ESI UCLM
Ana SayfaGörüşBulut Bilişim ve Yapay Zekanın Demokratikleşmesi

Bulut Bilişim ve Yapay Zekanın Demokratikleşmesi

Raúl Reguillo görüş makalesi esi-uclm

Bulut Bilişim ve Yapay Zekanın Demokratikleşmesi

tarafından Raul Reguillo (BBVA Next Technologies'de ESI ve Bulut Mimarı mezunu).

1. Bulutlarda bir yürüyüş.

Yıllardır teknolojiler bulut Herhangi bir şirkette çok önemli bir rol oynarlar. İster bir BaşlangıçBir KOBİ veya büyük bir şirkette bulut, teknolojik stratejiyi tanımlarken kendisini temel bir bileşen olarak konumlandırmıştır [1]. Kaynakların esnekliği, düzeltilmiş ve öngörülebilir maliyetler, güvenlik veya sunulan hizmetlerin başlangıç ​​sayısı gibi özellikler, bulut teknolojilerini şirketler için çok çekici bir değer olarak konumlandırıyor. Verilerde, [2] bize bir benimseme ve projeksiyon örneği gösterir.

Şekil 1: Bulut bilişimin şirketler tarafından benimsenmesi [2]

Bu hizmetler içinde, depolama, veritabanları veya hesaplamaya yönelik klasik hizmetlerden ve en avangard olanlardan, Kuantum Hesaplamanın [3] ufkunu keşfeden veya Yapay Zekanın sınırlarını daha da zorlayan hizmetlerden bulunabilirler.

Şekil 2: Amazon Web Hizmetleri Braketi. Kuantum bilgi işlem hizmeti [3]

Kaynakları, bilgileri ve hizmetleri insanlara daha yakın hale getirmenin bu kalitesi demokratikleşme olarak bilinir. Tarih boyunca pek çok demokratikleşme örneği görülmüştür, en alakalı ve ilklerden biri matbaanın icadıdır; Kitaplar sadece okumayı, yorumlamayı ve onlardan yararlanmayı bilen birkaç kişinin erişebildiği lüks nesneler iken, matbaa onları kitleler için daha erişilebilir hale getirmeyi ve dolayısıyla onlara bilgi getirmeyi mümkün kıldı. Bu nedenle ulaşımdan enerjiye, haber ve telekomünikasyona kadar pek çok başka örnek düşünebiliriz. Bulutun teknolojik eğilimlerdeki demokratikleştirici rolü dikkate değer, kapsamlıdır ve bilgi işlemin çalışma şeklini değiştiren paradigmalardan biri olması mümkündür [4]. Benzer şekilde, bulut hizmeti sağlayıcılarının sayısı, küresel kapsamın yanı sıra çok uygun fiyatları tercih etmektedir [5]. Artık bilgileri barındırmak için sunuculara ve disklere büyük bir yatırım yapmak gerekli değildir, ancak sanal alan çok uygun fiyatlarla tam olarak gereken süre için kiralanabilir ve güvenlik, bakım ve uyma sağlayıcının kendisine bulut. Aynı şekilde, küçük bir şirket veya hatta bir kişi, böylece bir bütün olarak kiralayabilir. küme kesinlikle gerekli zamanı kullanmak için paralel işleme (potansiyel olarak yüzlerce düğüm) ve ardından serbest bırakın. Bu güçlü konsept, bilgi işlem veya depolamanın ötesine geçerek IoT, Blockchain, veri taşıma, robotik veya Yapay Zeka gibi diğer daha spesifik hizmet sınıflarına (liste çok kapsamlıdır [6]) ulaşarak genişletilebilir.

Şekil 3: Ana bulut sağlayıcılarının hizmetleri arasındaki karşılaştırma [6]

2. Demokrasi

Bu demokratikleşmenin etkilerinin en belirgin ve çok çeşitli alanlarda görüldüğü bu son alan olan Yapay Zeka'dır. Bulut, birçok şeyi hizmetler (PaaS, SaaS, IaaS) biçiminde demokratikleştirmeye geldi; Yapay Zeka alanı, bu dalların birçoğunun birleştiği özel bir durum. Bu yazıda yapay zekanın demokratikleşmesinin en fazla etkiye sahip olduğu üç yönden bahsedeceğiz: kaynaklar, bilgi ve operasyonlar.

2.1 yineleme

Bir model yetiştirmeyi düşünürsek Derin Öğrenme Algoritmalardan bazılarının ihtiyaç duyduğu kaynak miktarı ve donanım Üst düzey GPU'lar veya TPU'lar gibi, birçok mütevazı şirketin, öğrencinin veya araştırmacının bütçesini aşabilirler. Bu materyal, yalnızca onu satın alabilecek ve bundan tam olarak yararlanabilecek yeterli ödeme gücüne sahip şirketler için geçerli olacaktır. Bir örnekle görelim:

ResNet-50 [7] bir modeldir Derin Öğrenme görüntülerin sınıflandırılmasına yöneliktir. ResNet-50'yi ImageNet veri seti ile 90 dönem için eğitirsek, tek bir GPU ile bir hafta kadar sürebilir. GPU sayısını artırdıkça eğitim süresi azaltılarak en az 4 GPU ile daha makul sürelere ulaşılabilmektedir. Öte yandan, veri kümesinin kendisi oldukça büyük: yaklaşık 150 GB. Bu basit (ve nispeten eski) bir sorun olduğu için, bu tür verilerin dağıtılmış bir ortamda bulunmasının belki de daha iyi olduğunu görmeye başladık.

