رفتن به محتوای اصلی
مدل‌های تصمیم‌گیریگوگل دیپ‌مایند· 6 دقیقه مطالعه· در هوش مصنوعی

گوگل با معرفی جمینای دسیژنز رقابت در مدل‌های تصمیم‌گیری چندوجهی را کلید زد

گوگل رابط برنامه‌نویسی جمینای دسیژنز را با مدل اختصاصی دسیژن ۱ برای ارزیابی سریع و کالیبره‌شده تا سقف هزار پرسش ساختاریافته در یک گذر ورودی رونمایی کرد.

به قلم ندا وزیری

این خبر را به اشتراک بگذارید

گوش‌ دهید

گوگل دیپ‌مایند در ۱۱ نوامبر ۲۰۲۶ از ابزار نرم‌افزاری جدیدی تحت عنوان جمینای دسیژنز با مدل اختصاصی دسیژن ۱ رونمایی کرد. این ابزار مهندسی برای اجرای تصمیم‌گیری‌های بسته و طبقه‌بندی‌های قطعی مستقیماً در استودیوی هوش مصنوعی گوگل در دسترس توسعه‌دهندگان قرار گرفته است.[1][3]

معماری جدید به جای تولید توکن به توکن کلمات، ورودی مشترک را در یک مرحله پردازش روبه‌جلو ارزیابی کرده و نمرات احتمالاتی ساختاریافته ارائه می‌دهد. این سازوکار نیاز به تجزیه متون طولانی خروجی و خطاهای تبدیل قالب‌های متنی به ساختار جی‌سون را به صفر می‌رساند.[1][2]

رابط نرم‌افزاری تازه سه فرمت پرسش شامل پاسخ‌های بله یا خیر موسوم به نول، گزینش چندگانه میان ۲ تا ۲۵۵ گزینه، و نمره‌دهی ماتریسی ترتیبی تا ۲۵۵ سطح را می‌پذیرد. هر پاسخ با مقدار اطمینان کالیبره‌شده مشخصی همراه است که شاخه‌بندی دقیق کد را بدون ابهام ممکن می‌کند.[1][6]

«مدل‌های زبانی بزرگ برای مکالمه آزاد طراحی شده‌اند، در حالی که سامانه‌های عملیاتی به تصمیم‌های سریع، محدود و عددی برای هدایت ابزارها یا بررسی قوانین نیاز دارند.» این توصیف را مین چوی مدیر محصول و فلیکس یو دانشمند ارشد گوگل دیپ‌مایند در وبلاگ رسمی منتشر کردند.[1][4]

مدل در آزمایش‌های اولیه توانسته است محاسبات میانه را طی ۵۰ تا ۱۰۰ میلی‌ثانیه به پایان برساند و تأخیر سرتاسری درخواست را در بازه ۱۵۰ تا ۲۵۰ میلی‌ثانیه نگه دارد. این سرعت حتی در مقایسه با سریع‌ترین مدل‌های سبک قبلی، جهشی چشمگیر در پاسخگویی به درخواست‌های هم‌زمان محسوب می‌شود.[3][4]

معماری پردازش چندوجهی در یک گذر روبه‌جلو

سامانه دسیژن ۱ می‌تواند پنجره زمینه‌ای به وسعت ۲۵۶ هزار توکن را در قالب انواع محتوای متنی، تصویر، صدا، ویدئو و فایل‌های پی‌دی‌اف پردازش کند. این مدل بدون نیاز به خطوط لوله جداگانه برای تبدیل گفتار به متن یا نویسه‌خوان نوری، زمینه چندوجهی را مستقیماً تحلیل می‌کند.[1][2]

مقایسه سازوکار تولید متنی توکن‌محور در برابر ارزیابی سریع احتمالات در گذر روبه‌جلو

توسعه‌دهندگان قادرند تا سقف ۱,۰۰۰ پرسش مستقل از یکدیگر را روی یک ورودی مشترک و چندوجهی ارسال کنند بدون آنکه پاسخ‌ها روی هم اثر بگذارند. برای نمونه، بررسی چندین معیار ایمنی یا محتوایی روی یک ویدئوی چنددقیقه‌ای در یک درخواست واحد قابل سنجش خواهد بود.[1][7]

سیمون ویلیسون، توسعه‌دهنده نرم‌افزار، با ارسال مستقیم یک فایل ویدئویی و چهار پرسش بله یا خیر مستقل، رفتار مدل را در تفکیک اجزا سنجید. او متوجه شد که خروجی مدل برخلاف دیگر سیستم‌ها مقادیر قطعی کاذب ارائه نمی‌دهد، بلکه احتمالات دقیق پیوسته را برمی‌گرداند.[5]

