मिस्ट्रल एंटरप्राइझमधील ओपनएआय, एन्थ्रोपिक बरोबर 'बिल्ड-युअर-ओन-एआय' वर बाजी मारते

बहुतेक एंटरप्राइझ AI प्रकल्प अयशस्वी होतात कारण कंपन्यांकडे तंत्रज्ञानाचा अभाव आहे, परंतु ते वापरत असलेल्या मॉडेल्सना त्यांचा व्यवसाय समजत नाही म्हणून. अनेक दशकांच्या अंतर्गत दस्तऐवज, कार्यप्रवाह आणि संस्थात्मक ज्ञानाऐवजी मॉडेल्सना इंटरनेटवर प्रशिक्षण दिले जाते.

हे अंतर आहे जेथे मिस्ट्रल, फ्रेंच AI स्टार्टअप, संधी पाहते. मंगळवारी, कंपनीने मिस्ट्रल फोर्जची घोषणा केली, एक प्लॅटफॉर्म जो उपक्रमांना त्यांच्या स्वतःच्या डेटावर प्रशिक्षित सानुकूल मॉडेल तयार करू देतो. Mistral ने Nvidia GTC, Nvidia च्या वार्षिक तंत्रज्ञान परिषदेत प्लॅटफॉर्मची घोषणा केली, जी या वर्षी एंटरप्राइझसाठी AI आणि एजंटिक मॉडेल्सवर जास्त केंद्रित आहे.

मिस्ट्रल या कंपनीसाठी ही एक सूचक वाटचाल आहे, ज्याने कॉर्पोरेट क्लायंटवर आपला व्यवसाय उभारला आहे, तर प्रतिस्पर्धी OpenAI आणि Anthropic ग्राहक दत्तक घेण्याच्या बाबतीत खूप पुढे आहेत. सीईओ आर्थर मेन्सचे म्हणणे आहे की एंटरप्राइझवर मिस्ट्रलचे लेझर फोकस कार्यरत आहे: कंपनी मार्गावर आहे वार्षिक आवर्ती महसुलात $1 अब्ज ओलांडले या वर्षी.

एंटरप्राइझवर दुप्पट होण्याचा एक मोठा भाग म्हणजे कंपन्यांना त्यांच्या डेटावर आणि त्यांच्या एआय सिस्टमवर अधिक नियंत्रण देणे, मिस्ट्रल म्हणतात.

“फोर्ज काय करते ते उद्योगांना आणि सरकारांना त्यांच्या विशिष्ट गरजांसाठी AI मॉडेल्स सानुकूलित करू देते,” एलिसा सलामांका, मिस्ट्रलच्या उत्पादन प्रमुख यांनी रीडला सांगितले.

एंटरप्राइझ एआय स्पेसमधील बऱ्याच कंपन्या आधीपासून समान क्षमता ऑफर करण्याचा दावा करतात, परंतु बहुतेक सध्याच्या मॉडेल्सवर चांगले-ट्यूनिंग करण्यावर किंवा पुनर्प्राप्ती संवर्धित जनरेशन (RAG) सारख्या तंत्राद्वारे मालकी डेटा शीर्षस्थानी ठेवण्यावर लक्ष केंद्रित करतात. हे दृष्टिकोन मूलभूतपणे मॉडेलला पुन्हा प्रशिक्षित करत नाहीत; त्याऐवजी, ते कंपनी डेटा वापरून रनटाइमच्या वेळी त्यांच्याशी जुळवून घेतात किंवा क्वेरी करतात.

याउलट मिस्ट्रल म्हणतात की ते कंपन्यांना सुरवातीपासून मॉडेल्सचे प्रशिक्षण देण्यास सक्षम करत आहे. सिद्धांतानुसार, हे अधिक सामान्य दृष्टिकोनांच्या काही मर्यादांना संबोधित करू शकते — उदाहरणार्थ, इंग्रजी नसलेल्या किंवा उच्च डोमेन-विशिष्ट डेटाची चांगली हाताळणी आणि मॉडेल वर्तनावर अधिक नियंत्रण. हे कंपन्यांना सुदृढीकरण शिक्षण वापरून एजंटिक प्रणाली प्रशिक्षित करण्यास आणि तृतीय-पक्ष मॉडेल प्रदात्यांवर अवलंबून राहण्याची परवानगी देऊ शकते, मॉडेल बदल किंवा अवमूल्यन यासारखे धोके टाळतात.