Bazı problemler için oldukça açıktır. derin öğrenme çözüm, hem hesaplama hem de veri depolama için dağıtılmış ortamlardan geçer ve üretken ortamlarda modelin çıkarımını veya istismarını unutmayalım. Bu noktada, kaç tane düğüme sahip olmak istediğimizi, onlara ne gibi bir kullanım sağlayacağımızı, ne kadar GPU'yu karşılayabileceğimizi ve her şeyi (kütüphane sürümleri, yamalar vb.) nasıl güncel tutacağımızı hesaplayabiliriz. Uygun fiyatlı olmayan hiçbir şey, ancak bir ofset önemli bir meta çalışması.

Bir ortamda bulut ancak tüm bunların bir soyutlama katmanının tadını çıkarıyoruz. Dağıtılmış depolama son derece ucuzdur (aylık GB başına euro sent) ve farklı eğitim hizmetleri zaten bu tür eğitimi gerçekleştirmek için standart yapılandırmalar sunmaktadır: düğüm sayısı, makinelerin kapasitesi, GPU türleri, kitaplıklar ve kullanılacak sürümler. Böylece, birkaç tıklamayla, hizmetin maliyeti birkaç Euro civarında olan ResNet-50'yi birkaç dakika içinde eğitmeye hazır bir ortama güvenebilirsiniz.

2.2 Bilgi

Bulutun yapay zekayı kullanıcıya yaklaştırabileceği belki de en güçlü yönlerden biri, bilginin kullanılmasıyla ilgilidir. Halihazırda kullanıma hazır eğitimli modellerin bir kataloğu bulunmaktadır. Bir şirketin sıfırdan bir görüntü sınıflandırıcı veya öneri sistemi eğitmesi gerekmez; Halihazırda herkes tarafından kullanılabilecek önceden eğitilmiş modellerden yararlanan hizmetler var. En başarılıları arasında metin veya resimdeki duygu analizi hizmetleri, Konuşma metne için konuşma metni, dolandırıcılık tespiti, varlık tanıma, öngörme Ve uzun bir vs. Böylece, bir şirket bu bilgiyi hizmetler biçiminde kullanabilir ve bunları çözümlerine bir bileşen olarak bağlayabilir. yazılım daha fazla ve bunları kullanmak için aylık bir ücret ödüyorlar. Bunun getirdiği sorunlarla birlikte şirket içinde bir model eğitmiş olmak artık gerekli değildir; veri eksikliği, tahmin hataları, yeniden eğitim ve esas olarak bunu gerçekleştirmek için gerekli bilgi ve profillerin edinilmesi.

Şekil 4: Farklı bulut sağlayıcılarında Doğal Dil İşleme hizmetlerinin karşılaştırılması [9]

2.3 Operasyonlar

Son olarak hizmet kataloğuna eklenen son bölümlerden biri de, bir Yapay Zeka modelinin eğitilmesi ve üretime alınması için yapılması gereken çalışmaların (daha önce bahsedilen meta-work) kolaylaştırılması yani işlemlerdir.

Bu tür projeleri yöneten karmaşık döngünün farkında olan bulut sağlayıcıları, boru hatları verileri çıkarmak, modeli eğitmek, üretime almak ve performansını izlemek için gereklidir. Genel olarak bilinen bu süreç dizisi MLO'lar [10] ayrıca bir soyutlama katmanı aracılığıyla bulut sağlayıcıları tarafından demokratikleştirilir, böylece birkaç tıklamayla gerekli tüm işlemler kapsanır.

Şekil 5: Örnek MLO'lar [10]

3. sonuçlar

Bulut, süreçlere ve hizmetlere yaklaşım biçimimizde devrim yaratmaya başladı. Yapay zeka alanında, etki kötü bir şöhrete sahip ve bu alanla ilgili olarak her yıl başlatılan hizmetlerin sayısı hiç bitmiyor gibi görünüyor. Tabii ki, teknolojilerin kendileri bulut kullanılmaları için belirli bir öğrenme eğrisi gerektirirler, bu nedenle, pürüzsüz öğrenme eğrileri olma eğiliminde olmalarına ve zaman ve maliyet optimizasyonu açısından elde edilen fayda bariz olmasına rağmen, onları verimli kullanmak için bu meta-çalışmadan muaf değiliz. . Artık her zamankinden daha fazla, her ölçekte Yapay Zeka herkesin erişiminde.

Referanslar

[1] Jayeola, O., Sidek, S., Abd Rahman, A., Mahomed, ASB, & Hu, J. (2022). Küçük ve orta ölçekli işletmelerde (KOBİ'ler) bulut bilişimin benimsenmesi: Sistematik bir literatür taraması ve gelecekteki araştırmalar için talimatlar. Uluslararası İşletme ve Toplum Dergisi, 23(1), 226-243.

[2] https://www.cloudwards.net/cloud-computing-statistics/

[3] https://en.wikipedia.org/wiki/Cloud-based_quantum_computing#Existing_platforms

[4] Shawish, A., & Salama, M. (2014). Bulut bilişim: paradigmalar ve teknolojiler. İçinde İşbirliğine dayalı kolektif zeka: Teknikler ve uygulamalar (s.39-67). Springer, Berlin, Heidelberg.

[5] https://dgtlinfra.com/top-10-cloud-service-providers-2022/

[6] https://comparecloud.in/

[7] He, K., Zhang, X., Ren, S., & Sun, J. (2016). Görüntü tanıma için derin kalıcı öğrenme. İçinde Bilgisayarla görme ve örüntü tanıma üzerine IEEE konferansının bildirileri (sf. 770-778).

[8] https://www.bbvanexttechnologies.com/blogs/training-deep-learning-models-on-multi-gpus/

[9] https://medium.com/kontikilabs/comparing-machine-learning-ml-services-from-various-cloud-ml-service-providers-63c8a2626cb6

[10] https://la.blogs.nvidia.com/2020/09/08/que-es-mlops/

İle paylaş:
Bu öğeye oy ver