Serangkaian Prediksi HPC Rasa AI untuk tahun 2023

Banyak prediksi untuk HPC-AI pada tahun 2023 muncul di atas jendela kami dalam beberapa minggu terakhir, berikut adalah kutipan dari yang menurut kami paling menarik, segar, berwawasan — bahkan pelawan.

Altair Kepala Ilmuwan Rosemary Francis:
Go Big atau Go Home – Beban Kerja HPC Lebih Besar.Karena beban kerja HPC mengambil aplikasi data besar, seperti dalam ilmu kehidupan dan akselerator partikel seperti Sumber Cahaya Berlian Inggris (untuk penelitian dan eksperimen yang lebih besar), kami melihat ledakan alat alur kerja. Memasuki tahun 2023, transformasi menjadi penjadwalan multidimensi ini akan menjadi pendorong perubahan terbesar dalam HPC karena industri berupaya memodernisasi dirinya sendiri dan beradaptasi dengan aplikasi besar yang terhubung ini.

HPC menangani pembelajaran mendalam:Karena pembelajaran mendalam menjadi lebih lazim pada tahun 2023, kita akan melihat pergeseran lebih lanjut dalam beban kerja HPC. Meskipun pada awalnya sebagian besar beban kerja pembelajaran mesin dijalankan pada Kubernetes atau kerangka kerja orkestrasi kontainer lainnya, menjadi jelas bahwa sistem ini dirancang untuk layanan mikro, bukan untuk beban kerja mesin intensif komputer yang sekarang diperlukan untuk pembelajaran mendalam. Pengelola beban kerja HPC komersial memerlukan dukungan kontainer yang komprehensif agar organisasi dapat menggabungkan komputasi mereka dan mulai memanfaatkan penjadwalan batch, cloud bursting, dan pembagian tarif — semua aspek utama HPC yang efisien.

Joe Fitzsimons, CEO dari Komputasi Kuantum Horizon, tentang Kematian NISQ dan Pergeseran ke Toleransi Kesalahan dalam Komputasi Kuantum
“Dalam beberapa tahun terakhir, pengembangan aplikasi untuk komputasi kuantum telah melihat fokus khusus pada rezim NISQ, merujuk pada prosesor Kuantum Skala Menengah yang Bising. 'Kebisingan' dalam judul ini mengacu pada kerentanan qubit terhadap interferensi dari faktor lingkungan, yang berkisar dari kedekatan qubit lain hingga tumbukan dari sinar kosmik. Kebisingan ini menimbulkan kesalahan yang berpotensi fatal dalam proses perhitungan kuantum. Sudah lama diketahui bahwa, setidaknya secara teoritis, mungkin untuk membangun komputer kuantum yang memasukkan koreksi kesalahan, sehingga komputer yang pada dasarnya sempurna dapat dibangun dari komponen yang tidak sempurna. Namun, fokus penelitian NISQ adalah mengembangkan algoritme variasional yang diharapkan kuat terhadap gangguan kecil yang disebabkan oleh derau lingkungan, memungkinkan keuntungan kuantum tanpa koreksi kesalahan.

“Sayangnya, hanya ada sedikit bukti bahwa algoritme NISQ seperti itu sebenarnya akan menghasilkan keunggulan dibandingkan komputer konvensional untuk berbagai tugas pengoptimalan dan pembelajaran mesin yang sedang dipertimbangkan. Meskipun ada alasan bagus untuk percaya bahwa keunggulan kuantum awal dapat dilihat di bidang-bidang seperti kimia, di mana masalah yang harus dipecahkan bersifat mekanika kuantum, ada tanda-tanda fokus baru untuk mencapai rezim toleransi kesalahan, di mana kesalahan adalah dikoreksi secara aktif dan yang memiliki bukti lebih kuat untuk keunggulan kuantum.”

