சிறிய மொழி மாதிரிகள் (SLM)அறிமுகம்

அறிமுகம் தற்போது செய்யறிவு(AI) பயன்பாடு மாறிகொண்டே வருகிறது. புதிய வரையறைகளை உடைக்கும் பெரிய மொழி மாதிரிகளில் தலைப்புச் செய்திகள் கவனம் செலுத்தும் அதே வேளையில், சிறிய மாதிரிகள் பெரும்பாலான அன்றாட பணிகளை அதனுடையசெலவின் ஒரு பகுதியிலேயே கையாள முடியும் என்பதை உற்பத்தி குழுக்கள் கண்டுபிடித்துள்ளன.

ஒரு அரட்டையறையைப் பயன்படுத்தியிருந்தால், ஒரு குறிமுறைவரிகளின் உதவியாளரை உருவாக்கியிருந்தால் அல்லது தானியங்கி ஆவண செயலாக்கத்தை உருவாக்கியிருந்தால், நூற்றுக்கணக்கான பில்லியன் அளவுருக்கள் கொண்ட மாதிரிகளுக்கான மேககணினியின் APIஇன் அழைப்புகளுக்கு  பணம் செலுத்தியிருக்கலாம். ஆனால் 2026 இல் பணிபுரியும் பெரும்பாலான பயிற்சியாளர்கள் 80% உற்பத்தி பயன்பாட்டு நிகழ்வுகளுக்கு, மடிக்கணினியில் இயக்கக்கூடிய ஒரு மாதிரி நன்றாக  செயல்படுகிறது .என்றும் இது 95% குறைவாக செலவாகும் என்பதைக் கண்டறிந்துள்ளனர். நேரடியாக நடைமுறை வாய்ப்புகளுக்குச் செல்ல விரும்பினால், மடிக்கணினியில் இயக்கக்கூடிய சிறந்த 7 சிறிய மொழி மாதிரிகளுக்கான  வழிகாட்டி, இன்று கிடைக்கும் சிறந்த மாதிரிகள் , அவற்றை வளாகத்தில் எவ்வாறு இயக்குவது என்பதை உள்ளடக்கியதாகும்.

சிறிய மொழி மாதிரிகள் (SLMகள்) இதை சாத்தியமாக்குகின்றன.இந்தக் கட்டுரையில், சிறிய மொழி மாதிரிகள் என்றால்என்ன, அவை 2026 இல் ஏன் முக்கியமானதாகின்றன, உண்மையான உற்பத்தி அமைப்புகளில் அவற்றை எவ்வாறு திறம்பட பயன்படுத்துவது போன்றவை பற்றி அறிந்து கொள்ளமுடியும். மேலும் அவை செய்யறிவு(AI)  வரிசைப்படுத்தலின் பொருளாதாரத்தை எவ்வாறு மாற்றுகின்றன என்பதை உள்ளடக்கியுள்ளதாகும்.

சிறிய மொழி மாதிரிகளை எது வரையறுக்கிறது . அவை பெரிய மொழி மாதிரிகளிலிருந்து எவ்வாறு வேறுபடுகின்றன.SLM தத்தெடுப்பை இயக்கும் செலவு, தாமதம் , தனியுரிமை நன்மைகள்.நடைமுறை பயன்பாட்டு வழக்குகள், ஆகியன தொடங்குவதற்கான தெளிவான பாதையாகும்.துவங்கிடுவோமா

சிறிய மொழி மாதிரிகள் என்றால் என்ன?

சிறிய மொழி மாதிரிகள் 10 பில்லியனுக்கும் குறைவான அளவுருக்களைக் கொண்ட மொழி மாதிரிகளாகும், பொதுவாக இவை 1 பில்லியனில் இருந்து 7 பில்லியன் வரை இருக்கும்.

அளவுருக்கள் ஒரு நரம்பியல் வலைபின்னலிற்குள் உள்ள “knobs and dials” ஆகும். ஒவ்வொரு அளவுருவும் உள்ளீட்டு உரையை அடுத்து என்ன வரப்போகிறது என்பது பற்றிய கணிப்புகளாக மாற்ற மாதிரி பயன்படுத்தும் ஒரு எண்ணின் மதிப்பாகும். “GPT-4 has over 1 trillion parameters,” என்று  பார்க்கும்போது, ​​அதாவது மாதிரியில் மொழியைப் புரிந்துகொள்வதற்கும் உருவாக்குவதற்கும் ஒன்றாகச் செயல்படும் இந்த சரிசெய்யக்கூடிய மதிப்புகளில் 1 டிரில்லியன் உள்ளது. அதிக அளவுருக்கள் பொதுவாக வடிவங்களைக் கற்றுக்கொள்வதற்கான அதிக திறனைக் குறிக்கின்றன, ஆனால் அவை அதிக கணக்கீட்டு சக்தி, நினைவகம்  இயக்க செலவு ஆகியவற்றைக் குறிக்கின்றன.