«مدل به جای دادن نمره قطعی یک یا صفر، احتمالات را با کالیبراسیون واقعی بازتاب می‌دهد که نشان‌دهنده دقت بالای مهندسی در ارزیابی شواهد ویدئویی است.» سیمون ویلیسون این یافته را پس از اجرای آزمون‌های مستقیم در وبلاگ تخصصی خود نوشت.[5]

مدل قیمت‌گذاری جدید کف هزینه ارزیابی را مشخص کرده است؛ گوگل بابت هر یک میلیون توکن ورودی مبلغ ۱۰ سنت معادل ۰.۱۰ دلار دریافت می‌کند. با توجه به حذف کامل توکن‌های خروجی، هزینه تولید پاسخ برای توسعه‌دهندگان صفر دلار ثبت می‌شود.[1][4][7]

کاربردهای درون‌سازمانی و هدایت عامل‌های هوشمند

درون ساختار داخلی گوگل، چهار محصول اصلی پیش از انتشار عمومی به این سازوکار تجهیز شده و در مقیاس صنعتی آزمایش شده‌اند. جمینای نوت‌بوک از این مدل به عنوان مسیریاب آنی برای ارزیابی قصد کاربر استفاده کرده و زمان پاسخگویی به پرسش‌های روزمره را تا ۴۰ درصد کاهش داده است.[1][3]

موتور جستجوی گوگل نیز از این فناوری به عنوان لایه دفاعی برای شناسایی الگوهای متخاصم در ابزارهای پروتکل زمینه مدل بهره می‌گیرد. همچنین آزمایشگاه استیچ برای طراحی پیش‌نمایش‌های تعاملی نرم‌افزار و اعمال ویرایش‌های صوتی فوری، از سرعت بالای ارزیابی این مدل بهره برده است.[1][4]

مقایسه ظرفیت پذیرش توکن ورودی در میان مدل‌های تصمیم‌گیری شاخص پاییز ۲۰۲۶

دیه‌گو آلمادا لوپز، سردبیر ارشد بخش هوش مصنوعی در کریپتو بریفینگ، معتقد است که ساختار سنتی ساخت جملات طولانی برای تصمیم‌گیری‌های خرد غیرضروری است. او تأکید دارد که شرکت‌های سازنده ایجنت‌های هوشمند بیشترین سود را از این تغییر در الگوهای محاسباتی خواهند برد.[2]

«گوگل می‌خواهد هوش مصنوعی در مواقعی که یک پاسخ گزینشی ساده کافی است، از نوشتن مقاله‌های طولانی دست بردارد.» دیه‌گو آلمادا لوپز این نکته را در ارزیابی پیامدهای عرضه ابزار جدید نوشت.[2]

سامانه‌های پشتیبانی مشتریان و تطبیق مقررات سازمانی می‌توانند ادعاهای خسارت بیمه‌ای حاوی فاکتور پی‌دی‌اف و تصاویر آسیب‌دیدگی را یکپارچه اعتبارسنجی کنند. این فرایند بدون نیاز به چند مرحله تحلیل واسطه‌ای، بررسی شواهد را به امری مقرون‌به‌صرفه تبدیل می‌کند.[2][3]

رقابت پاییزی غول‌های فناوری در عرصه تصمیم‌گیری

پاییز سال ۲۰۲۶ شاهد رقابتی فشرده میان غول‌های فناوری بر سر طراحی مدل‌های موسوم به سیستم یک بوده است. شرکت اوپن‌ای‌آی در ۶ اکتبر ۲۰۲۶ نسخه بتای عمومی ابزار تصمیم‌گیری خود را گشود و مایکروسافت در ۹ اکتبر مدل اختصاصی خود را معرفی کرد.[2][4]

با این حال، محصول متنی تایپ‌سیف جو ۱.۱۴ با قیمت ۴.۲ سنت در هر میلیون توکن همچنان ارزان‌ترین گزینه متنی در بازار باقی مانده است. مزیت اعلام‌شده نسخه گوگل، پشتیبانی ذاتی از ویدئو و صوت در کنار متون گسترده به شمار می‌رود.[3][5]

بر اساس آمارهای منتشرشده، خطای کالیبراسیون مورد انتظار جمینای دسیژن ۱ عدد ۰.۰۲۵۰ ثبت شده که از رقم ۰.۰۴۹۴ رقیب تجاری خود کمتر است. کالیبراسیون پایین‌تر یعنی وقتی مدل با اطمینان ۸۰ درصدی پاسخ می‌دهد، در هشتاد بار از صد مرتبه تصمیم آن با واقعیت مطابقت دارد.[3][6]

