Τροφοδοτήστε την πυρκαγιά AI με συγκεντρωτισμό

Δυνατότητα χορηγίας Μια σταθερή ροή επαναστατικών τεχνολογιών και ανακαλύψεων –η φωτιά, η γεωργία, ο τροχός, το τυπογραφείο και το διαδίκτυο, για να αναφέρουμε μόνο μερικές– έχουν διαμορφώσει βαθιά την ανθρώπινη ανάπτυξη και τον πολιτισμό. Και αυτός ο κύκλος καινοτομίας συνεχίζεται με την Τεχνητή Νοημοσύνη (AI). 

Η ερευνητική εταιρεία IDC έχει φτάσει στο σημείο να συμπεράνει ότι η τεχνητή νοημοσύνη είναι πραγματικά η απάντηση σχεδόν σε «όλα». Ο Rasmus Andsbjerg, αναπληρωτής αντιπρόεδρος, δεδομένα και ανάλυση στην IDC, λέει: «Η πραγματικότητα είναι ότι η τεχνητή νοημοσύνη προσφέρει λύσεις σε όλα όσα αντιμετωπίζουμε αυτή τη στιγμή. Η τεχνητή νοημοσύνη μπορεί να αποτελέσει πηγή για γρήγορη παρακολούθηση ταξιδιών ψηφιακού μετασχηματισμού, να επιτρέψει την εξοικονόμηση κόστους σε περιόδους συγκλονιστικών ρυθμών πληθωρισμού και να υποστηρίξει τις προσπάθειες αυτοματοποίησης σε περιόδους ελλείψεων εργατικού δυναμικού».

Σίγουρα, και σε όλους τους κλάδους και τις λειτουργίες, οι οργανώσεις τελικών χρηστών αρχίζουν να ανακαλύπτουν τα οφέλη της τεχνητής νοημοσύνης, καθώς εμφανίζονται όλο και πιο ισχυροί αλγόριθμοι και υποκείμενη υποδομή για καλύτερη λήψη αποφάσεων και υψηλότερη παραγωγικότητα. 

Τα παγκόσμια έσοδα για την αγορά τεχνητής νοημοσύνης (AI), συμπεριλαμβανομένου του σχετικού λογισμικού, υλικού και υπηρεσιών τόσο για εφαρμογές που βασίζονται στην τεχνητή νοημοσύνη όσο και για μη-κεντρικές εφαρμογές, ανήλθαν συνολικά σε 383.3 δισεκατομμύρια δολάρια το 2021. Αυτό ήταν αυξημένο κατά 20.7% σε σχέση με το προηγούμενο έτος, σύμφωνα με τα περισσότερα πρόσφατος International Data Corporation (IDC) Worldwide Semianual Artificial Intelligence Tracker.

Ομοίως, η ανάπτυξη λογισμικού AI στο cloud συνεχίζει να παρουσιάζει σταθερή ανάπτυξη. Η IDC αναμένει ότι οι εκδόσεις cloud του πρόσφατα αγορασμένου λογισμικού τεχνητής νοημοσύνης θα ξεπεράσουν τις επιτόπιες εγκαταστάσεις το 2022.

Ο ουρανός είναι το όριο για την τεχνητή νοημοσύνη

Ο Dr Ronen Dar, επικεφαλής τεχνολογίας του ειδικού της τεχνητής νοημοσύνης Run:ai, ο οποίος έχει δημιουργήσει μια πλατφόρμα υπολογιστικής διαχείρισης για την τεχνητή νοημοσύνη, πιστεύει ότι ο ουρανός είναι το όριο για τον εκκολαπτόμενο τομέα της επιχειρηματικής τεχνητής νοημοσύνης. 

«Η τεχνητή νοημοσύνη είναι μια αγορά που βλέπουμε να αναπτύσσεται πολύ γρήγορα. Και όσον αφορά τις επιχειρήσεις, βλέπουμε ζήτηση και υιοθέτηση για μηχανική μάθηση και τεχνητή νοημοσύνη. Και νομίζω ότι αυτή τη στιγμή υπάρχει μια νέα τεχνολογία εδώ που φέρνει νέες δυνατότητες που πρόκειται να αλλάξουν τον κόσμο. που πρόκειται να φέρουν επανάσταση στις επιχειρήσεις», σημειώνει ο Dar. 

