Cloud Computing und die Demokratisierung von KI
von Raul Reguillo (Absolvent ESI und Cloud Architect bei BBVA Next Technologies).
1. Ein Spaziergang in den Wolken.
Seit Jahren Technologien Cloud Sie spielen in jedem Unternehmen eine entscheidende Rolle. Ob es ein StartupOb KMU oder Großunternehmen, die Cloud hat sich als wesentlicher Bestandteil bei der Definition der technologischen Strategie positioniert [1]. Eigenschaften wie Ressourcenelastizität, angepasste und kalkulierbare Kosten, Sicherheit oder die beginnende Anzahl an angebotenen Diensten positionieren Cloud-Technologien als sehr attraktiven Wert für Unternehmen. In Daten zeigt uns [2] ein Beispiel für Adoption und Projektion.
Innerhalb dieser Dienste sind sie von den klassischen, die auf Speicherung, Datenbanken oder Berechnung abzielen, bis hin zu den avantgardistischsten zu finden, die die Horizonte des Quantum Computing [3] erkunden oder die Grenzen der künstlichen Intelligenz weiter verschieben.
Diese Eigenschaft, Ressourcen, Wissen und Dienstleistungen den Menschen näher zu bringen, wird als Demokratisierung bezeichnet. Im Laufe der Geschichte wurden viele Beispiele der Demokratisierung gesehen, eines der relevantesten und ersten war die Erfindung des Buchdrucks; Als Bücher Luxusgüter waren, die nur wenigen zur Verfügung standen, die sie zu lesen, zu interpretieren und zu nutzen wussten, ermöglichte die Druckerpresse, sie der Masse zugänglicher zu machen und ihnen somit Wissen zu bringen. Wir können uns daher viele weitere Beispiele vorstellen, die von Verkehr und Energie bis hin zu Nachrichten und Telekommunikation reichen können. Die demokratisierende Rolle der Cloud in technologischen Trends ist bemerkenswert, umfangreich und es ist möglich, dass sie eines dieser Paradigmen sein wird, die die Art und Weise verändern, wie Computer funktionieren [4]. Ebenso begünstigt die Anzahl der Cloud-Service-Anbieter eine globale Abdeckung sowie sehr erschwingliche Preise [5]. Es ist nicht mehr erforderlich, große Investitionen in Server und Festplatten zum Hosten von Informationen zu tätigen, sondern virtueller Speicherplatz kann für die genau benötigte Zeit zu sehr erschwinglichen Preisen gemietet und Aspekte der Sicherheit, Wartung und Delegierung delegiert werden Compliance an den Anbieter selbst Cloud. Ebenso kann ein kleines Unternehmen oder sogar eine Einzelperson so ein ganzes mieten Gruppe der parallelen Verarbeitung (möglicherweise Hunderte von Knoten), um davon die unbedingt notwendige Zeit zu nutzen und sie dann freizugeben. Dieses leistungsstarke Konzept kann über Computing oder Speicherung hinaus erweitert werden und andere Klassen spezifischerer Dienste (die Liste ist sehr umfangreich [6]) wie IoT, Blockchain, Datenmigration, Robotik oder künstliche Intelligenz erreichen.
2. Demokratie
In diesem letzten Bereich, der künstlichen Intelligenz, scheinen die Auswirkungen dieser Demokratisierung am offensichtlichsten und in sehr unterschiedlichen Bereichen. Die Cloud hat viele Dinge in Form von Diensten (PaaS, SaaS, IaaS) demokratisiert, wobei der Bereich der künstlichen Intelligenz ein besonderer Fall ist, in dem mehrere dieser Branchen zusammenlaufen. In diesem Artikel werden wir über drei Aspekte sprechen, bei denen die Demokratisierung der KI die größten Auswirkungen hat: Ressourcen, Wissen und Betrieb.
2.1 Ressourcen
Wenn wir darüber nachdenken, ein Modell von zu trainieren Tiefes Lernen die Menge an Ressourcen, die einige der Algorithmen benötigen, sowie die Notwendigkeit Hardware Wie High-End-GPUs oder TPUs können sie das Budget vieler bescheidener Unternehmen, Studenten oder Forscher übersteigen. Dieses Material würde nur Unternehmen mit ausreichender Zahlungsfähigkeit zur Verfügung stehen, die es kaufen und in vollem Umfang nutzen könnten. Sehen wir es uns an einem Beispiel an:
ResNet-50 [7] ist ein Modell von Tiefes Lernen an der Klassifikation von Bildern orientiert. Wenn wir ResNet-50 für 90 Epochen mit dem ImageNet-Datensatz trainieren, kann es mit einer einzelnen GPU bis zu einer Woche dauern. Wenn wir die Anzahl der GPUs erhöhen, kann die Trainingszeit reduziert werden, sodass mit mindestens 4 GPUs vernünftigere Zeiten erreicht werden. Andererseits ist der Datensatz selbst ziemlich groß: etwa 150 GB. Da dies ein einfaches (und relativ altes) Problem ist, beginnen wir zu sehen, dass diese Art von Daten vielleicht auch besser in einer verteilten Umgebung zu haben ist.
