چه کسی کمک خلبانان را کمک می کند؟ چرا هوش مصنوعی به پشتیبانی ابری نیاز دارد

بازنشر افلاطون

دنبال: 0

در دوازده ماه گذشته، ما شاهد توسعه تعداد زیادی از سازمان‌های هوش مصنوعی جدید بوده‌ایم که از آخرین پیشرفت‌ها در مدل‌های پایه، فناوری و تقاضا بهره می‌برند. اگرچه هوش مصنوعی اغلب به‌عنوان یک خلبان کمکی به جای یک خلبان خودکار عمل می‌کند، اما هنوز هم در مقایسه با محاسبات کلاسیک، شاهکارهای قابل‌توجهی وجود دارد که می‌تواند انجام دهد. اخیراً استارت‌آپ‌هایی را دیده‌ایم که می‌توانند زبان دقیق متن به نشانه، رونویسی چند زبانه و تولید خودکار ویدیوی گفتار با آواتارهای واقعی را ارائه دهند.

با این حال، مانند همه استارت آپ ها و شرکت های بزرگ، این سازمان های جدید با چالش های زیادی روبرو هستند. برخی از آنها مختص صنعت هوش مصنوعی هستند و برخی دیگر برای همه برندهای در حال رشد مشترک هستند. اما با سطح حمایت مناسب، بنیان‌گذاران می‌توانند شکوفا شوند و به پیشبرد صنعت – و بشریت – کمک کنند.

چه کسی کمک خلبانان را هدایت می کند؟ چرا هوش مصنوعی به پشتیبانی ابری نیاز دارد؟

قدرت محاسباتی بالا برای آموزش مدل های هوش مصنوعی

یکی از چالش های اصلی که سازمان های هوش مصنوعی با آن مواجه هستند، آموزش است. آموزش مدل‌های هوش مصنوعی به مقدار قابل‌توجهی از قدرت محاسباتی نیاز دارد، که می‌تواند برای شرکت‌های فناوری عمیق که تمایل دارند بر اساس opex کار کنند، نه بر مبنای capex، چالش برانگیز باشد. الگوریتم های یادگیری عمیق، مانند شبکه های عصبی، برای دستیابی به نتایج بهینه به تعداد زیادی تکرار و تنظیمات نیاز دارند. بدون دسترسی به منابع محاسباتی با کارایی بالا، این امر می تواند زمان بر و پرهزینه باشد. علاوه بر این، این داده ها باید در جایی ذخیره شوند، و این می تواند هزینه زیادی برای خرید مستقیم و گران قیمت باشد.

انعطاف پذیری در تخصیص منابع و مدیریت هزینه

منابع مورد نیاز برای آموزش و استقرار مدل‌های هوش مصنوعی بسته به پیچیدگی مدل و اندازه مجموعه داده‌ها می‌تواند بسیار متفاوت باشد. مانند بسیاری از استارتاپ‌ها، مسیر شرکت می‌تواند تقریباً یک شبه تغییر کند و هم برای مردم و هم برای زیرساخت‌های فناوری چالش‌برانگیز باشد. در نتیجه، بیشتر استارت‌آپ‌های هوش مصنوعی به‌طور پیش‌فرض بومی ابری هستند تا زمانی که کارها در جهت دیگری حرکت می‌کنند، به سخت‌افزار جدید کمک کنند.

مشکلات سازگاری با عقب

چارچوب های هوش مصنوعی مانند TensorFlow و PyTorch به طور مداوم در حال به روز رسانی و بهبود هستند، اما تعدادی از این فریم ورک های تکراری با نسخه های قبلی سازگاری ندارند. این فشار قابل توجهی را بر سازمان‌ها وارد می‌کند تا با آخرین چارچوب به‌روز باشند، یا در خطر مشکلات عملکردی یا حتی خرابی هستند. اگرچه کاربران اغلب انتظار دارند که استارت‌آپ‌ها با مشکلاتی روبه‌رو شوند، زمان‌های زیادی از کار افتادگی می‌تواند به‌طور چشمگیری اعتماد را از بین ببرد.