Υπάρχει επίσης μια ολοένα και πιο σαφής κατανόηση σχετικά με την ανάγκη να ξεκινήσετε την εξερεύνηση και τον πειραματισμό με την τεχνητή νοημοσύνη και να κατανοήσετε πώς να ενσωματώσετε την τεχνητή νοημοσύνη σε επιχειρηματικά μοντέλα.

Ο Dar πιστεύει ότι η τεχνητή νοημοσύνη μπορεί να φέρει «καταπληκτικά οφέλη» για τη βελτίωση των υπαρχουσών επιχειρηματικών διαδικασιών: «Όσον αφορά τη βελτιστοποίηση και την απόδειξη της τρέχουσας επιχείρησης, βλέπουμε πολλές περιπτώσεις χρήσης γύρω από την τεχνητή νοημοσύνη και τη μηχανική μάθηση που βελτιώνει τις λειτουργίες και τον τρόπο λήψης αποφάσεων γύρω από την προσφορά και τη ζήτηση».

Επισημαίνει ότι νέα μοντέλα βαθιάς μάθησης που βασίζονται σε νευρωνικά δίκτυα μπορούν να βελτιώσουν τις διαδικασίες, τη λήψη αποφάσεων και την ακρίβεια κρίσιμων επιχειρηματικών διαδικασιών, όπως ο εντοπισμός απάτης στον κλάδο των χρηματοοικονομικών υπηρεσιών. Η υγειονομική περίθαλψη είναι ένας άλλος τομέας όπου οι δυνατότητες της τεχνητής νοημοσύνης είναι «τεράστιες», ιδίως όσον αφορά τη βοήθεια των γιατρών στη λήψη καλύτερων κλινικών αποφάσεων και τη βοήθεια στην ανακάλυψη και ανάπτυξη νέων φαρμάκων. 

Και, κοιτάζοντας πιο μπροστά, ο Dar προβλέπει ότι η τεχνολογία AI θα βοηθήσει στην παροχή ολοκαίνουργιων εμπορικών ευκαιριών που δεν υπάρχουν επί του παρόντος σε τομείς όπως τα αυτόνομα οχήματα και τα καθηλωτικά παιχνίδια. 

Εμπόδια υποδομής που πρέπει να ξεπεραστούν

Παρά τις προφανείς δυνατότητες για τεχνητή νοημοσύνη και μηχανική μάθηση στην επιχείρηση, η Dar αναγνωρίζει ότι η εμπορική ανάπτυξη της τεχνητής νοημοσύνης εμποδίζεται από ζητήματα σχετικά με την παροχή υποδομής. Συμβουλεύει ότι οι εταιρείες πρέπει να εξετάσουν τον τρόπο με τον οποίο η τεχνητή νοημοσύνη εισέρχεται σε έναν οργανισμό αρχικά.

Συνήθως, αυτό περιλαμβάνει μια ασυντόνιστη διαδικασία ανά τμήμα που βλέπει διαφορετικές ομάδες να παρέχουν τεχνολογία και πόρους ανεξάρτητα, οδηγώντας σε αποσιωπημένες αναπτύξεις. Το ΙΤ δεν μπορεί να ελέγξει αποτελεσματικά αυτά τα ad hoc έργα και δεν έχει ορατότητα για το τι συμβαίνει. Και αυτό καθιστά δύσκολο, αν όχι αδύνατο, τον υπολογισμό της απόδοσης επένδυσης (ROI) στις δαπάνες υποδομής AI. 

«Είναι το κλασικό πρόβλημα: παλιά ήταν σκιώδης IT και τώρα είναι σκιώδης τεχνητή νοημοσύνη», λέει ο Dar. 

