Menadžeri u kompanijama moraju da donesu presudne odluke u vezi sa razvojem AI baziranih aplikacija

Nakon što je decenijama bujala ispod površine, AI je postala popularna tema svakodnevnih razgovora. Mogućnosti usluga kao što su ChatGPT i DALL·E izazvale su svačije interesovanje. Ali AI ima mnogo više da ponudi od pisanja studentskih eseja i stvaranja neobičnih umetničkih dela. Može imati značajan uticaj na industriju, osnaživanjem kompanija kroz aplikacije kao što su kompjuterski vid, obrada prirodnog jezika i sistemi za preporuke proizvoda.

Direktori informacionih tehnologija sada moraju da odluče koji pristup da zauzmu kada razvijaju interne aplikacije zasnovane na veštačkoj inteligenciji da bi ga efikasno iskoristili.

Potencijalne primene AI-a su široke. U automobilskom sektoru kompjuterski vid može da omogući automatske bezbednosne sisteme koji prepoznaju pešake na putu. Obrada prirodnog jezika može olakšati glasovne komande u vozilu. U proizvodnji, kompjuterski vid može pratiti kvalitet i predložiti proaktivno održavanje.

U maloprodaji, plaćanje se može pojednostaviti putem automatskog prepoznavanja proizvoda i kupaca. Finansijske usluge mogu otkriti anomalije transakcija kako bi sprečile prevaru. Medicinske kompanije mogu poboljšati brzinu i tačnost dijagnoza. Svaki tip preduzeća može poboljšati bogatstvo i kvalitet svoje pretrage preduzeća, čineći dragocene interne podatke lakšim za pronalaženje.

Postoje dve glavne faze životnog ciklusa mašinskog učenja: treniranje i zaključivanje. Faza treniranja unosi ogromne količine podataka i primenjuje algoritam za prepoznavanje obrazaca i pravljenje modela. Ovo uključuje računarske servere datacentara visokih performansi opremljene najboljim CPU-ovima kao što su AMD EPIC TM procesori četvrte generacije i specijalizovani akceleratori, kao što je AMD Instinct TM.

Faza zaključivanja uključuje primenu modela na podatke iz stvarnog sveta da bi se proizveo rezultat koji se može primeniti. Za ovo može da koristi sličan hardver kao u fazi obuke ili može da se radi preko ugrađenih uređaja, kao što su AMD Versal TM i Zink TM sistemi na čipu (SoC).

Da bi bile efikasne, AI aplikacijama su potrebni sveobuhvatni modeli izvedeni iz raznovrsnih podataka. Međutim, dok su unapred izgrađeni alati značajno napredovali u smislu obezbeđivanja modela koji se treniraju na javnim ili komercijalno dobijenim eksternim podacima, najvredniji podaci za organizaciju žive unutar njenih zidova. Ovo će zahtevati neki unutrašnji razvoj, gde će biti od suštinskog značaja implementacija najisplativijeg hardverskog i softverskog ekosistema.

Aplikacija zasnovana na veštačkoj inteligenciji može da pruži relevantnije uvide ako su njeni modeli prilagođeni konkretnim podacima organizacije. Ovo će joj omogućiti da pruži rezultate koji su relevantniji za potrebe konkretne organizacije.

Međutim, kako veštačka inteligencija postaje sveprisutna, mešavina pristupa koji se zasnivaju na rešenjima javnog softvera kao usluge (SaaS) zajedno sa internim aplikacijama će verovatno doneti najmoćnije rezultate. Ključno je da imate dosledan pristup preko stekova koji se koriste za obuku i zaključivanje.

AMD Unified Inference Frontend (UIF) pruža jedan put do industrijskih standardnih AI okvira, uključujući Tensor Flow, PiTorch , VinML i Open Neural Network Ekchange (ONNKS). Oni se, zauzvrat, mogu neprimetno integrisati sa AMD EPIC CPU stekom, ROCmTM softverskim AMD Instinct GPU stekom ili Vitis™ AI platformom za ugrađeni stek sa AMD Versal ili Zink adaptivnim SoC-ovima.

