกว่าการฝึกอบรมใหม่แบบเริ่มจากศูนย์ คุณจึงมักไม่ต้องใช้ระบบคำนวณผลที่หนักหน่วง (เช่น คลัสเตอร์ GPU) เพื่อปรับแก้โมเดลรากฐานที่คุณเลือก

ในทางกลับกัน RAG จะเชื่อมต่อโมเดลต่าง ๆ กับข้อมูลที่เกี่ยวข้องจากฐานข้อมูลกรรมสิทธิ์เฉพาะของคุณ เพื่อดึงและวิเคราะห์ข้อมูลใหม่ล่าสุดแบบเฉพาะองค์กรของคุณ บริบทเพิ่มเติมนี้มีผลต่อเอาต์พุตสุดท้าย เช่นการปรับแก้ นำไปสู่ผลลัพธ์ที่มีความเฉพาะตัวสูงที่องค์กรขนาดใหญ่ต้องการ ที่สำคัญคือ โมเดลนี้ไม่ได้รับการปรับแก้หรือฝึกอบรมเพิ่มเติมในกระบวนทัศน์ RAG แต่จะเชื่อมต่อกับฐานความรู้ที่จำเป็นผ่านทางกลไกการดึงข้อมูล

วิธีการทั้งสองต่างก็มีข้อได้เปรียบของตัวเอง การใช้ RAG ที่มีประสิทธิภาพสูงสามารถทำได้โดยใช้ฮาร์ดแวร์ที่เรียบง่ายกว่าการปรับแก้ RAG ยังลดความเสี่ยงต่อการสร้างข้อมูลที่ไม่ถูกต้อง สามารถจัดหาแหล่งที่มาเพื่อให้สามารถอธิบายผลลัพธ์ได้ดีขึ้น และมอบคุณประโยชน์ด้านความปลอดภัย เนื่องจากสามารถเก็บข้อมูลที่ละเอียดอ่อนไว้ได้อย่างปลอดภัยในฐานข้อมูลส่วนตัว

อย่าลืมว่าวิธีการเหล่านี้สามารถนำมาใช้ร่วมกันได้ด้วย สำหรับข้อมูลเพิ่มเติมเกี่ยวกับ RAG ให้ดูคู่มือเหล่านี้
 

• RAG คืออะไร: เรียนรู้ว่า RAG ทำงานอย่างไร และสำรวจองค์ประกอบสำคัญของการใช้ RAG
• วิธีใช้ RAG: รับคำแนะนำแบบทีละขั้นตอนว่าจะนำเอาวิธีการ RAG มาใช้อย่างไร รวมถึงเคล็ดลับในการสร้างฐานความรู้

สำรวจโมเดลรากฐานทั่วไป

ทั้ง RAG และการปรับแก้โมเดลต่างก็ต้องอาศัยโมเดลรากฐานเป็นองค์ประกอบหลัก แม้ว่าโมเดลรากฐานแบบสำเร็จรูปจะมีจำนวนเพิ่มขึ้นอย่างต่อเนื่องให้ธุรกิจของคุณเลือกใช้ หกโมเดลต่อไปนี้เป็นตัวอย่างข้อเสนอยอดนิยมที่ทรงพลังซึ่งมีใช้ในปัจจุบัน
 

• Technology Innovation Institute (TII) Falcon LLM
• MosaicML MPT
• Hugging Face BLOOM
• Stability AI Stable Diffusion
• Databricks’ Dolly
• Meta AI Llama 3
• Mistral AI models

 
เมื่อองค์กรของคุณใช้โซลูชัน Generative AI ที่อยู่บนพื้นฐานของโมเดลรากฐานเหล่านี้ คุณก็สามารถเพิ่มเวลาสร้างมูลค่าให้กับการลงทุนด้าน AI สำหรับองค์กรของคุณได้อย่างมาก