Επιπλέον, η υπερσύγχρονη υποδομή που απαιτείται για το AI/ML είναι μια επένδυση, καθώς οι επιχειρήσεις χρειάζονται ισχυρό υπολογιστικό υλικό με επιτάχυνση GPU για την επεξεργασία πολύ περίπλοκων δεδομένων και την εκπαίδευση μοντέλων. 

«Οι ομάδες τεχνητής νοημοσύνης χρειάζονται πολλή υπολογιστική ισχύ για να εκπαιδεύσουν μοντέλα, συνήθως χρησιμοποιώντας GPU, που είναι κορυφαίοι πόροι κέντρων δεδομένων που μπορούν να απομακρυνθούν και να μην χρησιμοποιηθούν αποτελεσματικά», λέει ο Dar. «Μπορεί σίγουρα να οδηγήσει σε σπατάλη πολλών χρημάτων». 

Για παράδειγμα, αυτή η υποδομή μπορεί να οδηγήσει σε επίπεδα χρήσης λιγότερο από 10%.

Σύμφωνα με τη δημοσκόπηση του Run:ai, Έρευνα υποδομής για την κατάσταση της τεχνητής νοημοσύνης για το 2021, που δημοσιεύτηκε τον Οκτώβριο του 2021, το 87 τοις εκατό των ερωτηθέντων δήλωσε ότι αντιμετωπίζει κάποιο επίπεδο προβλημάτων κατανομής πόρων GPU/υπολογιστών, με το 12 τοις εκατό να λέει ότι αυτό συμβαίνει συχνά. Ως αποτέλεσμα, το 83 τοις εκατό των εταιρειών που συμμετείχαν στην έρευνα ανέφεραν ότι δεν χρησιμοποιούσαν πλήρως το υλικό GPU και AI. Στην πραγματικότητα, σχεδόν τα δύο τρίτα (61 τοις εκατό) ανέφεραν ότι το υλικό GPU και AI τους είναι ως επί το πλείστον σε «μέτρια» επίπεδα χρήσης.

Η συγκέντρωση της τεχνητής νοημοσύνης

Για την επίλυση αυτών των προβλημάτων, ο Dar υποστηρίζει τη συγκέντρωση της παροχής πόρων τεχνητής νοημοσύνης. Το Run: AI έχει αναπτύξει μια πλατφόρμα διαχείρισης υπολογιστών για την τεχνητή νοημοσύνη που κάνει ακριβώς αυτό, συγκεντρώνοντας και εικονικοποιώντας τον υπολογιστικό πόρο της GPU. Συγκεντρώνοντας τις GPU σε ένα ενιαίο εικονικό επίπεδο και αυτοματοποιώντας τον προγραμματισμό του φόρτου εργασίας για 100 τοις εκατό χρήση, αυτή η προσέγγιση προσφέρει πλεονεκτήματα σε σύγκριση με τα συστήματα siled σε επίπεδο τμήματος. 

Η συγκέντρωση της υποδομής δίνει πίσω τον έλεγχο και την ορατότητα, ενώ απαλλάσσει τους επιστήμονες δεδομένων από τα γενικά έξοδα διαχείρισης της υποδομής. Οι ομάδες τεχνητής νοημοσύνης μοιράζονται έναν καθολικό υπολογιστικό πόρο τεχνητής νοημοσύνης, ο οποίος μπορεί να καλείται δυναμικά προς τα πάνω και προς τα κάτω καθώς η ζήτηση αυξάνεται ή μειώνεται, εξαλείφοντας τα σημεία συμφόρησης στη ζήτηση και τις περιόδους υποχρησιμοποίησης. 

Αυτή η προσέγγιση, υποστηρίζει ο Dar, μπορεί να βοηθήσει τους οργανισμούς να αξιοποιήσουν στο έπακρο το υλικό τους και να απελευθερώσει τους επιστήμονες δεδομένων από τους περιορισμούς του υποκείμενου περιορισμού των πόρων. Όλα αυτά σημαίνει ότι μπορούν να δημιουργήσουν περισσότερες θέσεις εργασίας και να φέρουν περισσότερα μοντέλα AI στην παραγωγή. 

