Ich habe da so einen Fehler an mir: Je weniger ich etwas verstehe, desto mehr will ich es ausprobieren.
Als ich die Chat-Oberfläche von @OpenGradient zum ersten Mal öffnete, war ich ehrlich gesagt ziemlich verwirrt. Sie ist nicht wie ChatGPT, wo dir sofort ein Dialogfenster entgegenkommt und du einfach tippen kannst. Stattdessen musst du erst ein Modell auswählen – in der Dropdown-Liste stehen ein Dutzend Namen: so etwas wie „sentiment-bert-base“, „ner-roberta-large“; keines davon kannte ich. Auch gab es keine Anleitung, die sagt: „Für Einsteiger zuerst dieses Modell nutzen“. Da wurde man einfach allein gelassen und musste selbst entscheiden.
Ich habe irgendein Modell für Stimmungsanalyse angeklickt, einen Text eingegeben und mehr als eine Minute gewartet, bis das Ergebnis kam. Dann habe ich zu einem anderen Modell gewechselt, das ebenfalls Stimmungsanalyse verspricht. Gleicher Text, aber das Ergebnis war diesmal anders – einmal „positiv“, einmal „neutral“. Meine erste Reaktion war nicht „Welches ist wohl genauer?“, sondern: „Warum liefert dasselbe Plattform-Setup, derselbe Aufgabentyp, zwei Modelle zu unterschiedlichen Schlussfolgerungen?“ $OPG
Später habe ich es verstanden: Das ist der grundlegende Unterschied zwischen OpenGradient und normalen KI-Produkten. Es wählt nicht für dich das Modell aus – es stellt nur die Modelle und die Validierungsfunktionen bereit. Welches du nimmst, ist deine freie Entscheidung. Diese „Werkzeugkasten“-Ausrichtung ist für Entwickler ein gutes Ding: flexibel, kombinierbar, nachprüfbar. Aber für normale Nutzer ist die Auswahl zu aufwendig. Die meisten wollen einfach „etwas, das funktioniert“ und keine Hausaufgaben unter Dutzenden Modellnamen machen.
Ich habe später noch einen kleinen Trick herausgefunden: zuerst die Aufrufzahlen unter jedem Modell ansehen und das mit den meisten Aufrufen nehmen – die „Masse“ hat für mich die Vorauswahl getroffen. Das ist nicht unbedingt wissenschaftlich, aber zumindest zuverlässiger als reines Blindraten. $ETH
Derzeit nehmen die Modellarten im Testnetz weiter zu, aber die Qualität ist sehr uneinheitlich. Manche Modelle wirken, als seien sie nur Open-Source-Gewichte 1:1 rübergebracht worden, nicht einmal die Beschreibung wurde geändert. Wenn Model Hub Entwickler wirklich dazu bringen will, eigene, originale Modelle zu deployen, muss es sich womöglich stärker auf Modellqualitätsprüfungen und Empfehlungsmechanismen konzentrieren – statt den Nutzern zuzumuten, unter Dutzenden Namen einfach Glück zu haben. @OpenGradient #OPG
Als ich die Chat-Oberfläche von @OpenGradient zum ersten Mal öffnete, war ich ehrlich gesagt ziemlich verwirrt. Sie ist nicht wie ChatGPT, wo dir sofort ein Dialogfenster entgegenkommt und du einfach tippen kannst. Stattdessen musst du erst ein Modell auswählen – in der Dropdown-Liste stehen ein Dutzend Namen: so etwas wie „sentiment-bert-base“, „ner-roberta-large“; keines davon kannte ich. Auch gab es keine Anleitung, die sagt: „Für Einsteiger zuerst dieses Modell nutzen“. Da wurde man einfach allein gelassen und musste selbst entscheiden.
Ich habe irgendein Modell für Stimmungsanalyse angeklickt, einen Text eingegeben und mehr als eine Minute gewartet, bis das Ergebnis kam. Dann habe ich zu einem anderen Modell gewechselt, das ebenfalls Stimmungsanalyse verspricht. Gleicher Text, aber das Ergebnis war diesmal anders – einmal „positiv“, einmal „neutral“. Meine erste Reaktion war nicht „Welches ist wohl genauer?“, sondern: „Warum liefert dasselbe Plattform-Setup, derselbe Aufgabentyp, zwei Modelle zu unterschiedlichen Schlussfolgerungen?“ $OPG
Später habe ich es verstanden: Das ist der grundlegende Unterschied zwischen OpenGradient und normalen KI-Produkten. Es wählt nicht für dich das Modell aus – es stellt nur die Modelle und die Validierungsfunktionen bereit. Welches du nimmst, ist deine freie Entscheidung. Diese „Werkzeugkasten“-Ausrichtung ist für Entwickler ein gutes Ding: flexibel, kombinierbar, nachprüfbar. Aber für normale Nutzer ist die Auswahl zu aufwendig. Die meisten wollen einfach „etwas, das funktioniert“ und keine Hausaufgaben unter Dutzenden Modellnamen machen.
Ich habe später noch einen kleinen Trick herausgefunden: zuerst die Aufrufzahlen unter jedem Modell ansehen und das mit den meisten Aufrufen nehmen – die „Masse“ hat für mich die Vorauswahl getroffen. Das ist nicht unbedingt wissenschaftlich, aber zumindest zuverlässiger als reines Blindraten. $ETH
Derzeit nehmen die Modellarten im Testnetz weiter zu, aber die Qualität ist sehr uneinheitlich. Manche Modelle wirken, als seien sie nur Open-Source-Gewichte 1:1 rübergebracht worden, nicht einmal die Beschreibung wurde geändert. Wenn Model Hub Entwickler wirklich dazu bringen will, eigene, originale Modelle zu deployen, muss es sich womöglich stärker auf Modellqualitätsprüfungen und Empfehlungsmechanismen konzentrieren – statt den Nutzern zuzumuten, unter Dutzenden Namen einfach Glück zu haben. @OpenGradient #OPG