النماذج التأسيسية على الحافة – مدونة IBM

النماذج التأسيسية (FMs) يمثلون بداية حقبة جديدة في التعلم الآلي (ML) و الذكاء الاصطناعي (منظمة العفو الدولية)، مما يؤدي إلى تطوير أسرع للذكاء الاصطناعي الذي يمكن تكييفه مع مجموعة واسعة من المهام النهائية وضبطه ليناسب مجموعة من التطبيقات. 

مع تزايد أهمية معالجة البيانات حيث يتم تنفيذ العمل، فإن خدمة نماذج الذكاء الاصطناعي على حافة المؤسسة تتيح التنبؤات في الوقت الفعلي تقريبًا، مع الالتزام بمتطلبات سيادة البيانات والخصوصية. من خلال الجمع بين آي بي إم واتسونكس وقدرات منصة البيانات والذكاء الاصطناعي لأنظمة إدارة المرافق ذات الحوسبة المتطورة، يمكن للمؤسسات تشغيل أعباء عمل الذكاء الاصطناعي لضبط إدارة المرافق والاستدلال عليها على الحافة التشغيلية. وهذا يمكّن المؤسسات من توسيع نطاق عمليات نشر الذكاء الاصطناعي على الحافة، مما يقلل من الوقت والتكلفة للنشر مع أوقات استجابة أسرع.

يرجى التأكد من مراجعة كافة الإصدارات الموجودة في هذه السلسلة من منشورات المدونة حول الحوسبة المتطورة:

ما هي النماذج التأسيسية؟

تعمل النماذج التأسيسية (FMs)، التي يتم تدريبها على مجموعة واسعة من البيانات غير المصنفة على نطاق واسع، على قيادة أحدث تطبيقات الذكاء الاصطناعي (AI). ويمكن تكييفها مع مجموعة واسعة من المهام النهائية وضبطها لتناسب مجموعة من التطبيقات. إن نماذج الذكاء الاصطناعي الحديثة، التي تنفذ مهام محددة في مجال واحد، تفسح المجال أمام مديري المرافق لأنهم يتعلمون بشكل أكثر عمومية ويعملون عبر المجالات والمشاكل. كما يوحي الاسم، يمكن أن يكون FM هو الأساس للعديد من تطبيقات نموذج الذكاء الاصطناعي.

يعالج مديرو الإدارة تحديين رئيسيين منعا الشركات من توسيع نطاق اعتماد الذكاء الاصطناعي. أولا، تنتج المؤسسات كمية هائلة من البيانات غير المسماة، ولا يتم تصنيف سوى جزء صغير منها للتدريب على نماذج الذكاء الاصطناعي. ثانيًا، تتطلب مهمة وضع العلامات والتعليقات التوضيحية جهدًا بشريًا كبيرًا، وغالبًا ما تتطلب عدة مئات من الساعات من وقت خبير الموضوع (SME). وهذا يجعل التوسع عبر حالات الاستخدام باهظ التكلفة لأنه يتطلب جيوشًا من الشركات الصغيرة والمتوسطة وخبراء البيانات. ومن خلال استيعاب كميات هائلة من البيانات غير المصنفة واستخدام تقنيات خاضعة للإشراف الذاتي للتدريب النموذجي، أزال مديرو الإدارة هذه الاختناقات وفتحوا الطريق لاعتماد الذكاء الاصطناعي على نطاق واسع في جميع أنحاء المؤسسة. تنتظر هذه الكميات الهائلة من البيانات الموجودة في كل شركة أن يتم إطلاق العنان لها لتوجيه الأفكار.

ما هي نماذج اللغات الكبيرة؟

نماذج اللغات الكبيرة (LLMs) هي فئة من النماذج التأسيسية (FM) التي تتكون من طبقات من الشبكات العصبية التي تم تدريبها على هذه الكميات الهائلة من البيانات غير المسماة. يستخدمون خوارزميات التعلم الخاضعة للإشراف الذاتي لأداء مجموعة متنوعة من المهام معالجة اللغة الطبيعية (NLP) المهام بطرق مشابهة لكيفية استخدام البشر للغة (انظر الشكل 1).