Ένα παράδειγμα παρέχεται από το London Medical Imaging & Artificial Intelligence Center for Value Based Healthcare, με επικεφαλής το King's College του Λονδίνου και με έδρα το St. Thomas' Hospital. Χρησιμοποιεί ιατρικές εικόνες και ηλεκτρονικά δεδομένα υγειονομικής περίθαλψης για να εκπαιδεύσει εξελιγμένους αλγόριθμους βαθιάς μάθησης για όραση υπολογιστή και επεξεργασία φυσικής γλώσσας. Αυτοί οι αλγόριθμοι χρησιμοποιούνται για τη δημιουργία νέων εργαλείων για αποτελεσματικό έλεγχο, ταχύτερη διάγνωση και εξατομικευμένες θεραπείες.

Το Κέντρο συνειδητοποίησε ότι η παλαιούχος υποδομή τεχνητής νοημοσύνης του υπέφερε από προβλήματα απόδοσης: η συνολική χρήση της GPU ήταν κάτω από το 30 τοις εκατό με «σημαντικές» περιόδους αδράνειας για ορισμένα στοιχεία. Μετά την υιοθέτηση ενός κεντρικού μοντέλου παροχής υπολογιστών AI βασισμένο στην πλατφόρμα του Run:ai, η χρήση της GPU αυξήθηκε κατά 110%, με παράλληλες βελτιώσεις στην ταχύτητα του πειράματος και τη συνολική αποτελεσματικότητα της έρευνας.

«Τα πειράματά μας μπορεί να διαρκέσουν μέρες ή λεπτά, χρησιμοποιώντας μια μικρή υπολογιστική ισχύ ή ένα ολόκληρο σύμπλεγμα», λέει ο Δρ M. Jorge Cardoso, αναπληρωτής καθηγητής και ανώτερος λέκτορας στην τεχνητή νοημοσύνη στο King's College του Λονδίνου και CTO του Κέντρου AI. «Η μείωση του χρόνου στα αποτελέσματα διασφαλίζει ότι μπορούμε να κάνουμε και να απαντάμε σε πιο κρίσιμες ερωτήσεις σχετικά με την υγεία και τη ζωή των ανθρώπων». 

Η συγκέντρωση πόρων τεχνητής νοημοσύνης GPU απέφερε επίσης πολύτιμα εμπορικά οφέλη στην Wayve, μια εταιρεία με έδρα το Λονδίνο που αναπτύσσει λογισμικό τεχνητής νοημοσύνης για αυτοοδηγούμενα αυτοκίνητα. Η τεχνολογία του έχει σχεδιαστεί ώστε να μην εξαρτάται από την αίσθηση, αλλά αντ' αυτού εστιάζει σε μεγαλύτερη ευφυΐα, για καλύτερη αυτόνομη οδήγηση σε πυκνές αστικές περιοχές.

Το Fleet Learning Loop της Wayve περιλαμβάνει έναν συνεχή κύκλο συλλογής δεδομένων, επιμέλειας, εκπαίδευσης μοντέλων, εκ νέου προσομοίωσης και αδειοδότησης μοντέλων πριν από την ανάπτυξη στον στόλο. Η κύρια υπολογιστική κατανάλωση GPU της εταιρείας προέρχεται από την εκπαίδευση παραγωγής Fleet Learning Loop. Εκπαιδεύει τη γραμμή βάσης του προϊόντος με το πλήρες σύνολο δεδομένων και εκπαιδεύει συνεχώς για τη συλλογή νέων δεδομένων μέσω επαναλήψεων του βρόχου εκμάθησης στόλου.

Η εταιρεία άρχισε να συνειδητοποιεί ότι υπέφερε από τον «τρόμο» του προγραμματισμού GPU: αν και σχεδόν το 100 τοις εκατό των διαθέσιμων πόρων GPU της διατέθηκαν σε ερευνητές, λιγότερο από το 45 τοις εκατό χρησιμοποιήθηκε όταν έγινε αρχικά η δοκιμή. 

