Intel пояснює, чому організації стагнують у своїх зусиллях зі штучним інтелектом - і як змусити механізм працювати

За даними Всесвітнього економічного форуму, зараз 60% світового ВВП є цифровим, і лише у 2022 році буде згенеровано 80 зетабайт даних. До 2025 і 2026 років цей обсяг зросте до 180 зетабайт даних. , галузі в усьому світі перебувають на передньому краї ери стійкого зростання, якщо їм вдасться розкрити секрет перетворення нескінченних обсягів даних у практичні ідеї. .

Демократизація даних має вирішальне значення, заявили Кавіта Прасад, віце-президент і генеральний менеджер Центру обробки даних, штучного інтелекту та хмарної стратегії та виконання Intel, Метт Маршалл, генеральний директор VB, на Transform у вівторок.

«З такою кількістю даних за допомогою традиційних методів непросто отримати розуміння», — сказав Прасад. «Штучний інтелект це змінить. Щоб це сталося, нам потрібно інвестувати в штучний інтелект сьогодні, як у людей, так і в технології».

Хоча швидкість інновацій штучного інтелекту зростає в геометричній прогресії, ШІ все ще перебуває на ранніх стадіях розгортання. Згідно зі звітами аналітиків, 80% компаній могли б інвестувати в штучний інтелект, але лише 20% з них отримують переваги. І навіть там, де ШІ широко розгортається, це там, де наслідки невдач мінімальні. Традиційні методи ML, ймовірнісні та інші аналізи існують стільки, скільки існують дані, але з огляду на швидкість, з якою дані збільшуються, ці традиційні методи потрібно доповнити передовими технологіями, такими як глибоке навчання, щоб досягти необхідних бізнес-результатів. .

«Сьогодні більша частина світу зосереджена на масовому навчанні цих моделей і менше на їх розгортанні у виробничих середовищах», — сказав Прасад. «Якщо ми справді говоримо про демократизацію штучного інтелекту, нам потрібно побачити, що 80% решти варіантів використання — звичайні магазини, системи на дорогах, телекомунікаційна інфраструктура — усе має скористатися перевагами штучного інтелекту».

Існує кілька проблем, пов’язаних із поверненням вигоди від інвестицій. Одна з них полягає в тому, що багато компаній забувають, що штучний інтелект – це перш за все проблема програмного забезпечення: вам потрібно відповідати вимогам розробників та екосистеми, а не просто зосереджуватися на чистій продуктивності на ват або чистій потужності вашого апаратного забезпечення. Додайте до цього, що ШІ сам по собі є безперервним і повторюваним процесом. Звичайно, більшість організацій починають з навчання. Але коли справа доходить до розгортання цих моделей, весь процес має бути цілісним, від збору даних до навчання моделі, тестування, розгортання, а потім обслуговування та моніторингу. p>

Хмарні підприємства використовують переваги MLOps, що спрощує розгортання, обслуговування та моніторинг. Але периферійним і гібридним підприємствам потрібно розвиватися в хмарі та розгортатися на межі, але потім здійснювати моніторинг на межі та підтримувати роботу в хмарі. Те, на чому ви навчили свої дані, проти вашої наземної реальності може абсолютно відрізнятися. А без обслуговування моделі починають деградувати, а продуктивність погіршується.

Третя частина головоломки — це дані: доступність, якість і спільний доступ. Від питань конфіденційності до головоломки «сміття у смітнику», де необ’єктивні дані стають проблемою безпеки та пояснення, керування даними може стати колосальною справою.

«Це всі ці процеси, які мають об’єднатися, щоб ми могли реально розгорнути штучний інтелект у промисловості», — сказав Прасад. «Тоді ми зможемо сказати, що наблизилися до демократизації ШІ».

Важливо почати долати ці виклики якнайшвидше, щоб не відставати від невблаганних змін, які охоплюють світ. Але якщо ви не хочете зіткнутися з проблемами пізніше, вам варто подумати про систему та архітектуру, які у вас уже є. Вам потрібно враховувати вартість і складність, які спричинить відкриття ваших дверей для ШІ та даних, від перенесення робочого навантаження до масштабування ваших проектів.

Більше компаній, ніж будь-коли, пропонують точкові рішення для кожної зміни варіантів використання ШІ. Але з точки зору бізнесу, ключовим є з’ясування того, як поєднати всі ці розрізнені частини разом, як керувати своїми даними на кожному етапі шляху, як забезпечити їх високу якість і безпеку, і як розгорнути свою модель – чи в інших словами, як поєднати вашу прогнозну аналітику з вашою діловою хваткою для отримання значущих результатів.

І хоча штучний інтелект є проблемою програмного забезпечення, апаратне забезпечення все ще є важливою частиною головоломки. Intel задовольняє потреби в обчисленнях за допомогою штучного інтелекту, вбудованого в її FPGA, GPU та CPU. Компанія також зосереджена на уніфікації апаратного забезпечення з програмним забезпеченням, щоб забезпечити клієнтам міцну основу для їхніх зусиль у сфері штучного інтелекту.

З точки зору безпеки, він також інвестує в технології...