แน่นอน การเลือกใช้โมเดลเป็นกระบวนการที่ซับซ้อน ซึ่งขึ้นอยู่กับความต้องการและความเป็นจริงทางธุรกิจของคุณอย่างยิ่ง การทดลองใช้งานจริงเป็นวิธีการหนึ่งที่จะสร้างความคุ้นเคยกับข้อเสนอแบบสำเร็จรูปเหล่านี้ ทั้งหกโมเดลเหล่านี้พร้อมให้ทีมของคุณทำการประเมินในคลาวด์สำหรับนักพัฒนา Intel® Tiber™

ข้อแนะนำด้านฮาร์ดแวร์

โดยทั่วไปแล้ว การปรับแต่งโมเดลแบบสำเร็จรูปจะใช้พลังการคำนวณผลน้อยกว่าการฝึกอบรมโมเดลแบบเริ่มใหม่หมด ขึ้นอยู่กับความต้องการของคุณ คุณอาจจะดำเนินงานเวิร์คโหลดที่จำเป็นโดยใช้ฮาร์ดแวร์แบบอเนกประสงค์ที่องค์กรของคุณเป็นเจ้าของอยู่แล้ว หรืออาจจะหันไปใช้ฮาร์ดแวร์แบบเฉพาะทางด้าน AI เพื่อรับมือกับเวิร์คโหลดที่หนักหน่วงยิ่งขึ้น ในกรณีของ RAG คุณมักจะต้องเลือกประเภทฮาร์ดแวร์โดยขึ้นอยู่กับข้อกำหนดด้านอัตราความเร็วและความหน่วงของคุณ Intel มีฮาร์ดแวร์แบบเร่งความเร็ว AI สำหรับทุกการปรับแต่งที่ต้องการ ดังนี้
 

• การปรับแก้ AI เฉพาะทางแบบขนาดใหญ่ (< 1T พารามิเตอร์) และ RAG อัตราความเร็วสูง ความหน่วงต่ำ: ตัวเร่ง AI Intel® Gaudi®
• การปรับแก้แบบอเนกประสงค์ (< 10B พารามิเตอร์) และการประยุกต์ใช้ RAG ทั่วไป: โปรเซสเซอร์ Intel® Xeon® พร้อมด้วยเอนจิน AI ในตัว

 
เมื่อทำการปรับใช้โมเดลที่ผ่านการปรับแก้ โปรเซสเซอร์ Intel® Xeon® และตัวเร่ง AI Intel® Gaudi® ล่าสุดจะมีแพลตฟอร์มการปรับใช้แบบปรับเพิ่มประสิทธิภาพให้ ซึ่งจะช่วยให้ทำการอนุมานได้อย่างคุ้มค่า

คุณและทีมงานสามารถทดสอบประสิทธิภาพการทำงานได้ตลอดทั้งไปป์ไลน์ AI กับหลายประเภทฮาร์ดแวร์ผ่านทางคลาวด์สำหรับนักพัฒนา Intel® Tiber™

ชุดเครื่องมือซอฟต์แวร์

สำหรับการปรับแต่งทั้งสองวิธีนี้ เครื่องมือซอฟต์แวร์และทรัพยากรการพัฒนาต่างก็มีบทบาทสำคัญในการพัฒนาและการปรับใช้ หากไม่มีเครื่องมือที่เหมาะสม คุณอาจต้องเผชิญกับเวลาการพัฒนาที่ยาวนานและเรื่องชวนปวดหัวระหว่างการปรับใช้ โดยเฉพาะเมื่อต้องจัดการกับฮาร์ดแวร์สารพัดประเภทรวมกัน

เพื่อช่วยรับมือกับอุปสรรคเหล่านี้ Intel จึงนำเสนอชุดผลิตภัณฑ์การพัฒนาแบบครบวงจรสำหรับ AI แหล่งรวมทรัพยากรและเครื่องมือต่าง ๆ ของเราสามารถช่วยคุณสร้าง ปรับขนาด และปรับใช้ Generative AI โดยให้ผลลัพธ์ที่ดีขึ้น

ตัวอย่างเช่น ไลบรารี PyTorch แบบปรับเพิ่มประสิทธิภาพของเราจะช่วยให้คุณใช้ประโยชน์จากการปรับประสิทธิภาพซอฟต์แวร์และฮาร์ดเแวร์ Intel® ที่ทันปัจจุบันที่สุดสำหรับ PyTorch ด้วยโค้ดเพียงไม่กี่บรรทัด

