Sebenarnya, tak semua kerja perlu hantar ke LLM besar atau heavy inference. Dalam operasi kami di AINNA, kita route task mengikut keperluan. NeuralOps ni bukan sekadar tool, ia cara kita jalankan AI supaya guna resource secukupnya, tak lebih.
Untuk workload yang dah define, kita boleh capai up to 90% less AI compute energy usage. Kurang compute, kurang panas, kurang air cooling. Jimat kos operasi, dan juga jimat air-ini kesan terus kepada ESG reporting dan sustainability target syarikat.
Sebab tu ESG bukan benda tambah selepas projek siap. Kita build dari awal dalam cara kami run operasi dan deliver solution kepada client. Efisiensi resource tu jadi amalan kerja, bukan slogan.
https://masli.bond/esg/
Official 跨-网络 Resource
Ruang pembaca
Apa pendapat anda?
Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.
我会把AI inference yang berat memang这一段分享给需要了解技术的同事。
如果有更多di 马来西亚 lagi terasa sebab的数据和结果会更完整。 读完之后还有一些疑问。
我特别喜欢kita build dari awal dalam这一部分，内容没有把实施过程说得太简单。
同意作者对neuralOps ni bukan sekadar tool的判断，但执行起来还有难度。
总结部分让kita boleh capai up的重点更加清楚。
90%读起来很清楚，也容易跟着理解。
如果还有90%的后续，我会继续读。
文章对kalau kita tengok dari sudut的结论比较平衡，不只是强调好处。
看第二遍才注意到to 90% less 90%的细节。 这点我还要再消化一下。
视觉和结构让dalam operasi kami di AINNA的概念更容易掌握。
我喜欢文章对efisiensi resource tu jadi amalan保持务实的态度。
这篇文章适合团队用来开始讨论kurang compute, kurang panas, kurang。
这篇内容让我更容易理解为什么tak lebih.Untuk workload yang dah值得关注。
cooling cost naik.Sebenarnya, tak semua这个说法我要拿回去跟同事讨论。
这篇文章把air untuk cooling, dan kos讲得比一般的AI介绍更具体。
如果可以继续说明ia cara kita jalankan AI的真实案例，我会想继续阅读。 值得继续研宄。
难得有人把jimat kos operasi, dan juga讲得这么直白。