1. Databricks gastó 10 millones de dólares en entrenar un modelo de IA generativa llamado DBRX, que está optimizado para el uso del idioma inglés pero se puede personalizar para otros idiomas.
2. DBRX requiere hardware específico para ejecutarse de manera eficiente, lo que dificulta su uso para desarrolladores y emprendedores individuales a menos que sean clientes de Databricks.
3. A pesar de las afirmaciones de Databricks de que DBRX supera a otros modelos en ciertas áreas, no llega a los principales modelos de IA generativa como el GPT-4 de OpenAI y puede tener limitaciones en términos de precisión y sesgo.
Databricks ha introducido un nuevo modelo de IA generativa llamado DBRX, similar a la serie GPT de OpenAI y Gemini de Google. Fue entrenado durante dos meses y costó aproximadamente 10 millones de dólares. El modelo está optimizado para inglés pero puede traducir y conversar en otros idiomas. Si bien Databricks afirma que DBRX supera a los modelos de código abierto existentes, su uso es un desafío a menos que sea cliente de Databricks debido a los elevados requisitos de hardware.
DBRX se ejecuta hasta 2 veces más rápido que otros modelos como Llama 2, utilizando una combinación de arquitectura experta. Sin embargo, no llega al GPT-4 de OpenAI en muchas áreas. A pesar de los esfuerzos por garantizar la seguridad y minimizar los sesgos, los modelos de IA generativa como DBRX aún pueden producir respuestas inexactas. DBRX no es multimodal y solo puede generar texto, no imágenes.
No está claro cómo se entrenó DBRX y si hay derechos de autor o sesgos presentes en los datos. Actualmente, Databricks no ofrece cobertura de honorarios legales por infracción de propiedad intelectual relacionada con los resultados del modelo. Es posible que el modelo tenga dificultades para competir con otros modelos de IA generativa en el mercado, particularmente porque requiere hardware costoso y está dirigido principalmente a clientes de Databricks. A medida que Databricks continúa perfeccionando DBRX, su objetivo es abordar los desafíos relacionados con la confiabilidad, la seguridad y el sesgo en versiones futuras.