توسيع نطاق تأثير الذكاء الاصطناعي وتسريعه

هناك عدة خطوات لبناء ونشر النموذج التأسيسي (FM). يتضمن ذلك استيعاب البيانات، واختيار البيانات، والمعالجة المسبقة للبيانات، والتدريب المسبق على FM، وضبط النموذج لواحدة أو أكثر من المهام النهائية، وخدمة الاستدلال، وحوكمة نموذج البيانات والذكاء الاصطناعي وإدارة دورة الحياة - والتي يمكن وصفها جميعًا بأنها FMOps.

للمساعدة في كل هذا، تقدم شركة IBM للمؤسسات الأدوات والإمكانات اللازمة للاستفادة من قوة إدارة المرافق هذه من خلال آي بي إم واتسونكس، منصة بيانات وذكاء اصطناعي جاهزة للمؤسسات مصممة لمضاعفة تأثير الذكاء الاصطناعي عبر المؤسسة. يتكون IBM Watsonx مما يلي:

1. آي بي إم Watsonx.ai يجلب الجديد الذكاء الاصطناعي التوليدي القدرات - المدعومة بأنظمة FM والتعلم الآلي التقليدي (ML) - في استوديو قوي يغطي دورة حياة الذكاء الاصطناعي.
2. IBM Watsonx.data هو مخزن بيانات مناسب للغرض مبني على بنية بحيرة مفتوحة لتوسيع نطاق أعباء عمل الذكاء الاصطناعي لجميع بياناتك في أي مكان.
3. IBM Watsonx.governance عبارة عن مجموعة أدوات حوكمة دورة حياة الذكاء الاصطناعي المؤتمتة الشاملة والتي تم تصميمها لتمكين سير عمل الذكاء الاصطناعي المسؤول والشفاف والقابل للتفسير.

هناك ناقل رئيسي آخر وهو الأهمية المتزايدة للحوسبة على حافة المؤسسة، مثل المواقع الصناعية وأرضيات التصنيع ومتاجر البيع بالتجزئة ومواقع الاتصالات الطرفية، وما إلى ذلك. وبشكل أكثر تحديدًا، يتيح الذكاء الاصطناعي على حافة المؤسسة معالجة البيانات حيث يتم تنفيذ العمل من أجل بالقرب من التحليل في الوقت الحقيقي. حافة المؤسسة هي المكان الذي يتم فيه إنشاء كميات هائلة من بيانات المؤسسة وحيث يمكن للذكاء الاصطناعي توفير رؤى أعمال قيمة وفي الوقت المناسب وقابلة للتنفيذ.

يتيح تقديم نماذج الذكاء الاصطناعي على الحافة التنبؤات في الوقت الفعلي تقريبًا مع الالتزام بمتطلبات سيادة البيانات والخصوصية. وهذا يقلل بشكل كبير من زمن الوصول المرتبط غالبًا بالحصول على بيانات الفحص ونقلها وتحويلها ومعالجتها. يتيح لنا العمل على الحافة حماية بيانات المؤسسة الحساسة وتقليل تكاليف نقل البيانات مع أوقات استجابة أسرع.

ومع ذلك، فإن توسيع نطاق عمليات نشر الذكاء الاصطناعي على الحافة ليس بالمهمة السهلة وسط التحديات المتعلقة بالبيانات (عدم التجانس والحجم والتنظيم) والموارد المحدودة (الحوسبة والاتصال بالشبكة والتخزين وحتى مهارات تكنولوجيا المعلومات). ويمكن وصفها على نطاق واسع في فئتين:

