Набір прогнозів HPC на 2023 рік зі смаком штучного інтелекту

За останні тижні багато прогнозів для HPC-AI у 2023 році з’явилося над нашим фрамугом, ось уривки з тих, які ми визнали найбільш цікавими, свіжими, проникливими — навіть суперечливими.

Альтаїр Головний науковий співробітник Розмарі Френсіс:
Go Big або Go Home – більші робочі навантаження HPC.У міру того, як робочі навантаження HPC приймають додатки великих даних, такі як науки про життя та прискорювачі елементарних частинок Алмазне джерело світла Великобританії (для більших досліджень і експериментів), ми бачимо вибух інструментів робочого процесу. У 2023 році ця трансформація в багатовимірне планування стане найбільшим рушієм змін у HPC, оскільки галузь прагне модернізуватися та адаптуватися до цих великих підключених програм.

HPC займається глибоким навчанням:Оскільки глибоке навчання стане більш поширеним у 2023 році, ми побачимо подальше зміщення робочого навантаження HPC. Хоча спочатку більшість робочих навантажень машинного навчання виконувалися на Kubernetes або інших фреймворках оркестровки контейнерів, стало зрозуміло, що ці системи розроблені для мікросервісів, а не для стрімких машинних навантажень, інтенсивних комп’ютерів, які зараз необхідні для глибокого навчання. Менеджерам комерційних робочих навантажень HPC потрібна комплексна підтримка контейнерів, щоб організації могли обробляти свої обчислення та використовувати переваги пакетного планування, розриву хмари та розподілу тарифів — усіх ключових аспектів ефективного HPC.

Джо Фіцсімонс, генеральний директор Квантові обчислення Horizon, про смерть NISQ і перехід до відмовостійкості в квантових обчисленнях
«В останні кілька років розробка додатків для квантових обчислень приділяла особливу увагу режиму NISQ, що стосується шумних проміжних масштабних квантових процесорів. «Шум» у цій назві відноситься до сприйнятливості кубітів до впливу факторів навколишнього середовища, які варіюються від близькості інших кубітів до зіткнень від космічних променів. Цей шум створює потенційно фатальні помилки в процесах квантових обчислень. Давно відомо, що, принаймні теоретично, можливо побудувати квантові комп’ютери, які включають виправлення помилок, так що по суті ідеальний комп’ютер може бути побудований з недосконалих компонентів. Проте дослідження NISQ були зосереджені на розробці варіаційних алгоритмів, які, як сподіваються, будуть стійкими до незначних збурень, спричинених шумом навколишнього середовища, дозволяючи отримати квантову перевагу без виправлення помилок.

«На жаль, існує відносно мало доказів того, що такі алгоритми NISQ дійсно дадуть перевагу перед звичайними комп’ютерами для широкого спектру завдань оптимізації та машинного навчання, для яких вони розглядаються. Хоча є вагомі підстави вважати, що перші квантові переваги можна спостерігати в таких галузях, як хімія, де проблема, яку потрібно вирішити, має квантово-механічний характер, є ознаки відновлення уваги до досягнення режиму відмовостійкості, в якому помилки є активно коригуються і для яких є набагато вагоміші докази квантової переваги».

Технології Dell' Джон Роуз, глобальний технічний директор – Квантова новорічна резолюція
Я встановлю ранні набори навичок, щоб скористатися квантовими перевагами. Квантові обчислення стають реальними, і якщо у вашому бізнесі немає нікого, хто розуміє, як ця технологія працює та як вона впливає на ваш бізнес, ви пропустите цю хвилю технологій. Визначте команду, інструменти та завдання, які ви присвятите квантовій діяльності, і почніть експериментувати. Буквально минулого місяця ми анонсували локальне рішення Dell Quantum Computing Solution, яке дозволяє організаціям у різних галузях почати використовувати переваги прискореного обчислення за допомогою квантової технології, інакше недоступної для них сьогодні. У 2023 році критично важливо інвестувати в квантове моделювання та дозволити вашим командам з обробки даних і ШІ вивчати нові мови та можливості квантової технології.

Протилежні погляди на ML від Гідеона Мендельса, генерального директора та співзасновника платформи MLOps комета
Коли дані висихають: Більшість удосконалень, які спостерігаються в ML, відбулися завдяки навчальним моделям із дедалі більшою кількістю даних, але ми підходимо до моменту, коли ми не зможемо це зробити. Щойно було оприлюднено кілька цікавих досліджень, які показують, що до 2026 року у нас можуть закінчитися дані. Якщо ця теза вірна, ми перестанемо бачити покращення, якщо не зможемо створити кращі моделі на тому ж наборі даних.

