29 июня 2023 г. — ИИ, десятилетиями бурливший под поверхностью, стал популярной темой для общественности. Возможности таких сервисов, как ChatGPT и DALL-E, вызвали всеобщий интерес. Но ИИ может предложить гораздо больше, чем написание школьных сочинений и создание необычных произведений искусства.
Может оказать значительное влияние на отрасль, расширяя возможности компаний за счет таких приложений, как компьютерное зрение, обработка естественного языка и системы рекомендаций товаров. Теперь ИТ-директора должны решить, какого подхода придерживаться при разработке собственных приложений на основе ИИ, чтобы использовать их эффективно.
Потенциальные возможности применения ИИ очень широки. В автомобильной промышленности компьютерное зрение может обеспечить работу автоматических систем безопасности, распознающих пешеходов на дороге. Обработка естественного языка может облегчить голосовые команды в автомобиле. В производстве компьютерное зрение может контролировать качество и предлагать упреждающую поддержку.
В розничной торговле оплата может быть упрощена благодаря автоматическому распознаванию товаров и клиентов. Финансовые службы могут обнаруживать аномалии в транзакциях, чтобы предотвратить мошенничество. Медицинские компании могут повысить скорость и точность диагностики.
Компании любого типа могут повысить насыщенность и качество корпоративного поиска, облегчив поиск ценных внутренних данных.
В жизненном цикле машинного обучения есть две основные фазы: обучение и вывод. На этапе обучения происходит обработка огромного количества данных и применение ИИ для распознавания образов и построения моделей. Сюда входят высокопроизводительные вычислительные серверы в центрах обработки данных, оснащенные лучшими в своем классе процессорами, такими как AMD EPYC четвертого поколения, и ускорителями для центров обработки данных, такими как AMD Instinct. Фаза вывода предполагает применение модели к реальным данным для получения реальных результатов.
Для этого можно использовать аппаратное обеспечение, аналогичное этапу обучения, или встраиваемые устройства, такие как системы-на-чипе (SoC) AMD VersalTM и ZynqTM.
Чтобы быть эффективными, приложениям ИИ необходимы комплексные модели, созданные на основе богатых массивов данных. Самые ценные данные организации живут в ее стенах. Для этого потребуется собственная разработка, в рамках которой необходимо развернуть наиболее экономически эффективную экосистему аппаратного и программного обеспечения.
Приложение на основе ИИ может предоставлять более релевантную информацию, если его модели настраиваются с учетом собственных данных организации. Это позволит ей получать результаты, более соответствующие потребностям организации. Однако по мере того, как ИИ становится все более распространенным, сочетание подходов, основанных на общедоступных решениях программное обеспечение как услуга (SaaS), а также собственных приложений, вероятно, даст самые высокие результаты. Ключевым моментом здесь является наличие согласованного доступа к стекам, используемым для обучения и вывода. AMD Unified Inference Frontend (UIF) обеспечивает единый путь к стандартным для отрасли фреймворкам ИИ, включая Tensor Flow, PyTorch, WinML и Open Neural Network Exchange (ONNX).
Они, в свою очередь, могут быть легко интегрированы со стеком CPU AMD EPYC, программно-управляемым стеком GPU AMD Instinct ROCmTM или платформой Vitis™ AI Platform для встраиваемых стеков с адаптивными SoC AMD Versal или Zynq.
Когда ИТ-директора разрабатывают стратегию инвестирования в приложения ИИ, им необходимо обеспечить эффективное расходование средств компании для получения достаточной прибыли. Повышение эффективности процессов, производительности и отказоустойчивости ИТ-инфраструктуры очень важно для оценки выгод. ИТ-директорам необходимо выбрать оптимальную архитектуру для своего решения, которую можно быстро развернуть. Вот почему так важно иметь широкий спектр стеков ИИ на выбор.
ИТ-директорам также необходимо провести оценку воздействия приложения на протяжении всего жизненного цикла, чтобы обеспечить безопасное управление им в целях ответственного внедрения инноваций, а также соблюсти правила и рамки управления конфиденциальностью. Это связано с тем, что модели ИИ, скорее всего, будут основаны на конфиденциальных или проприетарных данных, или и на том, и на другом, конфиденциальность которых необходимо защищать как ценную интеллектуальную собственность. Затраты, связанные со всеми этими факторами, означают, что ИТ-директорам необходимо инвестировать в те области, где выгоды очевидны, долгосрочны и обеспечивают фундаментальное повышение производительности.
Однако создание алгоритмов, лежащих в основе моделей ИИ, требует много времени и средств. Они зависят от наличия все более крупных массивов данных и архитекторов ИИ, способных работать над разнообразными сценариями использования. Это еще одна причина, по которой необходима единая унифицированная платформа.
Размер параметров для моделей увеличился с тысяч до сотен миллиардов всего за одно десятилетие, что представляет собой ошеломляющий экспоненциальный рост количества. Обучение модели с таким количеством параметров требует достаточно большого объема данных и добросовестного управления ими. Кроме того, важно защититься от предвзятости данных, которая может исказить результаты. Это стало постоянной критикой типовых реализаций ИИ, обученных на открытых наборах данных.
Исправление этого смещения требует значительных затрат. Все это означает, что обучение моделей требует времени и затрат.
Ключевыми лицами, принимающими решения при определении стратегии инвестиций в корпоративные приложения на основе ИИ, будут руководители компаний. Необходимо определить, где нужен ИИ, составить перечень сценариев использования, классифицировать уровни риска, а затем оценить, соответствуют ли существующие решения в области ИИ их требованиям. Если они уже хорошо зарекомендовали себя и обладают широкими функциональными возможностями, возможно, нет необходимости создавать пользовательские приложения ИИ с нуля.
В любом случае, использование гибкой существующей платформы, такой как AMD UIF, и оптимизированных библиотек, таких как AMD ZenDNN и компилятор ROCmTM HIP, обеспечивает гибкость, что позволяет сочетать преимущества проверенного кода с настройкой под конкретные задачи на подходящей платформе в соответствии с уровнем инвестиций.
ИИ все еще находится на ранней стадии внедрения и уже пережил несколько поколений взлетов и падений. Однако сегодняшний искусственный интеллект обещает стать началом цикла, основанного на чрезвычайно больших моделях и больших массивах данных. Этап больших данных для решений на основе ИИ, будь то приложения, разработанные собственными силами, или прикладные фреймворки, предоставляемые промышленностью, сейчас находится на стадии явного роста.
Поскольку более широкое внедрение ИИ в компании приводит к появлению более совершенных приложений, это, в свою очередь, означает, что будут разработаны более совершенные механизмы, повышающие эффективность бизнес-процессов. Эти усовершенствования и преимущества еще больше ускорят разработку приложений, повысят отдачу и снизят затраты на внедрение. Как только преимущества перевесят затраты организации, приложения на основе ИИ должны быть в повестке дня каждого ИТ-директора.