«Επειδή οι GPU εκχωρούνταν στατικά σε ερευνητές, όταν οι ερευνητές δεν χρησιμοποιούσαν τις εκχωρημένες GPU, άλλοι δεν μπορούσαν να έχουν πρόσβαση σε αυτές, δημιουργώντας την ψευδαίσθηση ότι οι GPU για εκπαίδευση μοντέλων ήταν σε χωρητικότητα, ακόμη και όσες GPU έμειναν σε αδράνεια», σημειώνει ο Wayve. 

Η συνεργασία με το Run:ai αντιμετώπισε αυτό το πρόβλημα αφαιρώντας σιλό και εξαλείφοντας τη στατική κατανομή πόρων. Δημιουργήθηκαν ομάδες κοινών GPU που επιτρέπουν στις ομάδες να έχουν πρόσβαση σε περισσότερες GPU και να εκτελούν περισσότερους φόρτους εργασίας, γεγονός που οδήγησε σε 35% βελτίωση της χρήσης τους. 

Αντικατοπτρίστε βελτιώσεις στην απόδοση της CPU

Αντικατοπτρίζοντας τον τρόπο με τον οποίο το VMware έχει επιφέρει σημαντικές βελτιώσεις στην απόδοση στον τρόπο με τον οποίο οι CPU των διακομιστών χρησιμοποιούνται στη μέγιστη χωρητικότητα τα τελευταία χρόνια, νέες καινοτομίες έρχονται τώρα σε ροή για τη βελτιστοποίηση της αποτελεσματικότητας της χρήσης GPU για υπολογιστικούς φόρτους εργασίας AI. 

"Αν σκεφτείτε τη στοίβα λογισμικού που τρέχει πάνω από τους CPU, κατασκευάστηκε με πολύ VMware και εικονικοποίηση", εξηγεί ο Dar. «Οι GPU είναι σχετικά νέες στο κέντρο δεδομένων και το λογισμικό για τεχνητή νοημοσύνη και εικονικοποίηση – όπως π.χ NVIDIA AI Enterprise – είναι επίσης μια πρόσφατη εξέλιξη». 

«Φέρνουμε προηγμένη τεχνολογία σε αυτόν τον τομέα με δυνατότητες όπως κλασματική GPU, εναλλαγή εργασιών και. επιτρέποντας στους φόρτους εργασίας να μοιράζονται αποτελεσματικά τις GPU», λέει ο Dar, προσθέτοντας ότι σχεδιάζονται περαιτέρω βελτιώσεις.

Το Run:ai συνεργάζεται στενά με τη NVIDIA για τη βελτίωση και την απλοποίηση της χρήσης των GPU στην επιχείρηση. Η πιο πρόσφατη συνεργασία περιλαμβάνει την ενεργοποίηση της ευελιξίας GPU με πολλά νέφη για εταιρείες που χρησιμοποιούν GPU στο cloud και την ενσωμάτωση με NVIDIA Triton Inference Server λογισμικό για την απλοποίηση της διαδικασίας ανάπτυξης μοντέλων στην παραγωγή.

Με τον τρόπο που οι σημαντικές καινοτομίες κατά τη διάρκεια της ιστορίας είχαν βαθιές επιπτώσεις στην ανθρώπινη φυλή και στον κόσμο, ο Dar σημειώνει ότι η δύναμη της τεχνητής νοημοσύνης θα πρέπει να αξιοποιηθεί με προσοχή για να μεγιστοποιηθούν τα πιθανά οφέλη της, διαχειριζόμενοι τα πιθανά μειονεκτήματα. Συγκρίνει την τεχνητή νοημοσύνη με την πιο αρχέγονη καινοτομία όλων: τη φωτιά. 

«Είναι σαν τη φωτιά που έφερε πολλά σπουδαία πράγματα και άλλαξε τις ανθρώπινες ζωές. Κίνδυνος έφερε και η φωτιά. Έτσι τα ανθρώπινα όντα κατάλαβαν πώς να ζουν με τη φωτιά», λέει ο Dar. "Νομίζω ότι αυτό είναι επίσης εδώ στην τεχνητή νοημοσύνη αυτές τις μέρες." 

Χορηγία Run:ai.