با در نظر گرفتن این مسائل، استارت آپ های موفق و موجود هوش مصنوعی چگونه بر چالش های خود غلبه کرده اند؟

چه کسی کمک خلبانان را هدایت می کند؟ چرا هوش مصنوعی به پشتیبانی ابری نیاز دارد؟

هوش مصنوعی در عمل: OVHcloud ملزومات پل گمرک را تقویت می کند

Customs Bridge یک استارت‌آپ با فناوری عمیق است که از الگوریتم‌های هوش مصنوعی برای ایجاد موتور طبقه‌بندی خودکار محصولات با هدف واردکنندگان اروپایی استفاده می‌کند. ماموریت این شرکت ایجاد مطمئن ترین موتور طبقه بندی محصولات ممکن برای تخصیص کد گمرکی صحیح به کالایی است که توضیحات آن به طور کامل رسمی نشده است.

با این حال، پل گمرک در آموزش مدل های هوش مصنوعی خود با چالش های قابل توجهی مواجه شد. آن‌ها زیرساخت‌های داخلی محدود، نیازمندی‌های پردازش داده در مقیاس بزرگ و نیاز به چارچوب‌های پیشرفته هوش مصنوعی داشتند. زیرساخت‌های موجود آن‌ها برای آموزش و استقرار مدل‌های هوش مصنوعی خود کافی نبود و آنها در دسترسی و پردازش حجم زیادی از داده‌های مورد نیاز برای آموزش مدل‌های خود با مشکلاتی مواجه بودند.

برای غلبه بر این چالش ها، گمرک پل به راه حل های هوش مصنوعی و یادگیری ماشین OVHcloud. این تیم راه حل آموزشی مدل OVHcloud، آموزش هوش مصنوعی را پیاده سازی کرد و از نمونه های OVHcloud برای استقرار مدل ها در تولید و پشتیبانی از خط لوله برق داده استفاده کرد. این به Customs Bridge اجازه داد تا حجم زیادی از داده ها را پردازش کند، مدل های هوش مصنوعی خود را بهبود بخشد و بهره وری و کارایی کلی خود را بهبود بخشد.

Customs Bridge توانست از منابع OVHcloud برای بهبود داده ها و آموزش مدل های هوش مصنوعی پیشرفته استفاده کند. آنها برای آموزش اولین مدل های ترانسفورماتور خود به حدود 2.5 ترابایت داده تکیه کردند و آموزش ترانسفورماتورها روی 250,000 خط فقط حدود 30 دقیقه زمان محاسباتی را به خود اختصاص داد که این به لطف GPU های NVIDIA V100 ارائه شده توسط OVHcloud است. این هم سریع و هم کم هزینه بود، و به پل گمرک اجازه داد تا حجم داده های خود را بدون محدود کردن زیرساخت هایش مقیاس کند. رویکرد مبتنی بر ابر به شرکت آزادی زیادی برای آزمایش داد تا زمانی که حجم مورد نیاز برای دستیابی به دقت مورد نظر خود را پیدا کند.

علاوه بر بهبود انعطاف‌پذیری و مقیاس‌پذیری برای آموزش مدل هوش مصنوعی، پل گمرک از تخصیص منابع مقرون‌به‌صرفه و کارآمد، پیاده‌سازی و استقرار ساده چارچوب‌های هوش مصنوعی، و توانایی فعال کردن نوآوری و آزمایش برای نتایج بهینه بهره می‌برد. با استفاده از راه حل های هوش مصنوعی و یادگیری ماشین OVHcloud، پل گمرک توانست بر چالش های خود غلبه کند و یک موتور طبقه بندی محصولات خلاقانه و موثر بسازد.