Вплив генеративних моделей на навколишнє середовище: Генеративні моделі дають надзвичайно вражаючі результати, але незрозуміло, як вони впливають на реальний бізнес. Зрозуміло, як тренування цих масивних моделей впливає на викиди вуглецю. Вимоги до обчислень божевільні. Тож виникає запитання: «Чи варті результати екологічних витрат?»

Відмовтеся від програмного мислення: ML дотримується курсу розробки програмного забезпечення досі, але в міру дорослішання ML цей підхід розпадається. Жоден постачальник не може зробити все. Сьогодні команди обирають найкращі доступні інструменти, які відповідають тому, що вони намагаються зробити. Постачальники, які намагалися бути всім для команди, зазнають поразки. Щоб реалізувати потенціал ML, нам потрібно подумати по-іншому, щоб створити правильний стек ML для наших конкретних бізнес-потреб.

Упередженість перевищена: Упередженість — це концепція, яка привертає багато уваги, і вона продовжуватиме привертати більше уваги з Біллем про права на штучний інтелект. Це не те, чим багато практиків ML займаються щодня. Звичайно, вони враховують це, але розумні практики ML розуміють проблеми та знають, що робити, щоб упередженість не вплинула негативно на результати.

Йонас Кубілюс з Консультативна рада Oxylabs на Generative AI
Йонас Кубілюс, співзасновник і генеральний директор компанії Three Thirds і член Консультативної ради Oxylabs, очікує посилення еволюції Stable Diffusion, GPT-3, GitHub Copilot та інших методів генерації контенту в прибуткові продукти, які використовуються розробниками та творцями контенту в реальному житті. світові програми. Він додав, що ми побачимо підвищений інтерес до мультимодальних моделей, які можуть обробляти текст, зображення, аудіо та інші вхідні дані для кількох завдань.

«Ми почнемо спостерігати перехід від використання штучного інтелекту для статичних завдань, таких як класифікація, до інтерактивних робочих процесів на основі мовної моделі, які допомагають людям виконувати свої завдання ефективніше», — сказав Кубілюс.

Пітер Меттсон, президент MLCommons, на публічних наборах даних
«Ми зіткнемося з поєднанням вимогливих нових дослідницьких завдань щодо мультимодального та розмовного штучного інтелекту, на додаток до юридичних, етичних і справедливих проблем із даними, зібраними з Інтернету в поточних публічних наборах даних. Галузь загалом також потребуватиме кращої підтримки не лише досліджень, але й широко розповсюджених додатків машинного навчання та нових нормативних актів (наприклад, за допомогою наборів тестів промислової якості)».

Для підтримки «публічних даних наступного покоління» Меттсон прогнозує потребу в значних інвестиціях у набори даних для вирішення найнагальніших соціальних і технічних проблем, а також скеровувати ці інвестиції через інфраструктуру з відкритим кодом, яка дає змогу всій спільноті робити внески та переглядати дані.

Мозес Гуттманн, генеральний директор і співзасновник платформи MLOps ClearML, на ML Trends to Watch

Автоматизація та дефіцит навичок ML Хоча ми бачили, як багато провідних технологічних компаній оголосили про звільнення у другій половині 2022 року, ймовірно, що ніхто з (них) не звільняє найталановитіших співробітників машинного навчання. Однак, щоб заповнити порожнечу... у глибоко технічних командах, компаніям доведеться ще більше покластися на автоматизацію, щоб підтримувати продуктивність і гарантувати завершення проектів. Ми також очікуємо, що компанії, які використовують технологію машинного навчання, запровадять більше систем для моніторингу та керування продуктивністю та прийматимуть більше керованих даними рішень про те, як керувати командами машинного навчання або обробки даних…

Накопичування талантів ML закінчилося  Звільнення працівників ML, ймовірно, серед тих, хто найнявся нещодавно, на відміну від співробітників ML, які працюють на більш тривалий термін... Оскільки ML і AI стали більш поширеними технологіями в останнє десятиліття, багато великих технологічних компаній почали наймати таких працівників, оскільки вони могли впоратися з фінансовими витратами та тримати їх подалі від конкурентів — не обов’язково тому, що вони були потрібні. (Тож) не дивно бачити таку кількість працівників МЛ, які звільняються… Однак, оскільки ера накопичення талантів МЛ закінчується, це може стати початком нової хвилі інновацій і можливостей для стартапів. З такою кількістю талантів, які зараз шукають роботу, ми, ймовірно, побачимо, як багато з цих людей переходять із великих технологій у малий і середній бізнес або стартапи.