ขณะที่ทำการปรับแต่งโดยใช้วิธีการ RAG นั้น เฟรมเวิร์ก RAG ในตัว เช่น LangChain, LLamaIndex และ IntelLab’s fastRAG สามารถทำให้งานของคุณราบรื่นและรวดเร็วขึ้น เฟรมเวิร์ก RAG ช่วยให้คุณสามารถผสานชุดรวมเครื่องมือ AI ได้ตลอดไปป์ไลน์ และมอบโซลูชันแบบใช้เทมเพลตสำหรับรูปแบบการใช้งานตามจริงให้แก่คุณ

Intel นำเสนอการปรับเพิ่มประสิทธิภาพเพื่อช่วยเพิ่มประสิทธิภาพการทำงานของไปป์ไลน์โดยรวมบนฮาร์ดแวร์ Intel® ให้เต็มขีดสุด ตัวอย่างเช่น fastRAG จะผสานรวม Intel® Extension สำหรับ PyTorch และ Optimum Habana เพื่อปรับเพิ่มประสิทธิภาพการประยุกต์ใช้ RAG บนโปรเซสเซอร์ Intel® Xeon® และตัวเร่ง AI Intel® Gaudi®

ขณะเดียวกัน ชุดเครื่องมือ OpenVINO™ ก็มีบทบาทสำคัญในการปรับใช้ นี่เป็นชุดเครื่องมือแบบโอเพนซอร์สที่จะเร่งความเร็วการอนุมาน AI ด้วยความหน่วงที่ต่ำกว่าและอัตราความเร็วที่สูงขึ้น โดยที่ยังคงความแม่นยำ ลดการทรัพยากรโมเดล และปรับเพิ่มประสิทธิภาพการใช้ฮาร์ดแวร์ ชุดเครื่องมือนี้จะเพิ่มความคล่องตัวในการพัฒนา AI และการผสานรวม Deep Learning ใน Generative AI รวมทั้งคอมพิวเตอร์วิทัศน์และโมเดลภาษาขนาดใหญ่ (Large Language Model)

สำหรับการประยุกต์ใช้ RAG เรามีไลบรารีการปรับเพิ่มประสิทธิภาพหลายรายการให้คุณเลือกเพื่อช่วยยกระดับการอนุมาน LLM บนทรัพยากรฮาร์ดแวร์ของคุณ ไลบรารี Intel® oneAPI ของเรามีการปรับเพิ่มประสิทธิภาพระดับต่ำสำหรับเฟรมเวิร์ก AI ยอดนิยม อาทิ PyTorch และ TensorFlow โดยจะช่วยให้คุณใช้เครื่องมือโอเพนซอร์สที่คุ้นเคยซึ่งได้รับการปรับเพิ่มประสิทธิภาพบนฮาร์ดแวร์ Intel®

คุณสามารถใช้ทรัพยากรซอฟต์แวร์ Intel® ที่กล่าวถึงในบทความนี้และอื่น ๆ อีกมากมายผ่านทางคลาวด์สำหรับนักพัฒนา Intel® Tiber™
คุณยังสามารถตรวจดูหน้าการพัฒนา Generative AI ของเราสำหรับแหล่งรวมทรัพยากรการส่งเสริมที่คัดสรรมาสำหรับโครงการ Generative AI ของคุณ

วางแนวทางที่เรียบง่ายสู่ AI ระดับองค์กร

เมื่อคุณดำเนินโครงการริเริ่ม Generative AI ของตนไปเรื่อย ๆ ตั้งแต่ที่ปรับแต่งโมเดลและพิสูจน์แนวคิดไปจนถึงที่ปรับใช้ คุณสามารถปรับเพิ่มประสิทธิภาพและเร่งสร้างนวัตกรรมด้วยเครื่องมือและเทคโนโลยีต่าง ๆ จาก Intel และระบบนิเวศพาร์ทเนอร์ทั่วโลกของเรา