அளவிலான வேறுபாடு குறிப்பிடத்தக்கது. GPT-4ஆனது 1 டிரில்லியனுக்கும் அதிகமான அளவுருக்களைக் கொண்டுள்ளது, Claude Opusஆனது நூற்றுக்கணக்கான பில்லியன்களைக் கொண்டுள்ளது, மேலும் Llama 3.1 ஆனது 70B கூட “பெரியதாக” கருதப்படுகிறது. SLMகள் முற்றிலும் மாறுபட்ட அளவில் செயல்படுகின்றன.

ஆனால் “சிறியது” என்பது “எளிமையானது” என்று அர்த்தமன்று. Phi-3 Mini (3.8B அளவுருக்கள்), Llama 3.2 3B, , Mistral 7B போன்ற நவீன SLMகள் பல்வேறு பணிகளில் மாதிரிகளுக்கு 10× அவற்றின் அளவுடன் போட்டியிடும் செயல்திறனை வழங்குகின்றன. இதுஉண்மையில் சிறப்பான வேறுபாடு கொண்டது .

பெரிய மொழி மாதிரிகள் கற்பனை செய்யக்கூடிய ஒவ்வொரு தலைப்பிலும் பரந்த அறிவைக் கொண்ட பொதுவாதிகளாக (generalists) இருக்க பயிற்சியளிக்கப்படும் இடத்தில், குறிப்பிட்ட களங்களுக்கு நன்றாகச் சரிசெய்யப்படும்போது SLMகள் சிறந்து விளங்குகின்றன. வாடிக்கையாளர் ஆதரவு உரையாடல்களில் பயிற்சி பெற்ற 3B மாதிரி, ஏற்கனவே வைத்திருக்கும் வன்பொருளில் இயங்கும் போது  குறிப்பிட்ட ஆதரவு வினவல்களில் GPT-4 ஐ விட சிறப்பாக செயல்படும்.

அவற்றை புதிதாக உருவாக்க வேண்டாம்

ஒரு SLM ஐ ஏற்றுக்கொள்வது என்பது அடிப்படையிலிருந்து ஒன்றை உருவாக்குவதை அர்த்தப்படுத்துவதில்லை. “சிறிய” மாதிரிகள் கூட தனிநபர்கள் அல்லது சிறிய அணிகள் புதிதாகப் பயிற்சி பெற மிகவும் சிக்கலானவை. அதற்கு பதிலாக,ஏற்கனவே மொழியைப் புரிந்துகொள்ளும் ஒரு முன் பயிற்சி பெற்ற மாதிரியை பதிவிறக்கம் செய்து, பின்னர் அதை குறிப்பிட்ட களத்தை நன்றாகச் சரிசெய்தல் மூலம் கற்பித்திடலாம்.

இது ஏற்கனவே ஆங்கிலமொழியை நன்குபுரிந்துகொள்கின்ற பேசுகின்ற ஒரு பணியாளரை பணியமர்த்தி,  நிறுவனத்தின் நடைமுறைகளில் அவர்களுக்கு பயிற்சி அளிப்பது போன்றது, ஒரு குழந்தைக்கு பிறப்பிலிருந்தே பேசக் கற்றுக்கொடுப்பதற்குப் பதிலாக. இந்த மாதிரி பொதுவான மொழிப் புரிதலுடன் வருகிறது.  அதில் கூடுதலாக சிறப்பு அறிவைச் சேர்க்கின்றோம் அவ்வளவுதான்.

நமக்கு PhD ஆராய்ச்சியாளர்கள் குழுவோ அல்லது பெரிய கணினியின் தொகுதிகளோ தேவையில்லை. பைதானின் திறன்கள், நம்முடைய களப்பெயரில் இருந்து சில எடுத்துக்காட்டுத் தரவு , சில மணிநேர GPU நேரம் கொண்ட ஒரு மேம்படுத்துநர் ஆகியன மட்டுமே நமக்குத் தேவையாகும். நுழைவதற்கான தடை பெரும்பாலான பொதுமக்கள் கருதுவதை விட மிகக் குறைவாகும்.

