Yapay zekâ yığını model seçiminden uygulama altyapısına genişledi
Copilot'a yeni bir model eklenirken çok turlu eğitim, GraphQL yanıt üretimi ve Kubeflow iş akışları da olgunlaştı; rekabet artık yalnızca modelde değil, onu çalıştıran araç zincirinde.
Yapay Zekâ··Öğle
Copilot seçicisine giren Grok 4.6
GitHub, xAI'nin akıl yürütme modeli Grok 4.6'yı Copilot'ta kullanıma açtı. Model Visual Studio Code, Visual Studio, Copilot CLI, Copilot bulut eylemcisi, Copilot uygulaması, JetBrains, Xcode ve Eclipse'te model seçicide görünecek. Erişim Copilot Pro, Pro+, Max, Business ve Enterprise paketlerinde açılıyor; dağıtım kademeli yürüyor. Business ve Enterprise yöneticilerinin Copilot ayarlarındaki Grok 4.6 kuralını ayrıca açması gerekiyor; kural varsayılan olarak kapalı. Kullanım, sağlayıcının liste fiyatı üzerinden istek başına faturalanıyor. GitHub kendi iç denemelerinde modelin Visual Studio Code ve Copilot CLI'daki uçbirim işlerinde güçlü sonuç verdiğini, uzun soluklu ve sürekli akıl yürütme ile araç kullanımı isteyen işlere yattığını bildiriyor; bu değerlendirme şirketin kendisine ait, bağımsız bir ölçümden gelmiyor. Model menüsünün genişlemesi, geliştirici ortamında seçimin ürün yüzeyi kadar yönetim ve faturalama ayarlarına da bağlandığını gösteriyor.[1]
Çok turlu ödül ve istek anında GraphQL
Amazon, Nova Forge'daki sunucusuz çok turlu pekiştirmeli öğrenme seçeneğini genel kullanıma açtı; ekipler eğitim ortamının altyapısını kendileri işletmeden çok turlu ödül işlevleri tanımlayabiliyor. Duyuruya eşlik eden çalışmada Amazon Nova Lite 2.0, 500 ayrı programlama görevi üzerinde eğitiliyor ve dört bileşenli ağırlıklı bir ödül kuruluyor: doğruluk 1,0, kodlamadan önce soru sorma 0,6, doğrudan tahmine geçme cezası 0,4, döngü cezası 0,2. Yazarlar Maria Masood, Laurent Mombaerts ve Nick Biso, toplam ödül eğrisi düzelirken tek tek bileşenlerin öğrenmeye hiç sinyal vermeyebileceğini gösteriyor: soru sorma davranışı yüzde 34'ten yüzde 96'ya çıkarken doğruluk ölçer bütün denemelerde aynı değeri döndürüyordu; sorun her bileşenin grup içi standart sapması izlenerek görüldü. Aynı gün Expedia Group, istek anında bir dil modelinden GraphQL sahte yanıtları üreten Rust komut satırı aracı mockql-rs'i açık kaynak yayımladı. Bu, altı ayda aynı soruna gelen üçüncü genel girişim; nisanda Airbnb'nin @generateMock yönergesi, şubatta GraphQL Foundation'da açılan bir öneri gelmişti. Expedia'dan Samuel Vazquez'e göre modeller biçim uydurmakta zayıf, verilen biçimi doldurmakta iyi; mockql-rs istemci ile sunucu arasında ayrı süreç olarak duruyor, @mock alanlarını apollo-compiler ile şemaya göre doğruluyor, gerçek alanları sunucuya iletiyor ve üretilmiş veriyi canlı veriyle tek yanıtta birleştiriyor.[2], [3]
Kubeflow iş akışından üretim hattına
Kubeflow projesi, Kubernetes üzerinde dağıtık yapay zekâ ve yüksek başarımlı hesaplama işlerine yönelik bir dizi güncelleme duyurdu. Bunların başında, işaretlenmiş Jupyter defterlerini üretime hazır iş akışlarına çeviren Kale'nin 2.0 sürümü geliyor; Kale 2.0, Kubeflow Pipelines'ın ikinci sürüm mimarisini destekliyor ve iş akışını elle yazma gereğini kaldırarak veri bilimcinin denemeden üretime geçişini kısaltıyor. Proje ayrıca bildirimsel, özel kaynak tanımına dayalı bir mimariyle baştan tasarlanan Kubeflow Notebooks'un ikinci sürümüne yaklaşıyor; bu sürüm platform ekiplerine Kubernetes üzerindeki JupyterLab ve Visual Studio Code ortamları için şablonla denetim veriyor ve alfa aşamasında denenebiliyor. Yazılım geliştirme kitine gelen doğal Spark desteği, altyapı yapılandırması yazmadan Kubernetes üzerinde Spark çalıştırmayı sağlıyor. Proje bu sırada Cloud Native Computing Foundation'da mezuniyet aşamasına ilerliyor. Model seçicisinden ödül işlevine, istek anı GraphQL üretiminden defter-iş akışı köprüsüne uzanan bu dört gelişme, rekabetin yalnızca hangi modelin seçileceğinde değil, o modelin nasıl eğitildiği, hangi API yanıtını doldurduğu ve hangi üretim hattında koşturulduğunda da yoğunlaştığını gösteriyor.[4], [1], [2], [3]