Пріоритезація проектів ML  Я бачу, що проекти машинного навчання зводяться до двох типів: продані функції, які, на думку керівництва, збільшать продажі та виграють у конкурентів, і проекти оптимізації доходів… Продані функції, ймовірно, будуть відкладені, оскільки їх важко швидко вивести, а натомість , нині менші команди ML більше зосереджуватимуться на оптимізації прибутку, оскільки це може збільшити реальний дохід. У цей момент продуктивність є важливою для всіх бізнес-підрозділів, і ML не застрахований від цього.

Уніфікований ML  Одним із факторів, що уповільнює впровадження MLOps, є велика кількість точкових рішень. Це не означає, що вони не працюють, але те, що вони можуть погано інтегруватися разом і залишати прогалини в робочому процесі. Через це я твердо переконаний, що 2023 рік — це рік, коли галузь рухається до уніфікованих наскрізних платформ, створених із модулів, які можна використовувати окремо та легко інтегрувати один з одним (а також легко інтегрувати з іншими продуктами). . Такий підхід до платформи з гнучкістю окремих компонентів забезпечує гнучкість досвіду, якого шукають сучасні спеціалісти. Це простіше, ніж купувати точкові продукти та з’єднувати їх разом; це швидше, ніж будувати власну інфраструктуру з нуля (якщо ви повинні використовувати цей час для створення моделей)….

NVIDIA запропонував безліч прогнозів у різних сферах ШІ та машинного навчання:

Аніма Анандкумар, директор ML Research і Брен, професор Каліфорнійського технологічного інституту
Цифрові близнюки стають фізичними: Ми побачимо масштабне цифрові близнюки складних і багатомасштабних фізичних процесів, таких як моделі погоди та клімату, сейсмічні явища та властивості матеріалів. Це пришвидшить поточне наукове моделювання в мільйон разів і дозволить отримати нові наукові ідеї та відкриття.

Генералісти AI Агенти: Агенти штучного інтелекту вирішуватимуть відкриті завдання за допомогою інструкцій природною мовою та широкомасштабного навчання з підкріпленням, водночас використовуючи базові моделі — ці великі моделі штучного інтелекту, навчені на великій кількості немаркованих даних у масштабі — щоб агенти могли аналізувати запити будь-якого типу та адаптуватися до нових типів питань з часом.

Манувір Дас, віце-президент корпоративних обчислень
Удосконалення програмного забезпечення: покінчення з силосами штучного інтелекту: Підприємствам давно доводилося вибирати між хмарними обчисленнями та гібридними архітектурами для досліджень і розробок штучного інтелекту — практика, яка може задушити продуктивність розробників і сповільнити інновації.

У 2023 році програмне забезпечення дозволить компаніям уніфікувати конвеєри штучного інтелекту в усіх типах інфраструктури та забезпечувати єдиний підключений досвід для практиків ШІ. Це дозволить підприємствам збалансувати витрати зі стратегічними цілями, незалежно від розміру чи складності проекту, і забезпечить доступ до практично необмежених можливостей для гнучкого розвитку.

Generative AI Transforms Enterprise Applications: Ажіотаж щодо генеративного штучного інтелекту стає реальністю у 2023 році. Це тому, що нарешті створено основу для справжнього генеративного штучного інтелекту з програмним забезпеченням, яке може перетворювати великі мовні моделі та системи рекомендацій у робочі програми, які виходять за рамки зображень, щоб розумно відповідати на запитання, створювати вміст і навіть іскра відкриттів....

Кімберлі Пауелл, Віце-президент з охорони здоров'я
Хірургія 4.0: Авіасимулятори служать для навчання пілотів і дослідження нового управління літаками. Те саме зараз стосується хірургів і виробників роботизованих хірургічних пристроїв. Цифрові близнюки, які можуть симулювати будь-які масштаби, від середовища операційної до медичного робота та анатомії пацієнта, відкривають новий шлях у персоналізованих хірургічних репетиціях і розробляють взаємодію людини та машини, керовану ШІ. Тривала ординатура не буде єдиним способом виховати досвідченого хірурга. Багато хто стане досвідченим оператором, коли зробить свою першу операцію за допомогою робота на реальному пацієнті.