Es ist ziemlich offensichtlich, dass für bestimmte Probleme von tiefe Lernen Die Lösung durchläuft verteilte Umgebungen, sowohl für die Berechnung als auch für die Datenspeicherung und nicht zu vergessen die Inferenz oder Nutzung des Modells in produktiven Umgebungen. An diesem Punkt können wir Berechnungen anstellen, wie viele Knoten wir haben möchten, welchen Nutzen wir ihnen geben werden, wie viele GPUs wir uns leisten können und wie wir alles auf dem neuesten Stand halten werden (Bibliotheksversionen, Patches usw.). Nichts, was nicht erschwinglich ist, aber es erfordert eine Offset erhebliche Metaarbeit.
In einer Umgebung Cloud Wir genießen jedoch eine Abstraktionsebene von all dem. Verteilter Speicher ist extrem günstig (Cent Euro pro GB pro Monat) und die verschiedenen Schulungsdienste bieten bereits Standardkonfigurationen zur Durchführung dieser Art von Schulung: Anzahl der Knoten, Kapazität der Maschinen, GPU-Typen, Bibliotheken und zu verwendende Versionen. So können Sie sich mit wenigen Klicks auf eine Umgebung verlassen, die bereit ist, unser ResNet-50 in wenigen Minuten zu trainieren, wobei die Kosten für den Service etwa ein paar Euro betragen.
2.2 Wissen
Einer der vielleicht stärksten Aspekte, bei denen die Cloud die KI dem Benutzer näher bringen kann, ist die Nutzung von Wissen. Es steht bereits ein Katalog trainierter Modelle zur Verfügung. Ein Unternehmen muss einen Bildklassifikator oder ein Empfehlungssystem nicht von Grund auf neu trainieren; Es gibt bereits Dienste, die vortrainierte Modelle verwenden, die von jedem genutzt werden können. Zu den erfolgreichsten zählen Stimmungsanalysedienste in Text oder Bild, Modelle von Sprache in Text auf Text zu Sprache, Betrugserkennung, Entitätserkennung, Prognose Und ein langes usw. So kann ein Unternehmen dieses Wissen in Form von Services nutzen und als Bestandteil seiner Lösungen anbinden Software. mehr und zahlen eine monatliche Gebühr, um sie auszunutzen. Es ist nicht mehr notwendig, ein Model mit den damit verbundenen Problemen im Unternehmen ausgebildet zu haben; Mangel an Daten, Vorhersagefehler, Umschulung und vor allem der Erwerb der notwendigen Kenntnisse und Profile, um sie durchzuführen.
2.3 Operationen
Schließlich ist eines der letzten Kapitel, das dem Servicekatalog hinzugefügt wurde, der Betrieb, d. h. die Erleichterung der notwendigen Arbeit, die ausgeführt werden muss (die zuvor erwähnte Metaarbeit), um ein Modell der künstlichen Intelligenz zu trainieren und in Produktion zu bringen.
Cloud-Anbieter, die sich der komplexen Schleife bewusst sind, die diese Art von Projekten regelt, erleichtern die Erstellung von Pipelines erforderlich, um die Daten zu extrahieren, das Modell zu trainieren, es in die Produktion zu bringen und seine Leistung zu überwachen. Diese Gruppe von Prozessen, allgemein bekannt als MLOps [10] wird auch von Cloud-Anbietern durch eine Abstraktionsschicht demokratisiert, sodass mit wenigen Klicks alle notwendigen Operationen abgedeckt sind.
3. Conclusiones
Die Cloud revolutioniert die Art und Weise, wie wir Prozesse und Services angehen. Im Bereich der KI waren die Auswirkungen berüchtigt und die Zahl der Dienste, die jedes Jahr in diesem Bereich eingeführt werden, scheint kein Ende zu kennen. Natürlich die Technologien selbst Cloud Sie erfordern eine bestimmte Lernkurve, um sie zu verwenden, daher sind wir nicht von dieser Metaarbeit ausgenommen, um sie effizient zu nutzen, obwohl es sich tendenziell um glatte Lernkurven handelt und der erzielte Nutzen in Bezug auf Zeit- und Kostenoptimierung mehr als offensichtlich ist . Künstliche Intelligenz in jeder Größenordnung ist heute mehr denn je für jedermann erreichbar.