Dell Technologies' John Roese, CTO Global – Resolusi Tahun Baru Kuantum
Saya akan membangun keahlian awal untuk memanfaatkan kuantum. Komputasi kuantum semakin nyata dan jika Anda tidak memiliki seseorang dalam bisnis Anda yang memahami cara kerja teknologi ini dan bagaimana pengaruhnya terhadap bisnis Anda, Anda akan kehilangan gelombang teknologi ini. Identifikasi tim, alat, dan tugas yang akan Anda dedikasikan untuk kuantum dan mulailah bereksperimen. Baru bulan lalu kami mengumumkan Dell Quantum Computing Solution on-premise yang memungkinkan organisasi di seluruh industri untuk mulai memanfaatkan komputasi yang dipercepat melalui teknologi kuantum yang tidak tersedia bagi mereka saat ini. Berinvestasi dalam simulasi kuantum dan memungkinkan tim ilmu data dan AI Anda mempelajari bahasa baru dan kemampuan kuantum sangat penting di tahun 2023.

Pandangan Kontrarian tentang ML dari Gideon Mendels, CEO dan salah satu pendiri platform MLOps Komet
Saat Data Kering: Sebagian besar peningkatan yang terlihat di ML berasal dari model pelatihan dengan semakin banyak data, tetapi kami sampai pada titik di mana kami tidak dapat melakukannya. Beberapa penelitian menarik baru saja keluar yang menunjukkan bahwa kita dapat kehabisan data pada tahun 2026. Jika tesis ini berlaku, kita akan berhenti melihat peningkatan kecuali kita dapat membuat model yang lebih baik pada kumpulan data yang sama.

Dampak Lingkungan Model Generatif: Model generatif menghasilkan hasil yang sangat mengesankan, tetapi tidak jelas dampaknya terhadap bisnis yang sebenarnya. Yang jelas dampak emisi karbon dari pelatihan model masif ini. Persyaratan komputasi gila. Jadi itu menimbulkan pertanyaan, "Apakah hasilnya sepadan dengan biaya lingkungan?"

Menjauhlah dari Pola Pikir Perangkat Lunak: ML telah mengikuti kursus pengembangan perangkat lunak sejauh ini, tetapi seiring dengan matangnya ML, pendekatan ini berantakan. Tidak ada satu vendor pun yang dapat melakukan semuanya. Tim saat ini memilih alat terbaik yang tersedia yang relevan dengan apa yang mereka coba lakukan. Vendor yang mencoba menjadi segalanya bagi tim gagal. Agar ML dapat mencapai potensinya, kami perlu berpikir secara berbeda untuk membangun tumpukan ML yang tepat untuk kebutuhan bisnis khusus kami.

Bias dilebih-lebihkan: Bias adalah konsep yang mendapat banyak perhatian– dan akan terus mendapatkan lebih banyak dengan AI Bill of Rights– ini bukanlah sesuatu yang menjadi perhatian banyak praktisi ML sehari-hari. Tentu saja, mereka memperhitungkannya, tetapi praktisi ML yang baik memahami masalahnya dan tahu apa yang harus dilakukan untuk mencegah bias yang berdampak buruk pada hasil.

Jonas Kubilius dari Dewan Penasihat Oxylabs pada AI Generatif
Jonas Kubilius, salah satu pendiri dan CEO di Three Thirds dan anggota Dewan Penasihat Oxylabs, mengantisipasi peningkatan evolusi Difusi Stabil, GPT-3, GitHub Copilot, dan teknik pembuatan konten lainnya menjadi produk menguntungkan yang digunakan oleh pengembang dan pembuat konten secara nyata. aplikasi dunia. Dia menambahkan bahwa kita akan melihat peningkatan minat pada model multi-modal yang dapat menangani teks, gambar, audio, dan input lain untuk banyak tugas.

“Kami akan mulai melihat pergeseran dari penggunaan AI untuk tugas statis, seperti klasifikasi, ke alur kerja interaktif berbasis model bahasa yang membantu orang melakukan tugas mereka dengan lebih efisien,” kata Kubilius.

Peter Mattson, presiden dari MLCommons, di Kumpulan Data Publik
“Kami akan menghadapi kombinasi tuntutan tantangan penelitian baru seputar AI multi-modal dan percakapan, selain masalah hukum, etika, dan keadilan dengan data yang tergores web dalam kumpulan data publik saat ini. Industri secara keseluruhan juga perlu mendukung lebih baik tidak hanya penelitian tetapi juga aplikasi ML yang diterapkan secara luas dan peraturan baru (misalnya melalui set uji kualitas industri).