Kada CIO-ovi razvijaju strategiju za ulaganje u AI aplikacije, moraju se pobrinuti da efikasno troše novac kompanije kako bi postigli dovoljan prinos. Poboljšanja efikasnosti procesa, produktivnost i otpornost IT infrastrukture su centralni za merenje koristi. CIO moraju izabrati najbolju arhitekturu za svoje rešenje, koje se može brzo implementirati.

Zbog toga je izbor širokog spektra AI stekova toliko važan. CIO -ovi će takođe morati da sprovedu procenu uticaja tokom životnog ciklusa aplikacije, kako bi osigurali da se njome bezbedno upravlja za odgovorne inovacije, kao i da je u skladu sa propisima i okvirima upravljanja privatnošću kao što je NIST. To je zato što će AI modeli najverovatnije biti izvedeni iz osetljivih ili vlasničkih podataka, ili oboje, čija poverljivost mora biti zaštićena kao vredna intelektualna svojina. Implikacije na troškove svih ovih faktora znače da CIO moraju ulagati u one oblasti u kojima su koristi jasne, dugotrajne i pružaju temeljna poboljšanja produktivnosti.

Međutim , algoritmi koji su u osnovi AI modela su i dugotrajni i skupi za izgradnju. Oni zavise od dostupnosti sve većih skupova podataka i AI arhitekata koji mogu da rade na različitim slučajevima korišćenja. Ovo je još jedan razlog zašto je konzistentna objedinjena platforma neophodna. Parametri za modele su se povećali sa hiljada na stotine milijardi u samo jednoj deceniji, što je zapanjujući eksponencijalni porast količine.

Obuka modela sa ovoliko parametara zahteva dovoljno veliku količinu podataka i savesno upravljanje podacima. Takođe je od suštinskog značaja da se zaštitite od pristrasnosti podataka, što bi moglo da iskrivi rezultate. Ovo je postala redovna kritika generičkih AI implementacija obučenih na javnim skupovima podataka. Sve ovo znači da obuka modela zahteva vreme i troškove.

Ključni donosioci odluka u određivanju strategije ulaganja u poslovne aplikacije zasnovane na veštačkoj inteligenciji biće izvršni tim. Oni moraju da razmotre gde je veštačka inteligencija potrebna, inventarišu slučajeve upotrebe, kategorišu nivoe rizika, a zatim procene koliko su postojeća AI rešenja zrela za njihove zahteve. Ako su oni dobro uspostavljeni i bogati funkcijama, možda neće biti potrebe za pravljenjem internih AI aplikacija od nule. U svakom slučaju, angažovanje fleksibilne postojeće platforme kao što je AMD UIF i optimizovanih biblioteka kao što su AMD ZenDNN i ROCm TM HIP kompajler obezbeđuje agilnost, tako da se prednosti isprobanog i testiranog koda mogu kombinovati sa prilagođavanjem specifičnim za poslovanje na prava platforma koja odgovara nivoima ulaganja.

AI je još uvek u toj fazi ranog usvajanja i već je prošla kroz više generacija uspona i padova. Ali današnja AI obećava da će biti početak ciklusa koji se hrani izuzetno velikim modelima i velikim skupovima podataka. Ova faza „velikih podataka“ za rešenja zasnovana na veštačkoj inteligenciji, bilo da se radi o aplikacijama razvijenim u kompaniji ili o okvirima aplikacija koje obezbeđuje industrija, sada je u fazi jasnog rasta. Kako više poslovnog usvajanja AI dovodi do boljih aplikacija, to zauzvrat znači da će se razviti bolji okviri, povećavajući efikasnost poslovnih procesa. Ova poboljšanja i prednosti će dodatno ubrzati razvoj aplikacija, povećati prednosti i smanjiti troškove usvajanja. Čim prednosti nadmaše troškove za organizaciju, aplikacije koje pokreće veštačka inteligencija trebalo bi da budu na dnevnom redu svakog CIO-a.

(Autor: Matt Foley, AMD-ov Direktor za primenjeni inženjering u EMEA)