يمكن للشركات الناشئة المحلية في مجال الذكاء الاصطناعي أن تتغلب على شتاء نووي اقتصادي

ألا تستطيع حضور Transform 2022؟ تحقق من جميع جلسات القمة في مكتبتنا عند الطلب الآن! انظر هنا.

كتبت مؤخرًا مقالًا لـ VentureBeat أفرق فيه بين الشركات التي تعتمد في جوهرها على الذكاء الاصطناعي وتلك التي تستخدم الذكاء الاصطناعي كوظيفة أو جزء صغير من عرضها العام. لوصف المجموعة القديمة من الشركات ، قمت بصياغة مصطلح "AI-Native".

بصفتي تقنيًا ومستثمرًا ، دفعني الانكماش الأخير في السوق إلى التفكير في التقنيات التي تستعد للبقاء في فصل الشتاء بالنسبة للذكاء الاصطناعي ، والناجمة عن مزيج من الاستثمار المنخفض ، وأسواق الأسهم المثبطة مؤقتًا ، والركود المحتمل الذي أدى إلى تفاقم التضخم ، و حتى إحجام العملاء عن الانغماس في تقنيات جديدة واعدة خوفًا من فقدان (FOMO).

يمكنك معرفة من أين أتيت. أعتقد أن الشركات الأصلية للذكاء الاصطناعي في وضع قوي للظهور بشكل صحي وحتى النمو بعد الانكماش. بعد كل شيء ، تولد العديد من الشركات الكبرى أثناء فترة التوقف: Instagram و Netflix و Uber و Slack و Square هي أمثلة قليلة تتبادر إلى الذهن.

ولكن في حين أن شركة أصلية غير معلنة للذكاء الاصطناعي يمكن أن تصبح Google في العقد الثالث من القرن الحالي ، فلن يكون من الدقة ولا الحكمة الادعاء بأن جميع الشركات التي تعمل في مجال الذكاء الاصطناعي مقدر لها النجاح.

حدث

MetaBeat 2022

ستجمع MetaBeat قادة الفكر لتقديم المشورة بشأن الطريقة التي ستغير بها التكنولوجيا metaverse الطريقة التي تتواصل بها جميع الصناعات وتؤدي أعمالها في 4 أكتوبر في سان فرانسيسكو ، كاليفورنيا. سجل هنا

في الواقع ، تحتاج الشركات الأصلية للذكاء الاصطناعي إلى توخي الحذر والاستراتيجية بشكل خاص في كيفية عملها. لماذا ا؟ لأن إدارة أعمال الذكاء الاصطناعي أمر مكلف: المواهب والبنية التحتية وعملية التطوير كلها مكلفة ، لذا فإن الكفاءة أمر بالغ الأهمية لبقائهم على قيد الحياة. هل تحتاج إلى شد حزامك؟ هناك تطبيق لذلك

الكفاءة ليست سهلة دائمًا ، ولكن لحسن الحظ ، هناك نظام بيئي للذكاء الاصطناعي يتم تخميره لفترة كافية لتقديم حلول جيدة ومفيدة لمجموعة التكنولوجيا الخاصة بك.

لنبدأ بتدريب النموذج. إنها باهظة الثمن لأن النماذج تكبر. قامت Microsoft و Nvidia مؤخرًا بتدريب طراز Megatron-Turing Natural Language Generation (MT-NLG) على 560 خادم Nvidia DGX A100 ، يحتوي كل منها على 8 وحدات معالجة رسومات Nvidia A100 بسعة 80 جيجابايت ، تكلف ملايين الدولارات.

لحسن الحظ ، تنخفض التكاليف بفضل التطورات في الأجهزة والبرامج. وتعمل المناهج الخوارزمية والأنظمة مثل MosaicML و DeepSpeed ​​من Microsoft على تحسين كفاءة تدريب النموذج.

تتمثل الخطوة التالية في وضع العلامات وتطوير البيانات ، والتي يعد [تنبيه المفسد] مكلفًا أيضًا. وفقًا لشركة Hasty.ai - وهي شركة تهدف إلى حل هذه المشكلة - "يستغرق تصنيف البيانات ما بين 35 و 80٪ من ميزانيات المشروع".

لنتحدث الآن عن إنشاء النماذج. هذا عمل صعب يتطلب الأمر موهبة متخصصة ، وأطنانًا من البحث ، وتجربة وخطأ لا نهاية لهما. التحدي الكبير في بناء النماذج هو أن البيانات مرتبطة بالسياق. كان هناك مكانة لهذا الغرض لفترة من الوقت. تمتلك Microsoft Azure AutoML ، بينما تمتلك AWS Sagemaker ؛ يحتوي Google Cloud على AutoML. هناك أيضًا مكتبات ومنصات تعاون مثل Hugging Face التي تجعل إنشاء النماذج أسهل بكثير من السنوات السابقة. ليس فقط إطلاق الأنماط في البرية

الآن بعد أن أنشأت النموذج الخاص بك ، تحتاج إلى نشره. اليوم ، هذه العملية بطيئة للغاية ، مع ثلثي ...