Untuk mendukung “data publik generasi berikutnya”, Mattson memperkirakan perlunya investasi yang kuat dalam kumpulan data untuk masalah sosial dan teknis yang paling mendesak, dan menyalurkan investasi tersebut melalui infrastruktur mirip sumber terbuka yang memungkinkan seluruh komunitas untuk berkontribusi dan meninjau data.

Moses Guttmann, CEO dan Pendiri Bersama platform MLOps HapusML, di Tren ML untuk Ditonton

Otomatisasi dan Kekurangan Keterampilan ML Meskipun kami telah melihat banyak perusahaan teknologi terkemuka mengumumkan PHK di akhir tahun 2022, sepertinya tidak ada dari mereka yang memberhentikan personel pembelajaran mesin paling berbakat mereka. Namun, untuk mengisi kekosongan … pada tim yang sangat teknis, perusahaan harus bersandar lebih jauh ke otomatisasi untuk menjaga produktivitas dan memastikan penyelesaian proyek. Kami juga berharap untuk melihat perusahaan yang menggunakan teknologi ML menempatkan lebih banyak sistem untuk memantau dan mengatur kinerja dan membuat lebih banyak keputusan berdasarkan data tentang cara mengelola ML atau tim ilmu data….

Penimbunan Bakat ML Sudah Berakhir  PHK pekerja ML kemungkinan besar terjadi di antara perekrutan terbaru, berlawanan dengan staf ML jangka panjang…. Karena ML dan AI telah menjadi teknologi yang lebih umum dalam dekade terakhir, banyak perusahaan teknologi besar mulai mempekerjakan jenis pekerja ini karena mereka dapat menangani biaya keuangan dan menjauhkan mereka dari pesaing – tidak harus karena mereka dibutuhkan. (Jadi) tidak mengherankan melihat begitu banyak pekerja ML yang di-PHK… Namun, seiring berakhirnya era penimbunan bakat ML, hal itu dapat mengantarkan gelombang baru inovasi dan peluang bagi para pemula. Dengan begitu banyak talenta yang sekarang mencari pekerjaan, kemungkinan besar kita akan melihat banyak dari orang-orang ini keluar dari teknologi besar dan beralih ke bisnis kecil dan menengah atau startup.

Prioritas Proyek ML  Saya melihat proyek pembelajaran mesin diringkas menjadi dua jenis: fitur yang dapat dijual yang diyakini kepemimpinan akan meningkatkan penjualan dan menang melawan persaingan, dan proyek pengoptimalan pendapatan… Proyek fitur yang dapat dijual kemungkinan akan ditunda, karena sulit untuk keluar dengan cepat, dan sebagai gantinya , tim ML yang sekarang lebih kecil akan lebih fokus pada pengoptimalan pendapatan karena dapat mendorong pendapatan nyata. Performa, saat ini, sangat penting untuk semua unit bisnis dan ML tidak luput dari itu.

ML terpadu  Salah satu faktor yang memperlambat adopsi MLOps adalah banyaknya solusi poin. Ini bukan untuk mengatakan bahwa mereka tidak berfungsi, tetapi mereka mungkin tidak terintegrasi dengan baik bersama dan meninggalkan celah dalam alur kerja. Oleh karena itu, saya sangat yakin bahwa 2023 adalah tahun di mana industri bergerak menuju platform terpadu dan menyeluruh yang dibangun dari modul-modul yang dapat digunakan secara individual dan juga terintegrasi secara mulus satu sama lain (serta terintegrasi dengan mudah dengan produk lain) . Pendekatan platform semacam ini, dengan fleksibilitas masing-masing komponen, memberikan jenis pengalaman gesit yang dicari oleh para spesialis saat ini. Ini lebih mudah daripada membeli produk poin dan menggabungkannya; ini lebih cepat daripada membangun infrastruktur Anda sendiri dari awal (saat Anda seharusnya menggunakan waktu itu untuk membuat model)….

NVIDIA menawarkan sejumlah prediksi di berbagai bidang AI dan pembelajaran mesin:

Anima Anandkumar, Direktur Riset ML, dan Profesor Bren di Caltech
Kembar Digital Menjadi Fisik: Kita akan melihat skala besar kembar digital proses fisik yang kompleks dan multi-skala, seperti model cuaca dan iklim, fenomena seismik dan sifat material. Ini akan mempercepat simulasi ilmiah saat ini sebanyak satu juta kali, dan memungkinkan wawasan dan penemuan ilmiah baru.