2026 இல் SLMகள் ஏன் முக்கியமாகின்றன

SLM தத்தெடுப்பை  செலவு, தாமதம் , தனியுரிமை ஆகிய மூன்று சக்திகள் இயக்குகின்றன:.

செலவு: பெரிய மாதிரிகளுக்கான மேககணினியின் API விலை நிர்ணயம் 1,000 டோக்கன்களுக்கு (tokens) $0.01 முதல் $0.10 வரை இருக்கும். அளவில், இது வேகமாகச் சேர்க்கிறது. ஒரு நாளைக்கு 100,000 வினவல்களைக் கையாளும் வாடிக்கையாளர் ஆதரவு அமைப்பு API இன் செலவுகளில் மாதந்தோறும் $30,000+ ஐ திரட்டலாம். ஒரு GPUஇன் சேவையகத்தில் இயங்கும் ஒரு SLMஆனது 10,000 அல்லது 10 மில்லியன் வினவல்களைச் செயலாக்கினாலும் அதே வன்பொருளின் அளவிற்குச் செலவாகும். பொருளாதாரம் முழுவதுமாகத் திரும்புகிறது.

தாமதம்:  ஒரு மேககணினியின் API ஐ அழைக்கும்போது, வலைபின்னல்கள் சுற்றுப் பயணங்கள் , அனுமான நேரத்திற்காகக் காத்திருக்கின்றோம். உள்ளூரில் இயங்கும் SLMகள் 50 முதல் 200 மில்லி விநாடிகளில் பதிலளிக்கின்றன. குறிமுறைவரிகளின் உதவியாளர்கள் அல்லது ஊடாடும் அரட்டையறைகள் போன்ற பயன்பாடுகளுக்கு, பயனர்கள் இந்த வேறுபாட்டினை உடனடியாக உணர்கிறார்கள்.

தனியுரிமை: ஒழுங்குபடுத்தப்பட்ட தொழில்கள் (சுகாதாரப் பராமரிப்பு, நிதி, சட்டம் போன்றவை) வெளிப்புற APIகளுக்கு முக்கியமான தரவை அனுப்ப முடியாது. SLMகள் இந்த நிறுவனங்கள் தரவை வளாகத்தில் வைத்திருக்கும்போதுசெய்யறிவைப்(AI) பயன்படுத்த அனுமதிக்கின்றன. வெளிப்புற APIஇன் அழைப்புகள் இல்லை என்றால் எந்த தரவும் உள்கட்டமைப்பை விட்டு வெளியேறாது.

LLMகள் எதிர் SLMகள்: வர்த்தக-பயன்பாடுகளைப் புரிந்துகொள்வது

ஒரு LLM , ஒரு SLM ஆகிய இரண்டிற்கும் இடையேயான முடிவு நம்முடைய தேவைகளுக்கு ஏற்புபொருந்தக்கூடிய திறனைப் பொறுத்ததாகும். வேறுபாடுகளானவை அதன் அளவு, வரிசைப்படுத்தலின் மாதிரி , பணியின் தன்மை ஆகியவற்றிற்குஏற்ப வரும்.

ஒப்பீடு ஒரு வடிவத்தை வெளிப்படுத்துகிறது: LLMகள் அகன்ற , கணிக்க முடியாத தன்மைக்காக வடிவமைக்கப்பட்டுள்ளன, அதே நேரத்தில் SLMகள் ஆழ்ந்த , மீண்டும் மீண்டும் செய்யப்படுகின்ற பணிகளுக்கானவைகளாகும். பணியில் எந்தவொரு தலைப்பையும் பற்றிய எந்தவொரு கேள்வியையும் கையாள வேண்டும் என்றால், நமக்கு LLM இன் பரந்த அறிவு தேவை. ஆனால்  ஒரே மாதிரியான சிக்கலை ஆயிரக்கணக்கான முறை தீர்வுசெய்கின்றோம் என்றால், அந்த குறிப்பிட்ட களத்திற்கு நன்கு வடிவமைக்கப்பட்ட SLM ஆனது வேகமாகவும், மலிவாகவும், பெரும்பாலும் மிகவும் துல்லியமாகவும் இருக்கும்.