ارتقای فناوری عمیق با خدمات ابری تخصصی

یکی از اولین گام‌ها برای یک استارت‌آپ در حال رشد هوش مصنوعی، درک اکوسیستم آن است – و نه فقط از نظر درک رقابت. سازمان‌های زیادی وجود دارند که انکوباتورها، شتاب‌دهنده‌ها و طرح‌های حمایتی را ارائه می‌دهند که می‌توانند مستقیماً به راهنمایی و کمک مدیریت کمک کنند، یا در مورد مثال بالا، پشتیبانی زیرساخت فناوری.

سرویس‌های ابری تخصیص منابع و مدیریت هزینه انعطاف‌پذیر را ارائه می‌دهند و به شرکت‌های فناوری عمیق اجازه می‌دهند منابع خود را در صورت تغییر نیازها تغییر دهند. این سازگاری تضمین می‌کند که شرکت‌ها فقط برای منابع مورد نیاز خود هزینه پرداخت می‌کنند، که به آنها امکان می‌دهد منابع خود را به طور مؤثرتری تخصیص دهند و بر مبنای عملیات عملیاتی به جای سرمایه، عمل کنند.

راه حل های ذخیره سازی قابل ارتقا نیز بخش مهمی از مدل خدمات ابری هستند. با این راه‌حل‌ها، شرکت‌های فناوری عمیق می‌توانند مقادیر زیادی از داده‌ها را پردازش و ذخیره کنند و به آنها امکان آموزش مدل‌های هوش مصنوعی را بدهد. این راه‌حل‌ها به‌گونه‌ای ایجاد شده‌اند که به راحتی مقیاس شوند، و اطمینان حاصل شود که شرکت‌های هوش مصنوعی می‌توانند حجم داده‌های خود را بدون هیچ وقفه‌ای در سرویس افزایش دهند - برخلاف ذخیره‌سازی فیزیکی، که در آن نصب و مدیریت درایوهای جدید می‌تواند باعث سردردهای زیادی شود.

سوق دادن صنعت به جلو

شرکت‌های هوش مصنوعی با فناوری عمیق بسیاری از مشکلات مشابه استارت‌آپ‌ها را در سایر صنایع تجربه می‌کنند، اما چالش‌های منحصربه‌فردی را نیز تجربه می‌کنند. به عنوان مثال، مجموعه داده‌های گسترده مورد نیاز برای آموزش مدل‌های هوش مصنوعی، با نیاز متناظر به قابلیت‌های محاسباتی و ذخیره‌سازی با قدرت بالا همراه است، که اغلب برای سازمان‌های جوانی که از بودجه اولیه استفاده می‌کنند دور از دسترس هستند.

به همین دلیل است که بسیاری از شرکت‌های هوش مصنوعی به طور پیش‌فرض در فضای ابری هستند. Cloud به سازمان‌هایی مانند این اجازه می‌دهد تا بدون پرداخت هزینه‌های اولیه برای زیرساخت، آسان‌تر مقیاس‌پذیری کنند، نه اینکه از راه‌حل‌های مدیریت‌شده سود ببرند که نیاز به مدیریت روزانه را از بنیان‌گذاران و تیم‌هایشان حذف می‌کند. با این حال، استارت آپ ها باید هنگام تنظیم قرارداد خدمات ابری خود توجه کنند و مراقب باشند که از هزینه های مارپیچی و پنهان جلوگیری کنند. راه‌اندازی اشتباه یا ارائه‌دهنده اشتباه – برای مثال هزینه‌های بیش از حد ورودی/خروجی – می‌تواند منجر به بار فناوری شود. اما با شریک مناسب، راه‌حل مناسب و رویکردی واقعاً مشارکتی، استارت‌آپ‌ها می‌توانند جزئیات اداری را فراموش کنند و به جای آن بر مأموریت اصلی خود تمرکز کنند: ایجاد دنیای جدیدی از هوش مصنوعی.