• الوقت/التكلفة للنشر: يتكون كل نشر من عدة طبقات من الأجهزة والبرامج التي يجب تثبيتها وتكوينها واختبارها قبل النشر. اليوم، يمكن لمتخصص الخدمة أن يستغرق ما يصل إلى أسبوع أو أسبوعين للتثبيت في كل موقع ، مما يحد بشدة من مدى سرعة وفعالية المؤسسات في توسيع نطاق عمليات النشر عبر مؤسستها.                                  
• إدارة اليوم الثاني: غالبًا ما يؤدي العدد الكبير من الحواف المنشورة والموقع الجغرافي لكل عملية نشر إلى جعل توفير دعم تكنولوجيا المعلومات المحلي في كل موقع لمراقبة عمليات النشر هذه وصيانتها وتحديثها أمرًا مكلفًا للغاية.

عمليات نشر Edge AI

قامت شركة IBM بتطوير بنية متطورة تعالج هذه التحديات من خلال تقديم نموذج جهاز متكامل للأجهزة/البرامج (HW/SW) لعمليات نشر الذكاء الاصطناعي. وهو يتألف من عدة نماذج رئيسية تساعد في قابلية التوسع في عمليات نشر الذكاء الاصطناعي:

• توفير قائم على السياسات وبدون لمس لمجموعة البرامج الكاملة.
• المراقبة المستمرة لسلامة نظام الحافة
• إمكانيات إدارة ودفع تحديثات البرامج/الأمان/التكوين إلى العديد من مواقع التخزين المؤقت - كل ذلك من موقع مركزي قائم على السحابة لإدارة اليوم الثاني.

يمكن استخدام بنية الموزعة الموزعة لتوسيع نطاق عمليات نشر الذكاء الاصطناعي للمؤسسات على الحافة، حيث تعمل السحابة المركزية أو مركز بيانات المؤسسة كمحور ويعمل جهاز الحافة في الصندوق كنقطة اتصال في موقع الحافة. يوضح هذا النموذج المحوري، الذي يمتد عبر السحابة الهجينة والبيئات الطرفية، بشكل أفضل التوازن اللازم للاستفادة على النحو الأمثل من الموارد اللازمة لعمليات إدارة المرافق (انظر الشكل 2).

غالبًا ما يحتاج التدريب المسبق لنماذج اللغات الكبيرة الأساسية (LLMs) والأنواع الأخرى من النماذج الأساسية التي تستخدم تقنيات خاضعة للإشراف الذاتي على مجموعات بيانات ضخمة غير مسماة إلى موارد حوسبة كبيرة (GPU) ومن الأفضل إجراؤه في مركز. تسمح موارد الحوسبة غير المحدودة تقريبًا وأكوام البيانات الكبيرة المخزنة غالبًا في السحابة بالتدريب المسبق لنماذج المعلمات الكبيرة والتحسين المستمر في دقة نماذج الأساس الأساسية هذه.

من ناحية أخرى، يمكن ضبط وحدات FM الأساسية هذه للمهام النهائية - التي تتطلب فقط بضع عشرات أو مئات من عينات البيانات المصنفة وخدمة الاستدلال - باستخدام عدد قليل فقط من وحدات معالجة الرسومات على حافة المؤسسة. وهذا يسمح للبيانات الحساسة المصنفة (أو بيانات جوهرة التاج للمؤسسة) بالبقاء بأمان داخل البيئة التشغيلية للمؤسسة مع تقليل تكاليف نقل البيانات أيضًا.

باستخدام نهج متكامل لنشر التطبيقات على الحافة، يمكن لعالم البيانات إجراء الضبط الدقيق للنماذج واختبارها ونشرها. ويمكن تحقيق ذلك في بيئة واحدة مع تقليص دورة حياة التطوير لتقديم نماذج الذكاء الاصطناعي الجديدة للمستخدمين النهائيين. توفر منصات مثل Red Hat OpenShift Data Science (RHODS) وRed Hat OpenShift AI التي تم الإعلان عنها مؤخرًا أدوات للتطوير السريع ونشر نماذج الذكاء الاصطناعي الجاهزة للإنتاج في سحابة موزعة وبيئات الحافة.