இதோ ஒரு உறுதியான எடுத்துக்காட்டு.  ஒரு சட்ட ஆவண பகுப்பாய்வியை உருவாக்குகின்றோம் என்றால், ஒரு LLM ஆனது நிறுவனச் சட்டம் முதல் உலகளாவிய ஒப்பந்தங்கள் வரை எந்த சட்ட கேள்வியையும் கையாள முடியும். ஆனால் வேலைவாய்ப்பு ஒப்பந்தங்களை மட்டுமே செயலாக்குகின்றோம் என்றால்,  நன்றாக வடிவமைக்கப்பட்ட ஒரு 7B  மாதிரி ஆனது அந்த குறிப்பிட்ட பணியில் வேகமாகவும், மலிவாகவும், துல்லியமாகவும் இருக்கும்.

பெரும்பாலான குழுக்கள் ஒரு கலப்பின அணுகுமுறையில் இறங்குகின்றன: 80% வினவல்களுக்கு (கணிக்கக்கூடியவை) SLMகளைப் பயன்படுத்தவும், சிக்கலான 20%க்கு LLMகளாக அதிகரிக்கவும். இந்த “வழிசெலுத்தி(router) ” வழிமுறையானது இரண்டு உலகங்களிலும் உள்ளவற்றுள் சிறந்தவற்றை மட்டும்ஒருங்கிணைக்கிறது.

SLMகள் தங்கள் விளிம்பை எவ்வாறு அடைகின்றன

SLMகள் வெறும் “சிறிய LLMகள்” அல்ல.அவைகுறைந்த அளவுரு எண்ணிக்கையில் அதிக செயல்திறனை வழங்க அவைகள் குறிப்பிட்ட நுட்பங்களைப் பயன்படுத்துகின்றன.

அறிவினை வடிகட்டுதல் சிறிய “மாணவர்” மாதிரிகளைப் பெரிய “ஆசிரியர்” மாதிரிகளைப் பிரதிபலிக்கப் பயிற்சி அளிக்கிறது. அதே பெரிய கட்டமைப்பு தேவையில்லாமல் மாணவர் ஆசிரியரின் வெளியீடுகளை நகலெடுக்கக் கற்றுக்கொள்கின்றன. மைக்ரோசாப்டின் Phi-3 எனும்தொடர் மிகப் பெரிய மாதிரிகளிலிருந்து வடிகட்டப்பட்டது, 5% அளவில் 90%+ திறனைத் தக்க வைத்துக் கொள்கிறது.

உயர்தர பயிற்சி தரவு SLM களுக்கு சுத்தமான தரவு ஆனது அதன் அளவை விட முக்கியமானது. LLM கள் முழு இணையத்திலிருந்தும் டிரில்லியன் கணக்கான டோக்கன்களில் பயிற்சி பெற்றாலும், SLM கள் சுத்தமாக்கப்பட்ட, உயர்தர தரவுத்தொகுப்புகளிலிருந்து பயனடைகின்றன. Phi-3 இன்”textbook-quality” எனும்செயற்கைத் தரவில் பயிற்சி பெற்றது, சத்தத்தை , பணிநீக்கத்தை நீக்க கவனமாக வடிகட்டப்பட்டது.

அளவாக்கம் மாதிரி எடைகளை 16-பிட் அல்லது 32-பிட் மிதக்கும் புள்ளியிலிருந்து 4-பிட் அல்லது 8-பிட் முழு எண்களாக சுருக்குகிறது. 16-பிட் துல்லியத்தில் 7B அளவுரு மாதிரிக்கு 14GB நினைவகம் தேவைப்படுகிறது. 4-பிட்டாக அளவிடப்பட்டால், இது 3.5GB இல் பொருந்துகிறது (மடிக்கணினியில் இயங்கும் அளவுக்கு சிறியது). GGUF போன்ற நவீன அளவீட்டு நுட்பங்கள் 95%+ மாதிரி தரத்தை பராமரிக்கின்றன, அதே நேரத்தில் 75% அளவு குறைவாக அடைகின்றன.

அரிதான கவனம் போன்ற கட்டமைப்பு உகப்பாக்கம் கணக்கீட்டு மேல்நிலையைக் குறைக்கிறது. ஒவ்வொரு டோக்கனும் மற்ற ஒவ்வொரு டோக்கனையும் கவனிப்பதற்குப் பதிலாக, மாதிரிகள் மிகவும் முக்கியமான இடத்தில் கணக்கீட்டை மையப்படுத்த படவில்லை-விண்டோவின் கவனம் அல்லது குழுவாக்கப்பட்ட-வினவலின் கவனம் போன்ற நுட்பங்களைப் பயன்படுத்துகின்றன.

