Tehisintellekti kulud: mida odavam kiip ei lahenda

Valgusega arvutamine ja uued õppemeetodid avavad võimalusi, kuid idufirma peab mõõtma kogu teenuse tasuvust.

Tehisintellekti kulud võivad väheneda ja toode ikkagi kallimaks minna. Kujutle Eesti e-poodi, mis loob tootepilte automaatselt: ühe pildi genereerimine maksab vähem, kuid töötaja peab senisest rohkem parandama värve, kontrollima detaile ja kordama ebaõnnestunud katseid. Serveriarve näitab võitu, tööpäev räägib teist lugu.

Seepärast tasub graafikaprotsessorite võimalikke asendajaid jälgida ühe praktilise küsimusega: kas uus lahendus muudab kliendile lubatud tulemuse tervikuna odavamaks? Graafikaprotsessor ehk GPU on paljude arvutuste paralleelseks tegemiseks sobiv kiip. Valgusel põhinev arvutamine ja uued mudelite õpetamise viisid pakuvad põnevaid võimalusi, kuid ettevõtja peab nende kasu hindama oma tööülesande järgi.

Eesti idufirma jaoks tähendab see oskust uusi lahendusi katsetada ja nende mõju mõõta. Minu hinnangul tasub ehitada teenus nii, et arvutustehnikat saaks hiljem vahetada, ilma et kliendi töökorraldus ja kogu toode tuleks uuesti üles ehitada.

Valgusega arvutamine muudab ühe osa kuludest

Ilker Oguzi uurimisrühma töö optiliste difusioonimudelitega näitab, kuidas kasutada valguse levimist pildiloome arvutustes. Difusioonimudel loob pilti juhuslikust mürast seda sammhaaval eemaldades. Teadlaste lahenduses läbivad valgusega esitatud pildimustrid optilisi kihte, mis aitavad määrata eemaldatavat müra.

See on konkreetne uurimistulemus: osa arvutusest saab siduda valguse füüsikalise käitumisega. Sama uurimissuund on Y Combinatori rahvusvahelise teadusarutelu valgusega pildiloome osa teema alates 22:23. Ettevõtja jaoks avaneb sellest võimalus küsida, milline tema teenuse korduv arvutus võiks teistsugusest riistvarast kasu saada.

Uurimusest ei saa siiski järeldada, et Eesti e-poe pilditeenus muutuks sama lahendusega automaatselt soodsamaks. Et sellist otsust teha, tuleb hinnata ka piltide sisestamist, tulemuste salvestamist, ühendamist olemasoleva tarkvaraga ja kvaliteedikontrolli. Kiire arvutus on üks etapp; tellimuse täitmiseks peab toimima kogu ahel.

Oletame, et pildi loomine kiireneb, kuid toote õige kuju säilitamine nõuab endiselt käsitsi parandamist. Sellisel juhul tasub esmalt uurida, kas suurim sääst peitub hoopis paremas sisendmaterjalis või kontrolliprotsessis. Riistvara katsetamine muutub mõtestatuks siis, kui tead, milline tööetapp aega ja raha kõige rohkem neelab.

Mudeli õpetamine ja kasutamine vajavad eri arvestust

Ka õppemeetodi muutmine võib avada teistsuguseid tehnilisi võimalusi. Francois Chaubardi ja kaasautorite SOMA uurimus käsitleb mudeli jagamist väiksemateks, eraldi õpetatavateks osadeks. Õpetamine käib parameetrite muutmise ja tulemuste võrdlemise kaudu, kasutamata tavapärast vea tagasilevitamist läbi närvivõrgu.

Y Combinatori arutelu SOMA käsitlus algab 08:08. Selle ettevõtluslik tähendus sõltub aga sellest, mida sinu ettevõte tegelikult teeb: kas arendab oma mudelit või ostab valmis mudeli kasutamist teenusena. Need tegevused panevad kulud ja tehnilised riskid eri kohtadesse.

SOMA autorid tegid kirjeldatud katsed graafikaprotsessoritel. Seega näitab töö uut õpetamisviisi, kuid ei tõesta iseenesest GPU-de asendamist. Valmis mudelit kasutava rakenduse puhul tuleks eraldi kontrollida, kas pakutav lahendus parandab vastuse kvaliteeti, vähendab ooteaega või langetab kasutamise hinda.

Siin tasub tarnijalt küsida väga lihtsalt: milline osa esitatud tulemusest jõuab minu teenusesse? Kui kokkuhoid tekib mudeli õpetamisel, aga sinu ettevõte maksab iga päringu eest, peab kasu kajastuma ka hinnastuses või teenuse omadustes. Tehniline saavutus ja ostja sääst vajavad omavahel selget seost.