جریان کاری پردازش چندوجهی یکپارچه برای بررسی اسناد، ویدئوها و مسیریابی خودکار

پلتفرم‌های مطرح توسعه از جمله اوپن‌روتر، لنگ‌چین، ورسل، لایت‌ال‌ال‌ام و پای‌دنتیک پشتیبانی فنی از این ابزار را همزمان آغاز کرده‌اند. کاربران می‌توانند این مدل را از طریق کتابخانه نرم‌افزاری گوگل جن‌ای‌آی نسخه ۳.۲ به بعد به زیرساخت‌های خود متصل سازند.[3][8]

برای آزمایشگران و استارتاپ‌ها، سهمیه آزمایشی رایگانی شامل ۲۰۰ درخواست در دقیقه و حداکثر ۱۰,۰۰۰ درخواست در هر روز فعال شده است. این سهمیه امکان تست اولیه ساختار پرسش‌ها را پیش از استقرار در پروژه‌های تجاری فراهم می‌آورد.[6][8]

چالش‌های اعتبارسنجی و ابهامات فنی باقی‌مانده

به‌رغم قابلیت‌های ارائه‌شده، ارزیابی‌های عمومی چندان خالی از هشدار نیست و نتایج بنچمارک عمومی ام‌ام‌دی‌ام نشان می‌دهد چالش‌ها پایدارند. در این آزمون که روی ۲۸ مدل تصمیم‌گیرنده صورت گرفت، میانگین دقت انتخاب چندگزینه‌ای از مرز ۳۷ درصد فراتر نرفت.[4]

افزون بر این، در نسخه کنونی قابلیت ذخیره‌سازی موقت زمینه یا رابط پردازش دسته‌ای فعال نشده است. این مسئله به معنای آن است که ارسال مکرر یک سند حجیم چهل مگابایتی در زمان‌های گوناگون، هزینه توکن ورودی را مجدداً محاسبه خواهد کرد.[3][6]

در حوزه حریم خصوصی نیز تفاوت روشنی میان کاربران رایگان و سازمانی وجود دارد که باید در طراحی سامانه‌ها رعایت گردد. طبق مستندات، داده‌های ورودی حساب‌های رایگان برای بهبود مدل‌ها استفاده می‌شوند، اما در سرویس‌های پرداختی این اطلاعات محرمانه می‌مانند.[6]

تصویرسازی: توسعه‌دهندگان در حال بررسی شاخص‌های عملکردی و هدایت ایجنت‌های نرم‌افزاری

همچنین وزن‌های این مدل به صورت متن‌باز منتشر نشده‌اند و توسعه‌دهندگان ناچارند به‌طور کامل بر میزبانی ابری گوگل تکیه کنند. این عدم دسترسی محلی برای پروژه‌های نیازمند حفظ حاکمیت داده‌ها در سرورهای بومی یک مانع ادامه‌دار خواهد بود.[3][8]

آزمون بعدی این معماری جدید، زمان ورود رسمی آن به پلتفرم سازمانی ورتکس هوش مصنوعی در اوایل سال ۲۰۲۷ خواهد بود. تا آن زمان، شرکت‌ها معیارهای تأخیر و دقت این سازوکار کالیبره‌شده را در خطوط تولید زنده خود به بوته آزمایش خواهند گذاشت.[3][4]

نکات کلیدی

  1. مدل جمینای دسیژن ۱ بدون تولید متنی، احتمالات عددی گزینه‌ها را در یک گذر پردازشی ارزیابی می‌کند.
  2. هزینه ورودی ۰.۱۰ دلار به ازای هر یک میلیون توکن بوده و هیچ هزینه‌ای برای خروجی دریافت نمی‌شود.
  3. امکان سنجش تا ۱,۰۰۰ پرسش روی ورودی‌های چندوجهی شامل متن، صوت، تصویر، ویدئو و پی‌دی‌اف فراهم است.
  4. مدل با تأخیر سرتاسری ۱۵۰ تا ۲۵۰ میلی‌ثانیه، زمان تصمیم‌گیری ایجنت‌ها و سیستم‌های هدایت را کوتاه می‌کند.