Денні Шапіро, віце-президент з автомобільної промисловості
Навчання автономних транспортних засобів у Метавсесвіті: Понад 250 виробників автомобілів і вантажівок, стартапів, транспортних компаній і постачальників мобільності як послуги, що розробляють автономні транспортні засоби, вирішують одну з найскладніших проблем AI нашого часу. Просто неможливо зіткнутися з усіма сценаріями, з якими вони повинні впоратися, випробовуючи на дорозі, тому велика частина галузі в 2023 році звернеться за допомогою до віртуального світу. Збір даних на дорозі буде доповнено віртуальними автопарками, які генерують дані для навчання та тестування нових функцій перед розгортанням. Високоточне моделювання запускає автономні транспортні засоби в практично нескінченному діапазоні сценаріїв і середовищ...

Рев Лебардедіан, віце-президент, Omniverse and Simulation Technology
Універсальний перекладач Metaverse: Подібно до того, як HTML є стандартною мовою двовимірної мережі, Універсальний опис сцени має стати найпотужнішою, розширюваною, відкритою мовою для 3D Інтернету. Як 3D-стандарт для опису віртуальних світів у метавсесвіті, USD дозволить підприємствам і навіть споживачам переміщатися між різними 3D-світами за допомогою різноманітних інструментів, засобів перегляду та браузерів у найбільш плавний та послідовний спосіб.

Ронні Васішта, старший віце-президент телекомунікацій
Перерізання шнура в мережах AR/VR через 5G: У той час як багато компаній переходять у хмару для розробки апаратного та програмного забезпечення, межі дизайну та співпраці також зростатимуть, оскільки мережі 5G стануть більш повноцінними у всьому світі. Автомобільні дизайнери, наприклад, можуть надягати гарнітури доповненої реальності та передавати той самий вміст, який вони бачать, через бездротові мережі колегам по всьому світу, прискорюючи спільні зміни та розробляючи інноваційні рішення з рекордною швидкістю. 5G також призведе до прискореного розгортання підключених роботів у різних галузях — вони використовуються для поповнення полиць магазинів, миття підлоги, доставки піци, збору та пакування товарів на заводах.

Боб Петт, віце-президент із професійної візуалізації
Промислова революція через моделювання: Усе, що створено у фізичному світі, спочатку буде змодельовано у віртуальному світі, який підкоряється законам фізики. Ці цифрові близнюки — включно з великомасштабними середовищами, такими як фабрики, міста та навіть ціла планета — та промисловий метавсесвіт мають стати критично важливими компонентами ініціатив цифрової трансформації. Прикладів уже багато: Siemens виводить промислову автоматизацію на новий рівень. BMW моделює цілі заводські цехи для оптимального планування виробничих процесів. Lockheed Martin моделює поведінку лісових пожеж, щоб передбачити, куди та коли розгорнути ресурси. DNEG, SONY Pictures, WPP та інші підвищують продуктивність завдяки глобально розподіленим художнім відділам, які дозволяють творцям, художникам і дизайнерам ітерувати сцени практично в реальному часі.

Переосмислення ІТ-архітектури підприємства: Подібно до того, як багато компаній намагалися адаптувати свою культуру та технології, щоб відповідати викликам гібридної роботи, новий рік принесе оновлену архітектуру всієї ІТ-інфраструктури багатьох компаній. Компанії шукатимуть потужні клієнтські пристрої, здатні задовольняти постійно зростаючі вимоги програм і складних наборів даних. І вони отримають гнучкість, переходячи до хмари для експоненціального масштабування. Запровадження розподілених обчислювальних програмних платформ дозволить розсіяній у всьому світі робочій силі співпрацювати та залишатися продуктивною в найрізноманітніших робочих середовищах.

Подібним чином розробка та навчання складної моделі штучного інтелекту вимагатиме потужної обчислювальної інфраструктури в центрі обробки даних і робочому столі. Підприємства розглядатимуть підібрані стеки програмного забезпечення штучного інтелекту для різних випадків промислового використання, щоб спростити впровадження штучного інтелекту в робочі процеси та швидше надавати клієнтам продукти та послуги вищої якості.

