شرکت Musubi روز سه‌شنبه مدل تصمیم سبک PolicyLM-1.7B را با وزن‌های آزاد منتشر کرد. این مدل برای نظارت بلادرنگ روی محتوا طراحی شده و هدفش این است که یک سیاست محتوایی نوشته‌شده به زبان انگلیسی ساده را در کمتر از ۵۰ میلی‌ثانیه روی پیام‌ها اعمال کند.

مدل به‌صورت باینری عمل می‌کند: یا محتوا در دسته‌ی موردنظر قرار دارد یا ندارد. Musubi می‌گوید از نظر هزینه و سرعت، PolicyLM-1.7B قابل‌مقایسه با سیستم‌های طبقه‌بندی هوش مصنوعی است که امروزه نظارت روی اکثر پلتفرم‌های اجتماعی را تأمین می‌کنند، اما چون انعطاف‌پذیری یک مدل زبانی بزرگ را دارد، می‌تواند سیاست‌های پیچیده را بدون آموزش اختصاصی اعمال کند. نکته‌ی مهم‌تر اینکه با تغییر سیاست، نیازی به بازآموزی مدل نیست و سیاست‌گذاران انسانی می‌توانند هر بار که لازم دارند سیاست را اصلاح کنند.

فیلیپ یانکوویچ، هم‌بنیان‌گذار و مدیر ارشد هوش مصنوعی Musubi، این مدل را ابزاری برای برچسب‌گذاری پیش‌دستانه‌ی محتوا می‌داند. او می‌گوید تیم‌های محصول می‌خواهند درک بهتری از آنچه روی پلتفرم‌شان می‌گذرد داشته باشند، به‌ویژه با افزایش نمایی حجم محتوا.

مدل‌های تصمیم از زمان انتشار Jev توسط TypeSafe AI در سپتامبر و سپس مدل‌های رقابتی OpenAI و Amazon به موضوع داغی در حوزه‌ی هوش مصنوعی تبدیل شده‌اند. برخلاف مدل‌های زبانی بزرگ که متن تولید می‌کنند، مدل تصمیم خروجی‌اش را به مجموعه‌ای از گزینه‌های از پیش تعیین‌شده محدود می‌کند و در نتیجه سریع‌تر و ارزان‌تر اجرا می‌شود.

یانکوویچ می‌گوید علاقه‌اش به مدل‌های تصمیم پیش از Jev بوده و به پروژه‌ی GLiNER در سال ۲۰۲۴ بازمی‌گردد که بسیاری از همین تکنیک‌ها را به‌کار می‌برد.

برای کسی که امروز ایجنت می‌سازد، این خبر چه معنایی دارد؟#

انتشار وزن‌های آزاد PolicyLM-1.7B یک گزینه‌ی عملی به تیم‌هایی می‌دهد که فعلاً از APIهای بسته‌ی سرویس‌های نظارت محتوا استفاده می‌کنند. اگر سیاست محتوایی‌تان مرتب تغییر می‌کند و هر بار بازآموزی مدل یا پرداخت هزینه‌ی فراخوانی API برایتان گران تمام می‌شود، این مدل جایگزین ارزانی است که روی سرور خودتان اجرا می‌شود.

اما یک هشدار مهم: منبع هنوز داده‌ی مقایسه‌ای با مدل‌های موجود در بازار ارائه نکرده — نه دقت، نه نرخ مثبت‌کاذب، نه benchmark. تا زمانی که این اعداد منتشر نشوند، PolicyLM-1.7B یک ادعاست، نه یک جایگزین اثبات‌شده برای سیستم‌های نظارتی که امروز روی پلتفرم‌های بزرگ کار می‌کنند. همچنین ۵۰ میلی‌ثانیه‌ی ذکرشده احتمالاً روی سخت‌افزار مشخصی و با اندازه‌ی ورودی معینی به دست آمده؛ در شرایط واقعی پلتفرم‌های بزرگ، این عدد می‌تواند متفاوت باشد.

منبع: TechCrunch AI