Agen AI Umum: Agen AI akan menyelesaikan tugas terbuka dengan instruksi bahasa alami dan pembelajaran penguatan skala besar, sambil memanfaatkan model dasar — ​​model AI besar yang dilatih pada sejumlah besar data tanpa label pada skala — untuk memungkinkan agen yang dapat mengurai semua jenis permintaan dan beradaptasi dengan jenis pertanyaan baru dari waktu ke waktu.

Manuvir Das, Wakil Presiden, Komputasi Perusahaan
Kemajuan Perangkat Lunak Mengakhiri Silo AI: Perusahaan telah lama harus memilih antara komputasi awan dan arsitektur hybrid untuk penelitian dan pengembangan AI — sebuah praktik yang dapat menghambat produktivitas pengembang dan memperlambat inovasi.

Pada tahun 2023, perangkat lunak akan memungkinkan bisnis untuk menyatukan saluran AI di semua jenis infrastruktur dan memberikan satu pengalaman yang terhubung untuk praktisi AI. Ini akan memungkinkan perusahaan untuk menyeimbangkan biaya terhadap tujuan strategis, terlepas dari ukuran atau kompleksitas proyek, dan menyediakan akses ke kapasitas yang hampir tidak terbatas untuk pengembangan yang fleksibel.

AI Generatif Mengubah Aplikasi Perusahaan: Kegembiraan tentang AI generatif menjadi kenyataan pada tahun 2023. Itu karena dasar untuk AI generatif sejati akhirnya ada, dengan perangkat lunak yang dapat mengubah model bahasa besar dan sistem pemberi rekomendasi menjadi aplikasi produksi yang melampaui gambar untuk menjawab pertanyaan dengan cerdas, membuat konten, dan bahkan memicu penemuan….

Kimberly Powell, Wakil Presiden, Kesehatan
Pembedahan 4.0: Simulator penerbangan berfungsi untuk melatih pilot dan meneliti kontrol pesawat baru. Hal yang sama sekarang berlaku untuk ahli bedah dan pembuat perangkat bedah robotik. Si kembar digital yang dapat mensimulasikan di setiap skala, mulai dari lingkungan ruang operasi hingga robot medis dan anatomi pasien, membuat terobosan baru dalam latihan bedah yang dipersonalisasi dan merancang interaksi manusia dan mesin yang digerakkan oleh AI. Residensi panjang tidak akan menjadi satu-satunya cara untuk menghasilkan ahli bedah yang berpengalaman. Banyak yang akan menjadi operator ahli saat mereka melakukan operasi pertama dengan bantuan robot pada pasien sungguhan.

Danny Shapiro, Wakil Presiden, Otomotif
Melatih Kendaraan Otonom di Metaverse: Lebih dari 250 pembuat mobil dan truk, perusahaan rintisan, penyedia transportasi dan mobilitas sebagai layanan yang mengembangkan kendaraan otonom sedang menangani salah satu tantangan AI paling kompleks saat ini. Sangat tidak mungkin untuk menemukan setiap skenario yang harus dapat mereka tangani dengan menguji di jalan, sehingga sebagian besar industri pada tahun 2023 akan beralih ke dunia maya untuk membantu. Pengumpulan data on-road akan dilengkapi dengan armada virtual yang menghasilkan data untuk pelatihan dan pengujian fitur baru sebelum diterapkan. Simulasi dengan ketelitian tinggi akan menjalankan kendaraan otonom melalui berbagai skenario dan lingkungan yang hampir tak terbatas….

Rev Lebardedian, Wakil Presiden, Teknologi Omniverse dan Simulasi
Penerjemah Universal Metaverse: Sama seperti HTML adalah bahasa standar web 2D, Deskripsi Pemandangan Universal diatur untuk menjadi bahasa terbuka yang paling kuat, dapat diperluas, untuk web 3D. Sebagai standar 3D untuk mendeskripsikan dunia virtual dalam metaverse, USD akan memungkinkan perusahaan dan bahkan konsumen untuk berpindah di antara dunia 3D yang berbeda menggunakan berbagai alat, pemirsa, dan browser dengan cara yang paling lancar dan konsisten.