Азіта Мартін, віце-президент групи AI для роздрібної торгівлі та споживчих товарів
AI для оптимізації ланцюгів поставок: Навіть найдосконаліші роздрібні продавці та компанії електронної комерції за останні два роки мали проблеми з балансуванням пропозиції та попиту. Під час пандемії споживачі почали робити покупки додому, а після скасування карантину повернулися у звичайні магазини. Після того, як інфляція вдарила, вони знову змінили свої купівельні звички, викликавши невдоволення менеджерів ланцюгів поставок. AI забезпечить більш часте та точніше прогнозування, забезпечуючи потрібний продукт у потрібному магазині в потрібний час. Крім того, роздрібні торговці використовуватимуть програмне забезпечення для оптимізації маршрутів і технологію моделювання, щоб забезпечити більш цілісне уявлення про можливості та підводні камені.

Малкольм де Майо, віце-президент із фінансових послуг
Cloud-First для фінансових послуг: Банки мають новий імператив: швидко стати гнучким. Зіткнувшись із зростаючою конкуренцією з боку нетрадиційних фінансових установ, зміною очікувань клієнтів, які зумовлені їхнім досвідом роботи в інших галузях та обтяженими застарілою інфраструктурою, банки та інші установи застосують підхід штучного інтелекту, орієнтований на хмару. Але оскільки індустрія з високим ступенем регулювання, яка потребує стійкості до роботи, галузевий термін означає, що ваші системи можуть поглинати та переживати шоки (наприклад, пандемію), банки шукатимуть відкриті, портативні, надійні, гібридні рішення. Як наслідок, банки зобов’язані купувати угоди про підтримку, коли вони доступні.

Девід Ребер, головний офіцер безпеки
Data Scientists – ваш новий кіберактив: Традиційні кіберпрофесіонали більше не можуть ефективно захищатися від найскладніших загроз, оскільки швидкість і складність атак і захисту фактично перевищують людські можливості. Фахівці з обробки даних та інші аналітики використовуватимуть штучний інтелект, щоб об’єктивно переглядати всі дані та виявляти загрози. Зломи траплятимуться, тому методи науки про дані за допомогою ШІ та людей допоможуть знайти голку в стозі сіна та швидко відреагувати.

Карі Бріскі, віце-президент програмного забезпечення AI та HPC
Дані без міток знаходять своє призначення: Великі мовні моделі та структуровані дані також поширюватимуться на безліч фотографій, аудіозаписів, твітів тощо, щоб знаходити приховані закономірності та підказки для підтримки проривів у сфері охорони здоров’я, наукових досягнень, кращого залучення клієнтів і навіть значних досягнень у безпілотному транспорті. У 2023 році додавання всіх цих неструктурованих даних до суміші допоможе розробити нейронні мережі, які зможуть, наприклад, генерувати синтетичні профілі для імітації медичних записів, з яких вони вчилися. Цей тип неконтрольованого машинного навчання стане таким же важливим, як і контрольоване машинне навчання.

Новий Call Center: Слідкуйте за кол-центром у 2023 році, де впровадження дедалі зручніших мовних робочих процесів штучного інтелекту забезпечить гнучкість бізнесу на кожному кроці конвеєра взаємодії з клієнтом — від модифікації архітектури моделей до точного налаштування моделей на основі власних даних і налаштування конвеєрів. У міру розширення доступності робочих процесів мовного штучного інтелекту ми побачимо розширення впровадження корпоративних рішень і значне підвищення продуктивності кол-центру завдяки пришвидшенню часу вирішення. AI допоможе агентам отримати потрібну інформацію з величезної бази знань у потрібний час, мінімізуючи час очікування для клієнтів.

Діпу Талла, віце-президент із вбудованих і периферійних обчислень
Роботи отримують мільйон життів: Більше роботів навчатимуться у віртуальних світах, оскільки фотореалістична візуалізація та точне фізичне моделювання поєднуються з можливістю паралельного моделювання мільйонів екземплярів робота на графічних процесорах у хмарі. Генеративні методи штучного інтелекту полегшать створення реалістичних сценаріїв 3D-симуляції та ще більше прискорять впровадження моделювання та синтетичних даних для розробки більш потужних роботів.

 Марк Шпілер, старший директор з енергетики
Енергетична мережа на основі AI: Оскільки мережа стає складнішою через безпрецедентну швидкість додавання розподілених енергетичних ресурсів, електричним компаніям знадобиться периферійний штучний інтелект для підвищення ефективності роботи, підвищення функціональної безпеки, підвищення точності прогнозування навантаження та попиту та прискорення часу підключення відновлюваної енергії. , як сонце і вітер. ШІ на межі підвищить стійкість мережі, одночасно зменшуючи витрати енергії та витрати.