В последние годы разговоры о корпоративном AI сосредоточились на LLM и генеративном AI . Однако, как показывает практика, есть и другие подходы, которые могут принести значительную пользу предприятиям. Одним из таких подходов являются крупные количественные модели LQM, которые обучаются на оптимизации специфических целей и параметров, таких как свойства материалов и финансовые риски. В этом контексте компания SandboxAQ выделяется как один из ведущих игроков, недавно привлекшая 300 миллионов долларов в новом раунде финансирования.
Финансирование демонстрирует успех компании и её потенциал для роста в области корпоративного AI. SandboxAQ уже установила партнерства с крупными консалтинговыми фирмами, такими как Accenture, Deloitte и EY, для распространения своих решений. Ключевым преимуществом LQM является их способность справляться со сложными, специфичными для отрасли задачами, в которых важны физические принципы и количественные связи.
«Все дело в создании основных продуктов в компаниях, использующих наш AI», — отметил Джек Хидари, CEO SandboxAQ, в интервью для VentureBeat. Он добавил, что LQM лучше всего подходят для создания лекарств, диагностических средств, новых материалов и управления рисками в крупных банках.
В отличие от LLM, которые обрабатывают текстовые данные, LQM генерируют собственные данные на основе математических уравнений и физических принципов.
Их основная цель — решать количественные задачи, с которыми сталкиваются предприятия. «Мы генерируем данные и получаем их из количественных источников», — объяснил Хидари.
Такой подход позволяет достигать значительных прорывов в областях, где традиционные методы не дают результатов. Например, в разработке аккумуляторов, где литий-ионные батареи доминируют уже 45 лет, LQM могут моделировать миллионы химических комбинаций без необходимости физического прототипирования. В фармацевтической разработке LQM помогают анализировать молекулярные структуры и взаимодействия на уровне электронов, что существенно снижает уровень неудач в клинических испытаниях. В финансовом секторе LQM помогают преодолевать ограничения традиционных методов моделирования, таких как метод Монте-Карло, который уже не справляется со сложностью современных финансовых инструментов.
Хидари отметил, что если у него есть портфель и он хочет узнать о его хвостовых рисках с учетом изменений. Он хотел бы создать от 300 до 500 миллионов вариантов этого портфеля с незначительными изменениями, а затем исследовать риски.
Кроме того, SandboxAQ активно развивает технологии LQM в области кибербезопасности. В 2023 году компания представила технологию управления криптографией Sandwich, которая с тех пор была доработана в рамках корпоративного решения AQtive Guard. Представленное программное обеспечение анализирует файлы, приложения и сетевой трафик, чтобы определить используемые алгоритмы шифрования и выявить устаревшие или ненадежные алгоритмы, такие как MD5 и SHA-1.
Хотя LLM также могут быть использованы для анализа шифрования, LQM предлагает более целенаправленный подход, основанный на структурированных данных.
«Мы строим модели и графы знаний, специально предназначенные для анализа шифрования», — подчеркнул Хидари.
В будущем SandboxAQ разрабатывает модуль устранения проблем, который сможет автоматически обновлять используемые алгоритмы шифрования.
Основная идея SandboxAQ состоит в сочетании методов AI с квантовыми вычислениями. Однако, учитывая, что полноценные квантовые компьютеры ещё не достигли нужной мощности, компания использует квантовые принципы с помощью GPU. Благодаря партнерству с Nvidia, SandboxAQ улучшила возможности CUDA для обработки квантовых техник.
При этом компания не использует трансформеры, которые лежат в основе большинства LLM. «Мы обучаем нейронные сети и графы знаний, но это не трансформеры», — отметил Хидари. Он добавил, что предприятиям не следует выбирать между LLM и LQM: «Используйте LLM для того, в чем они хороши, а затем привлекайте LQM для того, в чем уже хороши они».
Источник
Источник: habr.com
