Широта модели (Model Breadth)
Характеристика модели машинного обучения, отражающая диапазон задач или типов данных, с которыми модель способна эффективно работать.
В контексте ИИ и ML широта модели показывает, насколько универсальна модель: может ли она решать не только узкую целевую задачу, для которой была обучена, но и смежные или даже принципиально иные задачи, адаптироваться к новым типам данных без существенной перестройки архитектуры или полного переобучения. Чем шире модель, тем больше сценариев её потенциального применения — но зачастую за счёт снижения точности в рамках каждой отдельной задачи по сравнению со специализированными решениями.
Аналогия
Представьте кухонный прибор: узкоспециализированный — например, кофемашина, которая умеет только варить кофе, — и универсальный, вроде мультиварки, которая может варить, жарить, тушить, выпекать и т. д. Кофемашина даст лучший результат именно в приготовлении кофе, но мультиварка покрывает гораздо больше кулинарных сценариев. Так и широкая модель ML — «мультиварка» среди алгоритмов: не всегда лидер по качеству в каждой отдельной задаче, но охватывает множество сценариев.
Исторический контекст
Идея создания широких, универсальных моделей восходит к ранним представлениям об «общем искусственном интеллекте» (AGI, Artificial General Intelligence). На практике первые ML‑модели были крайне узкоспециализированными: например, перцептроны 1950–1960‑х годов решали простейшие задачи классификации. С развитием глубинного обучения и появлением трансформеров (2017, статья «Attention Is All You Need» от исследователей Google) стало возможным создавать модели, которые демонстрируют широкую применимость: один и тот же архитектурный шаблон (трансформер) лёг в основу и языковых моделей (GPT, BERT), и моделей для работы с изображениями (ViT), и мультимодальных систем.
Смежные понятия
- Глубина модели — относится к сложности архитектуры (число слоёв, параметров), а не к диапазону решаемых задач.
- Обобщающая способность — способность модели хорошо работать на новых, ранее не встречавшихся данных в рамках той же задачи. Широта же подразумевает работу с разными задачами и типами данных.
- Мультимодальность — способность работать с несколькими типами данных (текст, изображение, аудио). Это один из аспектов широты, но не единственный: модель может быть широкой и в рамках одного модального типа (например, языковая модель, решающая и перевод, и суммирование, и генерацию кода).
Примеры использования
- Языковые модели типа GPT‑4 или Gemini Ultra: решают задачи от генерации текста и перевода до написания кода и анализа тональности.
- Мультимодальные модели вроде GPT‑4V или Gemini 1.5 Pro: работают с текстом, изображениями, видео.
- Foundation models (базовые модели) — крупные предобученные модели, предназначенные для тонкой настройки (fine‑tuning) под широкий спектр задач.
- Архитектура трансформера как шаблон, позволяющий строить широкие модели для разных доменов (текст, зрение, аудио).