Ronnie Vasishta, Wakil Presiden Senior, Telekomunikasi
Memotong Kabel pada AR/VR Melalui Jaringan 5G: Sementara banyak bisnis akan beralih ke cloud untuk pengembangan perangkat keras dan perangkat lunak, desain edge dan kolaborasi juga akan tumbuh karena jaringan 5G semakin diterapkan secara penuh di seluruh dunia. Desainer otomotif, misalnya, dapat mengenakan headset augmented reality dan mengalirkan konten yang sama yang mereka lihat melalui jaringan nirkabel ke rekan kerja di seluruh dunia, mempercepat perubahan kolaboratif dan mengembangkan solusi inovatif dengan kecepatan tinggi. 5G juga akan mempercepat penerapan robot yang terhubung di seluruh industri — digunakan untuk mengisi ulang rak toko, membersihkan lantai, mengantarkan pizza, serta mengambil dan mengemas barang di pabrik.

Bob Pette, Wakil Presiden, Visualisasi Profesional
Revolusi Industri melalui Simulasi: Segala sesuatu yang dibangun di dunia fisik pertama-tama akan disimulasikan di dunia virtual yang mematuhi hukum fisika. Kembar digital ini — termasuk lingkungan berskala besar, seperti pabrik, kota, dan bahkan seluruh planet — dan metaverse industri akan menjadi komponen penting dari inisiatif transformasi digital. Contohnya sudah banyak: Siemens membawa otomasi industri ke tingkat yang baru. BMW mensimulasikan seluruh lantai pabrik untuk merencanakan proses manufaktur secara optimal. Lockheed Martin mensimulasikan perilaku kebakaran hutan untuk mengantisipasi di mana dan kapan sumber daya harus digunakan. DNEG, SONY Pictures, WPP, dan lainnya meningkatkan produktivitas melalui departemen seni yang didistribusikan secara global yang memungkinkan pencipta, seniman, dan desainer mengulang adegan secara virtual dalam waktu nyata.

Memikirkan kembali Arsitektur TI Perusahaan: Sama seperti banyak bisnis yang berebut untuk mengadaptasi budaya dan teknologi mereka untuk memenuhi tantangan kerja hybrid, tahun baru akan membawa arsitektur ulang seluruh infrastruktur TI banyak perusahaan. Perusahaan akan mencari perangkat klien yang kuat yang mampu menangani permintaan aplikasi dan dataset kompleks yang terus meningkat. Dan mereka akan merangkul fleksibilitas, beralih ke cloud untuk penskalaan eksponensial. Adopsi platform perangkat lunak komputasi terdistribusi akan memungkinkan tenaga kerja yang tersebar secara global untuk berkolaborasi dan tetap produktif di bawah lingkungan kerja yang paling berbeda.

Demikian pula, pengembangan dan pelatihan model AI yang kompleks akan membutuhkan infrastruktur komputasi yang kuat di pusat data dan desktop. Bisnis akan melihat tumpukan perangkat lunak AI yang dikuratori untuk kasus penggunaan industri yang berbeda untuk memudahkan mereka membawa AI ke dalam alur kerja mereka dan memberikan produk dan layanan berkualitas lebih tinggi kepada pelanggan dengan lebih cepat.

Azita Martin, Wakil Presiden, AI untuk Grup Produk Ritel dan Konsumen
AI untuk Mengoptimalkan Rantai Pasokan: Bahkan peritel dan perusahaan e-commerce tercanggih pun mengalami kesulitan dalam dua tahun terakhir untuk menyeimbangkan pasokan dengan permintaan. Konsumen melakukan belanja di rumah selama pandemi dan kemudian berbondong-bondong kembali ke toko fisik setelah penguncian dicabut. Setelah inflasi melanda, mereka mengubah kebiasaan membeli mereka sekali lagi, memberikan kecocokan pada manajer rantai pasokan. AI akan memungkinkan peramalan yang lebih sering dan lebih akurat, memastikan produk yang tepat berada di toko yang tepat pada waktu yang tepat. Selain itu, pengecer akan merangkul perangkat lunak pengoptimalan rute dan teknologi simulasi untuk memberikan pandangan yang lebih holistik tentang peluang dan jebakan.

