Liderul Google Cloud AI explică cele trei frontiere esențiale ale modelelor de inteligență artificială

În calitate de vicepreședinte de produs la Google Cloud, Michael Gerstenhaber lucrează în principal la Vertex, platforma unificată a companiei pentru implementarea soluțiilor de inteligență artificială destinate mediului enterprise. Această poziție îi oferă o perspectivă de ansamblu asupra modului în care companiile folosesc efectiv modelele de inteligență artificială și asupra a ceea ce mai trebuie realizat pentru a debloca pe deplin potențialul AI‑ului agentic.

În discuția cu Michael, a ieșit în evidență în mod special o idee pe care nu o mai întâlnisem. El susține că modelele de inteligență artificială presează simultan trei frontiere: inteligența brută, timpul de răspuns și o a treia dimensiune care ține mai puțin de capabilități și mai mult de cost – anume dacă un model poate fi implementat suficient de ieftin pentru a funcționa la scară masivă și imprevizibilă. Este o nouă modalitate de a privi capabilitățile modelelor și o perspectivă deosebit de utilă pentru cei care încearcă să împingă modelele de frontieră într-o direcție nouă.

Interviul de mai jos a fost editat pentru claritate și concizie.

Întrebare: De ce nu începem prin a ne povesti experiența dvs. de până acum în domeniul inteligenței artificiale și ce faceți la Google?

Răspuns: „Lucrez în AI de aproximativ doi ani. Am fost la Anthropic un an și jumătate, iar de aproape jumătate de an sunt la Google. Conduc Vertex, platforma pentru dezvoltatori a Google. Majoritatea clienților noștri sunt ingineri care își construiesc propriile aplicații. Ei vor acces la tipare agentice. Vor acces la o platformă agentică. Vor acces la inferența celor mai inteligente modele din lume. Eu le ofer acest lucru, însă nu le ofer și aplicațiile în sine. Aplicațiile sunt dezvoltate de Shopify, Thomson Reuters și de ceilalți clienți ai noștri, fiecare în propriul domeniu.”

Întrebare: Ce v-a atras spre Google?

Răspuns: „Google este, cred, unic în lume prin faptul că acoperă totul, de la interfață până la stratul de infrastructură. Putem construi centre de date. Putem achiziționa energie și construi centrale electrice. Avem propriile cipuri. Avem propriul model. Controlăm stratul de inferență. Controlăm stratul agentic. Avem API-uri pentru memorie, pentru scriere de cod intercalată. Deasupra lor avem un „agent engine” care asigură conformitatea și guvernanța. Și mai avem chiar și interfața de chat, prin Gemini Enterprise și Gemini Chat pentru consumatori. Așadar, unul dintre motivele pentru care am venit aici a fost faptul că am văzut Google ca fiind integrat vertical într-un mod unic, iar acest lucru reprezintă un avantaj pentru noi.”

Întrebare: Este interesant că, în ciuda diferențelor dintre companii, pare că toate cele trei mari laboratoare sunt foarte apropiate ca nivel de capabilități. Este doar o cursă pentru mai multă inteligență sau situația e mai complicată?

Răspuns: „Eu văd trei limite. Modelele precum Gemini Pro sunt optimizate pentru inteligență brută. Gândiți-vă la scrierea de cod. Tot ce vrei este cel mai bun cod posibil, nu contează dacă durează 45 de minute, pentru că acel cod trebuie întreținut, pus în producție. Important e să fie cel mai bun.

Apoi există o altă frontieră, cea a latenței. Dacă fac suport pentru clienți și trebuie să știu cum să aplic o anumită politică, îți trebuie inteligență pentru a aplica acea politică. Ai voie să procesezi un retur? Pot să-mi fac un upgrade la locul din avion? Însă nu mai are nicio importanță cât de corect este răspunsul dacă durează 45 de minute ca să ajungi la el. Pentru astfel de situații, vrei cel mai inteligent produs care se încadrează în bugetul de latență, pentru că un plus de inteligență nu mai contează în clipa în care clientul se plictisește și închide telefonul.

Și mai există încă o categorie, unde, de exemplu, o platformă de genul Reddit sau o rețea socială vrea să modereze întregul internet. Au bugete mari, dar nu își pot asuma un risc enterprise pe ceva a cărui scalare nu o pot anticipa. Nu știu câte postări problematice vor apărea azi sau mâine. Prin urmare, trebuie să își limiteze bugetul la un model cu cel mai înalt nivel de inteligență pe care și-l permit, dar într-un mod scalabil la un număr practic infinit de subiecte. Iar acolo costul devine extrem de important.”

Întrebare: Un lucru asupra căruia reflectez este de ce sistemele agentice întârzie să fie adoptate pe scară largă. Modelele par să fie deja acolo. Am văzut demonstrații impresionante, însă nu vedem încă schimbările majore pe care le-aș fi anticipat acum un an. Din punctul dvs. de vedere, ce frânează adopția?

Răspuns: „Această tehnologie are, în esență, doar doi ani, iar infrastructura este încă incompletă. Nu avem încă tipare clare pentru auditarea acțiunilor agenților. Nu avem tipare bine definite pentru autorizarea accesului unui agent la date. Există o serie de patternuri care trebuie dezvoltate înainte ca soluțiile să poată fi puse în producție. Iar producția este întotdeauna un indicator întârziat față de ceea ce tehnologia este capabilă să facă. Așa că doi ani nu sunt suficienți ca să vedem în producție tot ce poate susține această inteligență și aici se confruntă oamenii cu dificultăți.

Cred că s-a avansat neobișnuit de repede în ingineria software, tocmai pentru că AI-ul se integrează foarte bine în ciclul de dezvoltare al software-ului. Avem un mediu de dezvoltare în care este acceptabil să strici lucruri, iar apoi promovăm din mediul de dezvoltare în mediul de testare. Procesul de scriere a codului, la Google, presupune ca două persoane să auditeze acel cod și ambele să confirme că este suficient de bun pentru a fi asociat cu brandul Google și livrat clienților noștri. Prin urmare, avem numeroase procese de tip „human-in-the-loop” care fac ca implementarea să fie extrem de puțin riscantă. Însă trebuie să creăm astfel de tipare și în alte zone și pentru alte profesii.”