آنچه نمی‌دانیم

  • تاریخ دقیق انتشار عمومی این ابزار بر روی سرورهای ابری ورتکس با قابلیت‌های سازمانی نامشخص است.
  • میزان دقت مدل در سناریوهای ترکیبی همزمان ویدئو و صوت در مواجهه با زبان‌های با منابع کم هنوز سنجیده نشده است.
  • زمان اضافه شدن قابلیت کش کردن زمینه برای جلوگیری از پرداخت مکرر هزینه اسناد حجیم مشخص نیست.

روند رویداد

  1. ۶ اکتبر ۲۰۲۶

    اوپن‌ای‌آی نسخه بتای عمومی رابط برنامه‌نویسی تصمیم‌گیری خود را برای دسته‌بندی سریع آغاز کرد.

  2. ۹ اکتبر ۲۰۲۶

    مایکروسافت مدل تخصصی دسیژن ۱ را برای اتوماسیون سازمانی و هدایت پرسش‌ها معرفی کرد.

  3. ۱۱ نوامبر ۲۰۲۶

    گوگل دیپ‌مایند رابط جمینای دسیژنز را با مدل چندوجهی دسیژن ۱ و ظرفیت ۲۵۶ هزار توکن منتشر نمود.

  4. اوایل ۲۰۲۷

    استقرار عمومی این ابزار در بستر ابری تجاری ورتکس هوش مصنوعی گوگل برنامه‌ریزی شده است.

طراحان سیستم و توسعه‌دهندگان 45%تحلیل‌گران هزینه و زیرساخت ابری 30%ناظران مستقل ارزیابی و استقلال داده 25%
طراحان سیستم و توسعه‌دهندگان
استفاده از تصمیم‌گیری‌های احتمالی را جهشی در سرعت عامل‌های هوشمند و حذف کدهای شکننده تجزیه متنی می‌دانند.
تحلیل‌گران هزینه و زیرساخت ابری
تعیین هزینه ۱۰ سنت برای هر میلیون توکن و صفر شدن هزینه خروجی را کف‌شکنی بزرگی در قیمت‌گذاری هوش مصنوعی قلمداد می‌کنند.
ناظران مستقل ارزیابی و استقلال داده
بر ابهامات پیرامون نرخ پایین دقت در بنچمارک‌های چندگزینه‌ای و وابستگی انحصاری به سرورهای ابری گوگل تأکید دارند.

دیدگاه‌هایی که این گزارش پوشش نداده

  • توسعه‌دهندگان مدل‌های محلی و منبع‌باز آفلاین که به اینترنت دسترسی آزاد ندارند
  • سازمان‌های با الزامات امنیتی سخت‌گیرانه که ارسال داده به سرورهای خارجی را ممنوع کرده‌اند

منابع

پوشش منابع

8 منبع

3 دیدگاه شناسایی‌شده

طراحان سیستم و توسعه‌دهندگان 45%تحلیل‌گران هزینه و زیرساخت ابری 30%ناظران مستقل ارزیابی و استقلال داده 25%
  1. [1]Google for Developersطراحان سیستم و توسعه‌دهندگان

    Gemini Decisions API: Fast, calibrated multimodal decisions

    مطالعه در Google for Developers →
  2. [2]Crypto Briefingناظران مستقل ارزیابی و استقلال داده

    Google launches the Gemini Decisions API with gemini-decision-1

    مطالعه در Crypto Briefing →
  3. [3]MarkTechPostناظران مستقل ارزیابی و استقلال داده

    Google Launches Gemini Decisions API Powered by New Gemini Decision 1 Model

    مطالعه در MarkTechPost →
  4. [4]AI Weeklyتحلیل‌گران هزینه و زیرساخت ابری

    Google Opens Gemini Decisions API for Bounded Multimodal Scoring

    مطالعه در AI Weekly →
  5. [5]Simon Willison's Weblogطراحان سیستم و توسعه‌دهندگان

    Gemini Decisions API

    مطالعه در Simon Willison's Weblog →
  6. [6]Flavio Copesطراحان سیستم و توسعه‌دهندگان

    How to use the Gemini Decisions API

    مطالعه در Flavio Copes →
  7. [7]ExplainXتحلیل‌گران هزینه و زیرساخت ابری

    Gemini Decisions API: Google's Decision 1 Model for Routing, Policy and Scoring

    مطالعه در ExplainX →
  8. [8]OpenRouterتحلیل‌گران هزینه و زیرساخت ابری

    Google: Gemini Decision 1 Model Documentation

    مطالعه در OpenRouter →
گوش‌ دهید

نظرات

همیشه در جریان باشید

هر زاویه. هر روز.

اخبار هوش مصنوعی با پوشش کامل منابع و تحلیل دیدگاه‌ها، هر روز و رایگان.