Malcolm deMayo, Wakil Presiden, Layanan Keuangan
Cloud-First untuk Layanan Keuangan: Bank memiliki keharusan baru: cepat gesit. Menghadapi persaingan yang semakin ketat dari lembaga keuangan non-tradisional, perubahan ekspektasi pelanggan yang muncul dari pengalaman mereka di industri lain dan dibebani dengan infrastruktur lama, bank dan lembaga lain akan menerapkan pendekatan AI yang mengutamakan cloud. Tetapi sebagai industri yang sangat diatur yang membutuhkan ketahanan operasional, istilah industri yang berarti sistem Anda dapat menyerap dan bertahan dari guncangan (seperti pandemi), bank akan mencari solusi hybrid yang terbuka, portabel, dan tangguh. Akibatnya, bank berkewajiban untuk membeli perjanjian dukungan bila tersedia.

David Reber, Kepala Petugas Keamanan
Ilmuwan Data Adalah Aset Dunia Maya Baru Anda: Profesional dunia maya tradisional tidak dapat lagi bertahan secara efektif dari ancaman paling canggih karena kecepatan dan kompleksitas serangan dan pertahanan telah secara efektif melebihi kapasitas manusia. Ilmuwan data dan analis manusia lainnya akan menggunakan AI untuk melihat semua data secara objektif dan menemukan ancaman. Pelanggaran akan terjadi, jadi teknik ilmu data menggunakan AI dan manusia akan membantu menemukan jarum di tumpukan jerami dan merespons dengan cepat.

Kari Briski, Wakil Presiden, AI dan Perangkat Lunak HPC
Data Tanpa Label Menemukan Tujuannya: Model bahasa besar dan data terstruktur juga akan meluas ke rim foto, rekaman audio, tweet, dan lainnya untuk menemukan pola dan petunjuk tersembunyi untuk mendukung terobosan perawatan kesehatan, kemajuan dalam sains, keterlibatan pelanggan yang lebih baik, dan bahkan kemajuan besar dalam transportasi tanpa pengemudi. Pada tahun 2023, menambahkan semua data tidak terstruktur ini ke dalam campuran akan membantu mengembangkan jaringan saraf yang, misalnya, dapat menghasilkan profil sintetik untuk meniru catatan kesehatan yang telah mereka pelajari. Jenis pembelajaran mesin tanpa pengawasan ini akan menjadi sama pentingnya dengan pembelajaran mesin yang diawasi.

Pusat Panggilan Baru: Awasi pusat panggilan pada tahun 2023, di mana penerapan alur kerja AI ucapan yang semakin mudah diimplementasikan akan memberikan fleksibilitas bisnis di setiap langkah saluran interaksi pelanggan — mulai dari memodifikasi arsitektur model hingga menyempurnakan model pada data hak milik dan menyesuaikan saluran pipa. Seiring dengan meluasnya aksesibilitas alur kerja AI ucapan, kita akan melihat perluasan adopsi perusahaan dan peningkatan besar-besaran dalam produktivitas pusat panggilan dengan mempercepat waktu penyelesaian. AI akan membantu agen menarik informasi yang benar dari basis pengetahuan yang besar pada waktu yang tepat, meminimalkan waktu tunggu pelanggan.

Deepu Talla, Wakil Presiden, Embedded dan Edge Computing
Robot Mendapatkan Sejuta Nyawa: Lebih banyak robot akan dilatih di dunia virtual karena perenderan fotorealistik dan pemodelan fisika yang akurat digabungkan dengan kemampuan untuk mensimulasikan secara paralel jutaan contoh robot pada GPU di cloud. Teknik AI generatif akan mempermudah pembuatan skenario simulasi 3D yang sangat realistis dan semakin mempercepat adopsi simulasi dan data sintetik untuk mengembangkan robot yang lebih mumpuni.

 Marc Spieler, Direktur Senior, Energi
Jaringan Energi Bertenaga AI: Ketika jaringan menjadi lebih kompleks karena tingkat penambahan sumber daya energi terdistribusi yang belum pernah terjadi sebelumnya, perusahaan utilitas listrik akan membutuhkan AI tepi untuk meningkatkan efisiensi operasional, meningkatkan keselamatan fungsional, meningkatkan akurasi perkiraan beban dan permintaan, dan mempercepat waktu koneksi energi terbarukan , seperti matahari dan angin. AI di edge akan meningkatkan ketahanan jaringan, sekaligus mengurangi pemborosan energi dan biaya.