Uber chief warns no link yet between AI tokenmaxxing and shipping successful products — company pumps the brakes on all-out AI spending
Uber might be having a serious rethink about lavishing cash on AI services as management still can't draw a clear link between LLM use and beneficial results.
우버의 인공지능 투자 전략 재고
최근 우버의 최고 경영진은 대규모 언어 모델을 사용하여 성과를 도출하는 것과 실제 제품을 성공적으로 출시하는 것 사이에 명확한 연관성이 없다고 밝혔습니다. 이에 따라 우버는 무제한적인 인공지능 서비스에 대한 투자를 재고하고 있습니다. 이는 인공지능 기술이 발전하고 있지만, 실제 비즈니스 성과와의 직접적인 연결고리가 부족하다는 것을 의미합니다.
우버는 최근 몇 년간 인공지능 기술에 투자하여 비즈니스 성과를 개선하고자 했습니다. 그러나 최고 경영진은 아직까지 이러한 투자가 실제 성과와 직접적으로 연결되는 것을 확인하지 못했습니다. 따라서 우버는 인공지능 서비스에 대한 투자를 줄이고, 보다 효율적인 투자 전략을 모색하고 있습니다. 이에 따라 우버의 인공지능 연구개발팀은 보다 집중적인 연구를 통해 실제 비즈니스 성과와의 연결고리를 찾고자 합니다.
인공지능 기술의 발전과 한계
대규모 언어 모델과 같은 인공지능 기술은 최근 몇 년간 큰 발전을 이루어왔습니다. 이러한 기술은 자연어 처리, 문장 생성, 및 데이터 분석 등 다양한 분야에서 활용되고 있습니다. 그러나 이러한 기술이 실제 비즈니스 성과와의 직접적인 연결고리를 찾는 것은 쉽지 않습니다. 따라서 우버는 보다 효율적인 투자 전략을 모색하고, 인공지능 기술의 발전과 한계를 이해하여 실제 비즈니스 성과를 개선하고자 합니다.
우버의 인공지능 투자 전략 재고는 향후 다른 기업들의 인공지능 투자 전략에도 영향을 미칠 수 있습니다. 다른 기업들도 우버와 같은 문제를 겪고 있으며, 보다 효율적인 투자 전략을 모색하고 있습니다. 따라서 우버의 결정은 인공지능 기술의 발전과 실제 비즈니스 성과 사이의 연결고리를 찾는 데 중요한 역할을 할 수 있습니다.
함께 읽으면 좋은 기사
Anthropic의 연간 매출액 6,500억 달러로 급증
모델 제작자(MODEL MAKER)는 2개월 만에 연간 $18 억 달러의 매출을 추가했다.
아마존이 책을 처음으로 판매하기 시작한 이후로 귀중한 책을 파괴하여 AI를 교육하고 있습니다.
진귀한 책들은 대규모 언어 모델(LLM) 교육에 매우 가치가 높다. 왜냐하면 이 모델들은 이미 온라인에서 접근할 수 있는 모든 것을 통해 교육을 받았기 때문이다.
구글 지니미(Google Gemini)의 보이는 워터마크를 끄는 방법이 나왔다!
구글은 이제 지니미와 플로(Google's AI video generator, Flow)에서 AI工具을 이용해 만든 미디어에 보이는 워터마크를 제거할 수 있는 기능을 제공합니다. 이 업데이트로, 사용자는 지니미와 플로의 새로운 '미디어 워터마크' 설정을 끌 수 있습니다. 워터마크가 끄면, 지니미에서 생성된 이미지, 비디오, 음악에 나타나는 '스파클(sparkle)' 워터마크가 사라집니다.
애플, 중국 위해 알리바바와 함께 자체 AI 모델을 교육
애플은 중국 시장에 맞는 맞춤형 AI 모델을 중국 기술巨인 알리바바와 함께 개발하고 훈련했다고 보고되었다. 이는 베이징과 워싱턴 간 커져가는 긴장감을 무시하고 중국과 미국 사이에 드문 획기적인 협력이다. 알리바바의 지원을 받으며 개발된 중국을 대상으로 한 대규모 언어 모델(LLM) 훈련은 알리바바와 함께 개발되었으며, 리트저스는 훈련에 대한 지원을 받았다고 세 명의 익명한 사람들의 진술에 근
대량 언어 모델(LLM) 개인화에 대한 대응: Meta-LoRA를 이용한 다원 도메인 선호도 학습
대규모 언어 모델(LLM)의 개인화를 위한 다원 도메인 선호도 학습은 새로운 대화 도메인에서 사용자 선호도에 맞는 응답을 생성하는 것을 목표로 합니다. 하지만 기존의 적응 방법은 적은 수의 대상 도메인 상호 작용만으로 업데이트한 크기를 조정하기 어려워 오버피팅을 일으키며, 역전파 방법은 사용자 선호도를 소스 도메인 오류와 혼동하여 불신할 수 있는 개인화 전제 조건과 부정적인 전이를 일으킵니다. 이러한 문제를 해결하기 위해, 우리는 PAC-Bayes-정규화된 Meta-LoRA를 제안하여, 업데이트한 크기를 증거의 질에 맞게 조정하고, 오버피팅을 최소화하며, 증거가 증가할 때 강한 개인화를 허용합니다.
듀얼-플로우 트랜스포머: 주요 프리 필 경로와 추가 디코딩 계산을 분리하는 방법
대규모 언어 모델은 더 많은 요청을 처리할수록,一次적인 학습 비용 대비 누적적인 추론 비용이 점점 더 중요해지고 있습니다. 추론의 두 가지 단계는 하드웨어를 다르게 부하를 주고 있습니다:_prompt prefill은 병렬적이고 일반적으로 계산량에 의존하는 반면, autoregressive decode는 순차적이고 종종 메모리 대역폭에 의존합니다. 전통적인 너비 또는 깊이 확대는 두 비용을 모
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.