เมื่อเลือกใช้ Intel สำหรับแพลตฟอร์ม AI คุณจะสามารถใช้โครงสร้างพื้นฐานที่คุณมีอยู่แล้วได้อย่างเต็มคุณค่า โดยที่ยังคงเปิดกว้างและพร้อมทำงานร่วมกันได้ ซึ่งเป็นสิ่งจำเป็นต่อความสำเร็จที่ยั่งยืนในอนาคต การลงทุนของเราในด้านความน่าเชื่อถือและการจัดการได้ง่ายช่วยให้การดำเนินงานด้าน AI เป็นไปอย่างราบรื่นขึ้นและเรียบง่ายขึ้นตลอดทั้งไปป์ไลน์ แพลตฟอร์มแบบเปิดและฮาร์ดแวร์ประสิทธิภาพสูง TCO ต่ำของเราทำให้คุณสามารถปรับใช้ได้อย่างยืดหยุ่นมีประสิทธิผลซึ่งจำเป็นสำหรับการใช้ Generative AI ในขนาดใหญ่

ในฐานะเป็นส่วนหนึ่งของ Linux Foundation Open Platform สำหรับ AI ระดับองค์กร เราพยายามที่จะพัฒนาเฟรมเวิร์กการบูรณาการระบบนิเวศที่จะผสานรวมเวิร์กโฟลว์และเทคโนโลยี Generative AI อย่างมีประสิทธิภาพ ช่วยให้เกิดการนำไปใช้ได้รวดเร็วขึ้น และเพิ่มคุณค่าทางธุรกิจจากการพัฒนาร่วมกัน ปัจจุบันเรามีผลงานที่หลากหลาย โดยครอบคลุมถึงชุดสถาปัตยกรรม Generative AI ที่สามารถช่วยเร่งโครงการริเริ่มของคุณได้ ดังนี้
 

• แชทบอทบนโปรเซสเซอร์ Intel® Xeon แบบปรับขนาดได้ และตัวเร่ง AI Intel® Gaudi®
• การสรุปเอกสารโดยใช้ตัวเร่ง AI Intel® Gaudi®
• Visual Question Answering (VQA) บนตัวเร่ง AI Intel® Gaudi®
• Copilot ที่ออกแบบมาสำหรับการผลิตโค้ดใน Visual Studio Code บนตัวเร่ง AI Intel® Gaudi®

เริ่มทำการปรับแต่งโมเดล Generative AI บน Intel ได้แล้ววันนี้

Generative AI เตรียมพร้อมมาเพื่อสร้างแรงกระเทือนครั้งใหญ่ต่อองค์กรขนาดใหญ่แทบทุกอุตสาหกรรม ไม่ว่าจะเป็นโรงงานผลิต สาธารณสุข การค้าปลีก และอื่น ๆ อีกมากมาย

ขณะที่คุณพยายามเปิดใช้งานความสามารถด้าน AI เฉพาะที่ต้องใช้สำหรับองค์กรและแอปพลิเคชัน AI ของคุณ การปรับแก้และ RAG ก็นับเป็นหนทางที่ดีในการเข้าสู่ตลาดและสร้าง ROI ได้อย่างรวดเร็วขึ้น การใช้งานโมเดลรากฐานชั้นนำในปัจจุบันร่วมกับ Intel® AI Portfolio ที่สร้างขึ้นอย่างมีวัตถุประสงค์ คุณก็สามารถทำให้ความสำเร็จด้าน AI เป็นไปอย่างเรียบง่าย ราบรื่น และรวดเร็วสำหรับองค์กรของคุณ

รับข้อมูลเชิงลึกด้าน AI เพิ่มเติม

ใช้ขุมพลังของ Generative AI

รับคำแนะนำด้านฮาร์ดแวร์และซอฟต์แวร์เพิ่มเติมเพื่อสนับสนุน Generative AI ตลอดไปป์ไลน์
อ่านทันที

โซลูชัน Intel® AI

สำรวจชุดผลิตภัณฑ์ AI อันหลากหลายของเรา อาทิ โซลูชันสำหรับ Edge, ศูนย์ข้อมูล, คลาวด์, พีซี AI และเครื่องมือซอฟต์แวร์แบบครบวงจร
ดูตอนนี้