Google’s DeepMind hat eine neue JEST-Trainingsmethode für KI-Modelle eingeführt, die angeblich die Trainingsgeschwindigkeit und Energieeffizienz erheblich verbessert. Bei dieser Methode, die auf Batch-Training statt auf einzelne Datenpunkte setzt, wird ein kleineres Modell erstellt, um die Datenqualität zu bewerten und die am besten geeigneten Batches für das Training eines größeren Modells auszuwählen. Der Erfolg der JEST-Methode hängt von der Qualität der Trainingsdaten ab, was die Umsetzung für KI-Laien schwierig macht. Der Zeitpunkt für diese Forschung ist entscheidend, da die Umweltauswirkungen von KI-Rechenzentren immer besorgniserregender werden, da KI-Workloads bereits eine beträchtliche Menge an Energie verbrauchen. Ob die JEST-Methoden von den großen Akteuren im Bereich der KI übernommen werden, ist noch ungewiss, aber es besteht die Hoffnung, dass sie den Stromverbrauch und die Trainingskosten senken könnten. Der Wettbewerb zwischen Kosteneinsparungen und hyperschnellen Trainingsergebnissen könnte jedoch letztendlich über die Auswirkungen auf die Branche entscheiden.
