Google'ın yapay zeka araştırma laboratuvarı DeepMind, yapay zeka model eğitimiyle ilgili önemli gelişmeleri içeren yeni bulgular yayınladı. Araştırmalarına göre, JEST eğitim yöntemleri diğer tekniklere kıyasla hem hızı hem de enerji verimliliğini önemli ölçüde artırmaktadır. Araştırmalarına göre JEST eğitim yöntemi, diğer tekniklere göre 13 kat daha verimli ve 10 kat daha enerji verimlidir, böylece çok daha yüksek performans elde edilir. Bu, yapay zeka veri merkezlerinin çevresel etkisinin artan bir endişe kaynağı olduğu kritik bir dönemde gerçekleşmektedir. Geleneksel yapay zeka eğitimi yöntemleri bireysel veri noktalarına odaklanırken, JEST yöntemi daha farklı bir yaklaşım benimser ve tüm gruplara dayalı olarak eğitim yapar. Bu yöntem, yüksek kaliteli kaynaklardan veri kalitesini değerlendiren ve grupları buna göre sıralayan daha küçük bir model oluşturmayı içerir. Bu değerlendirme daha sonra daha büyük, daha düşük kaliteli bir veri kümesi ile karşılaştırılır ve JEST modeli eğitim için en uygun grupları belirler. Daha küçük modelin bulguları daha büyük bir modele eğitim amacıyla kullanılır. Daha ayrıntılı bilgi için mevcut olan araştırma makalesi, çalışmanın sürecini ve gelecek perspektiflerini açıklar. DeepMind, JEST yönteminin başarısı için önemli olan, daha küçük boyutlu özenle seçilmiş veri kümesine odaklanma sürecinin önemini vurgular. Aslına bakarsanız, araştırmacılar, yaklaşımlarının, önemli ölçüde daha az iterasyon ve daha az hesaplama kaynağı gerektirdiğini iddia ederlerken, mevcut en gelişmiş modelleri aştığını savunuyorlar. JEST ile diğer yöntemleri, SigLIP dahil, karşılaştıran grafikler, yöntemin üstün hızını ve FLOPS verimliliğini gösterir. Bu sistem etkinliği açısından eğitim verilerinin kalitesinin büyük önem taşıdığını belirtmek önemlidir. Mükemmel kalitede bir insan tarafından düzenlenen veri kümesi olmadan, JEST tarafından kullanılan başlatma tekniği etkinliğini kaybeder.

Sonuç olarak, JEST'in uygulanması amatör yapay zeka geliştiricileri için daha zor olabilir, çünkü başlangıçta yüksek kaliteli eğitim verilerinin düzenlemesinde uzmanlık gerektirebilir. JEST araştırmasının zamanlaması, teknoloji sektörü ve dünya genelindeki hükümetlerin yapay zekanın büyük güç talepleriyle ilgilenmeye başladığı açıktır. 2023 yılında yapay zeka yüklerinin tükettiği enerji yaklaşık olarak 4. 3 GW'ye eşitti ve hemen hemen Kıbrıs'ın yıllık enerji tüketimiyle aynı seviyeye geldi. Dahası, enerji tüketimi hızla artmaktadır ve tek bir ChatGPT isteği, bir Google aramasından 10 kat daha fazla enerji tüketmektedir. ARM CEO'suna göre, 2030 yılında yapay zeka, ABD'nin tüm enerji şebekesinin dörtte birini tüketebilir. Büyük oyuncular tarafından JEST yöntemlerinin benimsenmesi ise belirsizliğini koruyor. GPT-4o'nun eğitimi iddia edildiğine göre 100 milyon dolara mal oldu ve gelecekteki daha büyük modeller milyar dolarlık bir değere ulaşabilir. Dolayısıyla, şirketler muhtemelen maliyetleri azaltmaya yönelik yollar arıyor olacaklar. Bazıları, JEST yöntemlerinin yüksek eğitim verimliliğini korurken güç tüketimini en aza indirebileceğini ve bu şekilde hem yapay zeka için maliyetlerin hem de çevrenin fayda sağlayabileceğini düşünüyor. Bununla birlikte, şirketlerin güç kullanımını maksimum düzeye çıkarmak ve JEST yöntemlerini hiper hızlı eğitim sonuçlarına ulaşmak için kullanmaya yönelik bir yol arayışında olmaları daha olasıdır. Maliyet tasarrufu ve ölçeklenebilirlik arasındaki mücadele ise henüz görülmeye değer.