फोर्ज ग्राहक मिस्ट्रलच्या ओपन-वेट एआय मॉडेल्सच्या विस्तृत लायब्ररीचा वापर करून त्यांचे सानुकूल मॉडेल तयार करू शकतात, ज्यामध्ये अलीकडेच सादर करण्यात आलेल्या लहान मॉडेल्सचा समावेश आहे. मिस्ट्रल स्मॉल 4. Mistral सह-संस्थापक आणि मुख्य तंत्रज्ञ, Timothee Lacroix यांच्या मते, Forge त्याच्या विद्यमान मॉडेल्समधून अधिक मूल्य अनलॉक करण्यात मदत करू शकते.

“आम्ही लहान मॉडेल्स बनवतो तेव्हा आम्ही जे ट्रेड-ऑफ करतो ते हे आहे की ते प्रत्येक विषयावर त्यांच्या मोठ्या समकक्षांइतके चांगले असू शकत नाहीत आणि त्यामुळे त्यांना सानुकूलित करण्याची क्षमता आम्हाला आम्ही कशावर जोर देऊ आणि काय सोडू ते निवडू देते,” लॅक्रोक्स म्हणाले.

कोणती मॉडेल्स आणि पायाभूत सुविधा वापरायच्या यावर मिस्ट्रल सल्ला देतात, परंतु दोन्ही निर्णय ग्राहकांसोबत राहतात, लॅक्रोक्स म्हणाले. आणि ज्या संघांना मार्गदर्शनापेक्षा जास्त गरज आहे त्यांच्यासाठी फोर्ज येतो मिस्ट्रलची फॉरवर्ड-डिप्लॉयड इंजिनिअर्सची टीम जे थेट ग्राहकांसोबत एम्बेड करतात आणि योग्य डेटा समोर आणतात आणि त्यांच्या गरजांशी जुळवून घेतात — एक मॉडेल IBM आणि Palantir कडून घेतलेले आहे.

“उत्पादन म्हणून, फोर्ज आधीपासून सर्व टूलिंग आणि पायाभूत सुविधांसह येते ज्यामुळे तुम्ही सिंथेटिक डेटा पाइपलाइन तयार करू शकता,” सलामांका म्हणाले. “पण योग्य कसे तयार करायचे ते समजून घेणे इव्हल्स आणि तुमच्याकडे योग्य प्रमाणात डेटा असल्याची खात्री करणे ही अशी गोष्ट आहे ज्यासाठी एंटरप्राइजेसना सहसा योग्य कौशल्य नसते आणि तेच FDE टेबलवर आणतात.”

मिस्ट्रलने एरिक्सन, युरोपियन स्पेस एजन्सी, इटालियन सल्लागार कंपनी रिप्लाय आणि सिंगापूरच्या डीएसओ आणि एचटीएक्ससह भागीदारांना फोर्ज आधीच उपलब्ध करून दिले आहे. सुरुवातीच्या दत्तक घेणाऱ्यांमध्ये ASML, डच चिपमेकर यांचाही समावेश आहे मिस्ट्रलची मालिका सी गेल्या सप्टेंबरमध्ये €11.7 अब्ज मूल्यांकन (त्यावेळी अंदाजे $13.8 अब्ज).

या भागीदारी फोर्जच्या मुख्य वापर प्रकरणांमध्ये मिस्ट्रलची अपेक्षा काय आहेत याचे प्रतीक आहे. मिस्ट्रलचे मुख्य महसूल अधिकारी मार्जोरी जॅनिविच यांच्या मते, यामध्ये अशा सरकारांचा समावेश आहे ज्यांना त्यांच्या भाषा आणि संस्कृतीसाठी मॉडेल तयार करण्याची आवश्यकता आहे; उच्च अनुपालन आवश्यकता असलेले आर्थिक खेळाडू; सानुकूलित आवश्यकता असलेले उत्पादक; आणि टेक कंपन्या ज्यांना त्यांच्या कोड बेसवर मॉडेल ट्यून करणे आवश्यक आहे.