Võrdle ühe kasutuskõlbliku tulemuse hinda

Tehisintellekti kulud muutuvad arusaadavamaks, kui jagad kogu töövoo kulu vastuvõetavate tulemuste arvuga. Pilditeenuses võiks tulemuseks olla avaldamiseks sobiv tootepilt. Klienditoes võiks see olla õigesti lahendatud pöördumine, mille järel ei pea inimene sama tööd uuesti tegema.

Pane enne katset kirja, mida tähendab vastuvõetav kvaliteet. Eesti klientidele mõeldud teenuse puhul võib see hõlmata loomulikku eesti keelt, õigeid tootenimetusi ja arusaadavat vastust ka ebatäpselt sõnastatud küsimusele. Müügiesitlusest võetud näidis ei asenda sinu enda tavapäraseid ega keerulisi juhtumeid.

Võrdlusesse tasub kaasata järgmised küsimused:

• Kui palju tulemusi saab kasutada ilma parandusteta?
• Kui kaua ootab klient kogu töö valmimist?
• Kui palju kulub töötajate aega vigade leidmisele ja parandamisele?
• Mis juhtub siis, kui teenus eksib või katkeb?

Viimane küsimus seob tasuvuse tehisintellekti agendi tegevuspiiridega. Näiteks võiks tagasimakse ettepanekut koostav abiline vajada raha liigutamiseks inimese kinnitust. Selline töökorraldus mõjutab nii teenuse hinda kui ka võimaliku eksimuse tagajärgi.

Teenusepakkuja vahetamine tuleb läbi proovida

Valikuvabadus algab üsna argisest arendusotsusest: hoia mudeliga suhtlemine kliendiandmete haldamisest ja ettevõtte tööreeglitest eraldi. Nii saab uue teenusepakkuja katsetamisel keskenduda sellele, kuidas ta sama ülesannet lahendab. Ka siis tuleb kontrollida andmevorminguid, vastuste käitumist ja kvaliteeti; ühine ühendusviis ei taga ühesugust tulemust.

Siin muutub oluliseks idufirma meeskonna valik. Tehnilise võrdluse kõrvale on vaja inimest, kes tunneb kliendi igapäevatööd ja oskab ära tunda kasutuskõlbliku tulemuse. Vastasel juhul võib meeskond optimeerida kiirust olukorras, kus klient ootab hoopis vähem vigu.

Katsetamine ise peab samuti ära tasuma. Piira proov ühe selgelt määratletud ülesandega ning lepi ette kokku, milline paranemine õigustab üleminekut. Kui tulemus on veenev, saab sellest kujundada ka usutava kliendiloo: mida klient enne tegi, mis muutus ja kuidas kasu mõõdeti.

Mida sellest kaasa võtta?

Uued arvutusviisid annavad ettevõtjale põhjuse oma tehnilisi valikuid uuesti hinnata. Kõige kasulikum ettevalmistus on teadmine, milline ülesanne kulutab raha, milline tulemus kõlbab kliendile ning kui keeruline on praegust lahendust asendada. Need teadmised aitavad hinnata nii optilist riistvara kui ka järgmist pilveteenuse pakkumist.

Alusta ühest kulukast töövoost ja mõõda seda algusest lõpuni. Seejärel proovi alternatiivi samade juhtumitega ning arvesta juurde vahetamise töö. Nii saad teha tehnoloogiavaliku võrreldavate tulemuste põhjal ja hinnata, kas sinu ettevõte suudab kliendile lubatud tulemuse paremini kätte anda.

Y Combinatori teadusarutelu alternatiivsetest arvutusviisidest, avaldatud 2. oktoobril 2026.

Kiire arvutus on üks etapp; tellimuse täitmiseks peab toimima kogu ahel.

Tehniline saavutus ja ostja sääst vajavad omavahel selget seost.

▶

Vaata algset saadet YouTube’is: Y Combinator.

Allikad

• Y Combinatori teadusarutelu: alternatiivid graafikaprotsessoritele — Avaldatud 2. oktoobril 2026. SOMA käsitlus algab 08:08 ja valgusega difusioonimudeli loomise käsitlus 22:23. Ajaviited pärinevad kanali kirjeldusest. Täielik transkriptsioon ei olnud kättesaadav; tehnilised väited on kontrollitud allpool viidatud uurimustest.
• Ilker Oguz ja kaasautorid: optilised difusioonimudelid piltide loomiseks — Uurimus kirjeldab valguse levimise ja passiivsete optiliste kihtide kasutamist difusioonimudeli müravähenduses. Ettevõtte kogu töövoo tasuvust käsitlevad järeldused on iseseisev analüüs.
• Francois Chaubard ja kaasautorid: mudeli jaotamisel põhinev SOMA õppemeetod — 29. septembril 2026 avaldatud eeltrükk kirjeldab eraldi õpetatavaid alammudeleid ja tagasilevitamiseta optimeerimist. Kirjeldatud katsed kasutavad graafikaprotsessoreid.