AI News
Alle Meldungen
Berichtet

OpenAIs Werbeteam soll binnen etwa eines Jahres 1 Mrd. Dollar Jahresumsatz erreicht haben

Laut V. J. Raji hat das rund 50-köpfige Werbeteam von OpenAI in etwa sieben bis acht Monaten den Sprung von null Code auf eine annualisierte Umsatzrate von 1 Milliarde Dollar geschafft.

Wirtschaft und Finanzierung · · 1 Min. Lesezeit

Das Werbeteam von OpenAI, das Vijay Raji mit etwa 50 Personen beziffert, kam in rund sieben bis acht Monaten von null Code auf eine annualisierte Umsatzrate von 1 Milliarde Dollar. Das sagte Raji im Interview mit Nate B. Jones. Raji, CTO of Applications bei OpenAI, gab an, das Team arbeite insgesamt seit etwa neun oder zehn Monaten und habe diesen Wert innerhalb dieser Zeit erreicht. Die Zahlen stammen aus einem Gespräch, das als Video und als kostenpflichtiges Substack-Interview veröffentlicht wurde. Es handelt sich um Rajis eigene Darstellung, nicht um veröffentlichte Finanzzahlen.

Der technischere Teil von Rajis Darstellung betrifft den Aufbau des Werbesystems. Raji beschrieb eine Pipeline mit mehreren Stufen: einen Ad-Indexer, einen Query-Rewriter, die Kandidatengenerierung, eine Auktion und einen Ranker. Die Ergebnisse gehen anschließend zur Anzeige an den Client zurück. Für die einzelnen Stufen habe das Team keine eigenen Machine-Learning-Modelle gebaut, sagte er. Stattdessen habe es über die gesamte Pipeline hinweg LLMs eingesetzt. Ein Ansatz, der jede Stufe einzeln angeht, hätte deutlich länger gedauert.

Außerdem äußerte sich Raji dazu, wie sich das System mit der Zeit verbessert. Weil die Stufen auf LLMs aufbauten, werde das Werbesystem besser, sobald die zugrunde liegenden Modelle besser werden. Das System werde dadurch „gratis“ klüger, so Raji. Er stellte das als Designprinzip dar: Ein System, das darauf ausgelegt ist, von besseren Modellen zu profitieren, sei richtig gebaut. Zudem sei das Team für seine Leistung klein. Die Zahl von rund 50 Personen nannte er als Schätzung und wertete sie als Beleg dafür, dass die richtigen Werkzeuge und Modelle kleine Teams schlagkräftig machen.

Warum es wichtig ist

Rajis Darstellung legt nahe, dass ein kleines Team, das Allzweckmodelle über eine mehrstufige Pipeline hinweg einsetzt, schneller vorankommen kann als eines, das für jede Stufe eigene Modelle baut. Unternehmen, die ähnliche Systeme planen, könnten überdenken, wie viel maßgeschneidertes ML sie tatsächlich brauchen.

Was Sie tun können

Gehen Sie Ihre bestehenden mehrstufigen ML-Pipelines durch und prüfen Sie, welche Stufen ein Allzweckmodell übernehmen könnte, bevor Sie eigene Modelle trainieren.

Originalquelle

Für diese Meldung haben wir noch keinen Link zur Originalquelle.

Wo wir es gesehen haben

1 Quelle

Nate B Jones

KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es