وأخيرًا، يؤدي تقديم نموذج الذكاء الاصطناعي المضبوط بدقة على حافة المؤسسة إلى تقليل زمن الوصول المرتبط غالبًا بالحصول على البيانات ونقلها وتحويلها ومعالجتها. يؤدي فصل التدريب المسبق في السحابة عن الضبط الدقيق والاستدلال على الحافة إلى خفض تكلفة التشغيل الإجمالية عن طريق تقليل الوقت المطلوب وتكاليف نقل البيانات المرتبطة بأي مهمة استدلال (انظر الشكل 3).

لإثبات عرض القيمة هذا بشكل شامل، تم ضبط نموذج أساس نموذجي قائم على محولات الرؤية للبنية التحتية المدنية (تم تدريبه مسبقًا باستخدام مجموعات البيانات العامة والمخصصة الخاصة بالصناعة) ونشره للاستدلال على حافة ثلاثية العقد (تكلم) الكتلة. تتضمن حزمة البرامج منصة Red Hat OpenShift Container Platform وRed Hat OpenShift Data Science. تم أيضًا توصيل مجموعة الحافة هذه بمثيل مركز Red Hat Advanced Cluster Management for Kubernetes (RHACM) الذي يعمل في السحابة.

التزويد بدون اتصال

تم إجراء التزويد القائم على السياسات بدون لمس باستخدام Red Hat Advanced Cluster Management for Kubernetes (RHACM) عبر السياسات وعلامات الموضع، التي تربط مجموعات طرفية محددة بمجموعة من مكونات البرامج وتكويناتها. تم تثبيت مكونات البرامج هذه - التي تمتد عبر المجموعة الكاملة وتغطي الحوسبة والتخزين والشبكة وعبء عمل الذكاء الاصطناعي - باستخدام العديد من مشغلي OpenShift، وتوفير خدمات التطبيقات المطلوبة، وS3 Bucket (التخزين).

تم ضبط النموذج التأسيسي (FM) المُدرب مسبقًا للبنية التحتية المدنية عبر Jupyter Notebook ضمن Red Hat OpenShift Data Science (RHODS) باستخدام البيانات المُصنفة لتصنيف ستة أنواع من العيوب الموجودة على الجسور الخرسانية. تم أيضًا عرض خدمة الاستدلال لهذا FM المضبوط بدقة باستخدام خادم Triton. علاوة على ذلك، أصبحت مراقبة صحة هذا النظام الطرفي ممكنة من خلال تجميع مقاييس إمكانية المراقبة من مكونات الأجهزة والبرامج عبر Prometheus إلى لوحة معلومات RHACM المركزية في السحابة. يمكن لمؤسسات البنية التحتية المدنية نشر أجهزة FM هذه في مواقعها الطرفية واستخدام صور الطائرات بدون طيار للكشف عن العيوب في الوقت الفعلي تقريبًا - مما يؤدي إلى تسريع وقت الرؤى وتقليل تكلفة نقل كميات كبيرة من البيانات عالية الوضوح من وإلى السحابة.

نبذة عامة

الجمع بين آي بي إم واتسونكس تتيح إمكانات منصة البيانات والذكاء الاصطناعي للنماذج الأساسية (FMs) المزودة بجهاز متكامل للمؤسسات إمكانية تشغيل أعباء عمل الذكاء الاصطناعي لضبط FM والاستدلال عليه عند الحافة التشغيلية. يمكن لهذا الجهاز التعامل مع حالات الاستخدام المعقدة خارج الصندوق، كما أنه يبني إطار عمل المحور والشعاع للإدارة المركزية والأتمتة والخدمة الذاتية. يمكن تقليل عمليات نشر Edge FM من أسابيع إلى ساعات مع نجاح متكرر ومرونة وأمان أعلى.

تعلم المزيد عن النماذج التأسيسية

يرجى التأكد من مراجعة كافة الإصدارات الموجودة في هذه السلسلة من منشورات المدونة حول الحوسبة المتطورة: