Wprowadzenie
Yield w kontekście sztucznej inteligencji to miara efektywności modelu lub systemu AI. Określa, jaki procent generowanych wyników jest wartościowy, poprawny, użyteczny lub spełnia określone kryteria jakości.
Rodzaje Yield w AI
- Prompt Yield – procent dobrych odpowiedzi na dany prompt
- Model Yield – ogólna jakość i użyteczność outputów modelu
- Generation Yield – stosunek dobrych generacji do wszystkich prób
- Hardware Yield – procent sprawnych chipów AI produkowanych na linii (np. NVIDIA, TSMC)
Dlaczego Yield jest ważny?
W erze dużych modeli językowych (LLM) koszt jednego zapytania jest istotny. Wysoki Yield oznacza niższe koszty operacyjne, mniejszą potrzebę regeneracji odpowiedzi i lepszą satysfakcję użytkowników.
Jak poprawiać Yield?
- Zaawansowane techniki prompt engineering
- Chain-of-Thought i Self-Consistency
- Fine-tuning i RLHF
- Model merging oraz MoE (Mixture of Experts)
- Post-processing i voting mechanizmy
- Automatyczne ewaluacje (LLM-as-a-Judge)
Przykłady
- Model ma 87% Yield – na 100 wygenerowanych odpowiedzi 87 jest akceptowalnych
- Po optymalizacji promptu Yield wzrósł z 42% do 91%
- W produkcji chipów AI Yield na poziomie 70-80% jest uważany za bardzo dobry
Aktualny status (2026)
Yield stał się jednym z kluczowych wskaźników KPI przy wdrażaniu rozwiązań AI w przemyśle. Firmy nie mierzą już tylko accuracy czy perplexity – coraz częściej ocenia się rzeczywistybusiness yield, czyli ile realnej wartości przynosi dany system AI.