உற்பத்தி பயன்பாட்டு வழக்கங்கள்

SLMகள் ஏற்கனவே தொழில்களில் முழுவதும் உற்பத்தி அமைப்புகளை இயக்குகின்றன.

வாடிக்கையாளர் ஆதரவு: ஒரு பெரிய மின்வணிக தளம் GPT-3.5இல் APIஇன் அழைப்புகளை அடுக்கு-1இன் ஆதரவு வினவல்களுக்கு நன்றாக-ஒத்திசைவு செய்யப்பட்ட Mistral 7B உடன் மாற்றியது. அவைகள் 90% செலவுக் குறைப்பு, 3× வேகமான மறுமொழி நேரங்கள் , பொதுவான கேள்விகளில் சமமான அல்லது சிறந்த துல்லியத்தைக் கண்டன. சிக்கலான வினவல்கள் இன்னும் GPT-4 ஆக அதிகரிக்கின்றன, ஆனால் 75% (tickets)கள் SLM ஆல் கையாளப்படுகின்றன.

குறிமுறைவரிகளின் உதவி: குறிமுறைவரிகளை நிறைவு செய்வதற்கும் எளிமையான மறுசீரமைப்பிற்கும் மேம்பாட்டுக் குழுக்கள் வளாகத்தில் Llama 3.2 3Bஐ இயக்குகின்றன. மேம்படுத்துநர்கள் வெளிப்புற API களுக்கு தனியுரிமை குறிமுறைவரிகளை அனுப்பாமல் உடனடி பரிந்துரைகளைப் பெறுகிறார்கள். இந்த மாதிரி நிறுவனத்தின் குறிமுறைவரிகளின் தளத்தில் சிறப்பாக வடிவமைக்கப் பட்டுள்ளது, எனவே இது உள்ளக வடிவங்களையும் நூலகங்களையும் புரிந்துகொள்கிறது.

ஆவண செயலாக்கம்: மருத்துவ பதிவுகளிலிருந்து கட்டமைக்கப்பட்ட தரவைப் பிரித்தெடுக்க ஒரு சுகாதார வழங்குநர் Phi-3 Mini என்பதைப் பயன்படுத்துகிறார். இந்த மாதிரியானது HIPAA-உடன் இணக்கமாக இயங்குகிறது, இது நிலையான சேவையாளர் வன்பொருளில் ஒரு மணி நேரத்திற்கு ஆயிரக்கணக்கான ஆவணங்களை செயலாக்குகிறது. முன்னதாக, தனியுரிமைக் கட்டுப்பாடுகள் காரணமாக அவர்கள் செய்யறிவை(AI)  முற்றிலுமாகத் தவிர்த்தனர்.

கைபேசிபயன்பாடுகள்: மொழிபெயர்ப்பு பயன்பாடுகள் இப்போது 1B அளவுரு மாதிரிகளை நேரடியாக பயன்பாட்டில் உட்பொதிக்கின்றன. பயனர்கள் இணைய இணைப்பு இல்லாமல் உடனடி மொழிபெயர்ப்புகளைப் பெறுகிறார்கள். மேககணினியின் APIஇன்அழைப்புகளை விட மின்கலணின் ஆயுள் சிறந்தது, மேலும் மொழிபெயர்ப்புகள் விமானங்களில் அல்லது தொலைதூரப் பகுதிகளில்  செயல்படுகின்றன.

SLM களைப் பயன்படுத்தக்கூடாது: திறந்தநிலை ஆராய்ச்சியின் கேள்விகளில், புதுமை தேவைப்படும்  எழுத்து படைப்பு, பரந்த அறிவு தேவைப்படும் பணிகள் அல்லது சிக்கலான பல-படி பகுத்தறிவு ஆகியனவாகும். ஒரு SLM ஒரு புதிய திரைக்கதையை எழுதாது அல்லது புதிய நடைமுறை சிக்கல்களைத் தீர்க்காது. ஆனால் நன்கு வரையறுக்கப்பட்ட, மீண்டும் மீண்டும் செய்யப்படும் பணிகளுக்கு, அவை சிறந்தவைகளாகும்.

SLM-களுடன் தொடங்குதல்

SLM-களுக்குப் புதியவராக இருந்தால், பின்வருமாறு தொடங்கிடுக.

ஒரு விரைவான பரிசோதனையை இயக்கிடுக. Ollama-வை நிறுவுகைசெய்து,  மடிக்கணினியில் Llama 3.2 3B அல்லது Phi-3 Mini-ஐ இயக்கிடுக. உண்மையான பயன்பாட்டு நிகழ்வுகளில் அதைச் பரிசோதிக்க ஒரு மதிய நேரத்தை செலவிடுக. உடன் இதனுடைய வேக வேறுபாடு , திறன் எல்லைகள் ஆகியவற்றினை  உடனடியாகப் புரிந்துகொள்வோம்.

பயன்பாட்டு நிகழ்வை அடையாளம் காண்க. செய்யறிவின்(AI) பணிச்சுமைகளைப் பார்வையிடுக. எத்தனை சதவீதம் கணிக்கக்கூடியது, மீண்டும் மீண்டும் செய்யப்படும் பணிகள் , புதிய வினவல்கள்? 50% க்கும் அதிகமானவை கணிக்கக்கூடியவை என்றால், நம்மிடம் வலுவான SLM பணியாளர் இருக்கிறார் என்ற அர்த்தமாகும்.

தேவைப்பட்டால் நன்றாகச் சரிசெய்திடுக.  குறிப்பிட்ட பணியின் 500 முதல் 1,000 எடுத்துக்காட்டுகளைச் சேகரித்திடுக. நன்றாகச் சரிசெய்ய நாட்கள் அல்ல, மணிநேரம் மட்டுமேஆகும், மேலும் செயல்திறன் மேம்பாடு குறிப்பிடத்தக்கதாக இருக்கும். Hugging Face இன் Transformers நூலகம், Google Colab ஆகிய தளங்கள் போன்ற கருவிகள் அடிப்படை பைதான் திறன்களைக் கொண்ட மேம்படுத்துநர்களுக்கு இதை அணுக உதவுகின்றன.

உள்ளூரில் அல்லது வளாகத்தில் பயன்படுத்திடுக. ஒற்றை GPU சேவையகம் அல்லது ஒரு சிறந்த மடிக்கணினியுடன் தொடங்கிடுக. செலவு, தாமதம் , தரம் ஆகியவற்றினைக் கண்காணித்திடுக.  தற்போதைய மேககணினியின் API இன் செலவினத்துடன் ஒப்பிடுக. பெரும்பாலான குழுக்கள் முதல்ஒரு மாதத்திற்குள் ROIஐக் கண்டுபிடிக்கின்றன.

ஒரு கலப்பின (hybrid) அணுகுமுறையுடன் அளவிடுக.  கருத்தை நிரூபித்தவுடன், SLM க்கு எளிய வினவல்களையும், சிக்கலானவற்றை மேககணினி LLM க்கும் அனுப்புகின்ற ஒரு வழிசெலுத்தியை(router) சேர்த்திடுக. இது செலவு ,திறன் ஆகிய இரண்டிற்கும் நன்றாக  பொருத்தமானதாக அமைகிறது.

முக்கிய குறிப்புகள்

செய்யறிவின்(AI) போக்கு “ பெரிய மாதிரிகள்(bigger models)” மட்டுமல்ல. இது சிறந்த வரிசைப்படுத்தல். SLM கட்டமைப்புகள் மேம்படும்போதும் அளவீட்டு நுட்பங்கள் முன்னேறும்போதும், ​​சிறிய , பெரிய மாதிரிகளுக்கு இடையிலான இடைவெளி சிறப்புப் பணிகளுக்குக் குறைகிறது.

2026 ஆம் ஆண்டில், வெற்றிகரமான செய்யறிவு(AI) வரிசைப்படுத்தல்கள் நாம் எந்த மாதிரியைப் பயன்படுத்துகின்றோம் என்பதன் மூலம் அளவிடப்படுவதில்லை.  மாதிரிகளை பணிகளுக்கு எவ்வளவு சிறப்பாகப் பொருத்துகின்றோம் என்பதன் மூலம் அவை அளவிடப்படுகின்றன. SLMகள் நமக்கு அந்த நெகிழ்வுத்தன்மையை வழங்குகின்றன: நமக்குத் தேவையான இடத்தில், நாம் கட்டுப்படுத்தும் வன்பொருளில்,  வணிகத்துடன் அளவிடும் செலவில் திறமையான செய்யறிவினைப்(AI) பயன்படுத்துவதற்கான திறன் கொண்டுள்ளது.

பெரும்பாலான உற்பத்தி பணிச்சுமைகளுக்கு, SLM களைப் பயன்படுத்தலாமா என்பது கேள்வி அன்று. முதலில் எந்தப் பணிகளைத் தொடங்குவது என்பதுதான் கேள்வியாகும்.