مراجعة اتجاهات التكنولوجيا لعام 2022، الجزء الثاني: AI and graphs

بروح العامين الماضيين، نستعرض التطورات في ما حددناه على أنه محركات التكنولوجيا الرئيسية لعقد 2020 في عالم قواعد البيانات وإدارة البيانات والذكاء الاصطناعي. ننظر إلى الوراء في عام 2021، في محاولة لتحديد الأنماط التي ستشكل عام 2022.

ننتقل اليوم من حيث بدأنا بالجزء الأول من مراجعتنا، لتغطية الرسوم البيانية للذكاء الاصطناعي AI and graphs.

 
الوجوه المتعددة للذكاء الاصطناعي: الأجهزة Hardware، وedge، و MLOps، ونماذج اللغة language models، وبنى المستقبل future architectures، والأخلاق ethics
من حيث المبدأ، نحاول التعامل مع الذكاء الاصطناعي بشكل كلي. لمراعاة الإيجابيات والسلبيات، من اللامع إلى العادي، ومن الأجهزة إلى البرامج. كانت الأجهزة قصة مستمرة في القصة الأوسع للذكاء الاصطناعي خلال السنوات القليلة الماضية، ونشعر أنها مكان جيد لبدء جولتنا.

على مدار العامين الماضيين، ظللنا نراقب القائمة المتزايدة لبائعي "رقائق الذكاء الاصطناعي AI chips"، أي الشركات التي شرعت في تطوير بنى أجهزة جديدة من الألف إلى الياء، تستهدف على وجه التحديد أعباء عمل الذكاء الاصطناعي. كلهم يتطلعون إلى الحصول على قطعة من الفطيرة التي تبدو متنامية باستمرار: مع استمرار التوسع في الذكاء الاصطناعي، قيل إن أعباء العمل تستمر في النمو، وتقديم الخدمات بأسرع ما يمكن واقتصاديًا قدر الإمكان هو هدف واضح.

تواصل Nvidia الهيمنة على هذا السوق. كانت Nvidia موجودة بالفعل في السوق قبل وقت طويل من بدء أعباء عمل الذكاء الاصطناعي في الازدهار ولديها الفطنة وردود الفعل للاستفادة من ذلك من خلال بناء نظام بيئي للأجهزة والبرامج. إن تحركها في عام 2020 لجعل Arm جزءًا من هذا النظام البيئي يخضع للتدقيق التنظيمي. ومع ذلك، لم تظل Nvidia خامدة في عام 2021.

من بين عدد كبير من الإعلانات التي تم الإعلان عنها في حدث GTC التابع لشركة Nvidia في نوفمبر 2021، فإن الإعلانات التي تجلب شيئًا جديدًا على مستوى الأجهزة لها علاقة بما يمكن أن نناقشه والتي تميز تركيز الذكاء الاصطناعي في عام 2021 بشكل عام: الاستدلال والحافة Inference and the Edge. قدمت Nvidia عددًا من التحسينات لـ Triton Inference Server. كما قدمت أيضًا Nvidia A2 Tensor Core GPU، وهو مُسرع منخفض الطاقة وصغير الحجم لاستدلال الذكاء الاصطناعي عند Edge التي تدعي Nvidia أنها توفر ما يصل إلى 20 ضعفًا من أداء الاستدلال مقارنة بوحدات المعالجة المركزية.

وماذا عن المبتدئين؟ تدعي SambaNova أنها الآن "أفضل شركة ناشئة في مجال الذكاء الاصطناعي تمويلاً في العالم" بعد تمويل ضخم بقيمة 676 مليون دولار في السلسلة D، متجاوزًا 5 مليار دولار في التقييم. تتمثل فلسفة SambaNova في تقديم "الذكاء الاصطناعي كخدمة AI as a service"، بما في ذلك الآن نماذج لغة GPT، ويبدو أن عام 2021 كان إلى حد كبير عام الانتقال إلى السوق بالنسبة لهم.

Xilinx، من جانبها، تدعي تحقيق تسريع كبير للشبكات العصبية مقابل وحدات معالجة الرسومات Nvidia. تدعي Cerebras أنها تهيمن تمامًا على الحوسبة المتطورة وحصلت على بعض التمويل الضخم أيضًا. تتنافس Graphcore مع Nvidia (و Google) في نتائج MLPerf. استأجرت Tenstorrent مصمم الرقائق الأسطوري Keller. جمع Blaize مبلغ 71 مليون دولار لجلب ذكاء اصطناعي متطور للتطبيقات الصناعية. سجلت شركة Flex Logix مبلغ 55 مليون دولار في دعم المشاريع، وبذلك وصل إجمالي أرباحها إلى 82 مليون دولار. أخيرًا وليس آخرًا، لدينا حصان جديد في السباق في NeuReality، وطرق لدمج ومطابقة النشر في ONNX و TVM، ووعد باستخدام الذكاء الاصطناعي لتصميم شرائح الذكاء الاصطناعي. إذا لم يكن هذا ابتكارًا مزدهرًا، فنحن لا نعرف ما هو.

وفقًا لتقرير Edge report الصادر عن مؤسسة Linux، من المرجح بشكل خاص أن تعمل شركات الرعاية الصحية الرقمية والتصنيع وتجارة التجزئة على توسيع نطاق استخدامها للحوسبة المتطورة بحلول عام 2028. ولا عجب في انتشار أجهزة وأطر وتطبيقات الذكاء الاصطناعي التي تستهدف الحافة أيضًا.

TinyML، فن وعلم إنتاج نماذج التعلم الآلي المقتصدة بما يكفي للعمل على Edge، يشهد نموًا سريعًا وبناء نظام بيئي. أعلنت شركة Edge Impulse، وهي شركة ناشئة ترغب في جعل التعلم الآلي على Edge للجميع، عن تمويلها من السلسلة B بقيمة 34 مليون دولار. تطبيقات Edge قادمة، وسيكون الذكاء الاصطناعي وأجهزته جزءًا كبيرًا من ذلك.

شيء ما أطلقناه في عام 2020، كان بارزًا في عام 2021 وسيظل معنا في السنوات القادمة يسمى MLOps - جلب التعلم الآلي إلى الإنتاج. في عام 2021، حاول الأشخاص إعطاء أسماء للعديد من الظواهر المتعلقة بـ MLOps، و Slice and dice the MLOps domain، وتطبيق التحكم في إصدار البيانات والتعلم الآلي المستمر، بالإضافة إلى ما يعادل التطوير القائم على الاختبار للبيانات من بين أشياء أخرى. يتحول التركيز من النماذج الجديدة اللامعة إلى ربما تكون أكثر اعتدالًا، ولكن الجوانب العملية مثل جودة البيانات وإدارة خطوط أنابيب البيانات، وستستمر عمليات MLOps في النمو.

الشيء الآخر الذي من المرجح أن يستمر في النمو، سواء من حيث الحجم أو العدد، هو نماذج اللغات الكبيرة (LLMs) Large Language Models. يعتقد بعض الناس أن LLM يمكن أن تستوعب الأشكال الأساسية للغة، سواء كانت علم الأحياء أو الكيمياء أو لغة الإنسان، ونحن على وشك أن نرى تطبيقات غير عادية للغة LLM تنمو. آخرون، ليس كثيرا. في كلتا الحالتين، تتكاثر LLM.

بالإضافة إلى "المشتبه بهم المعتادون" - OpenAI مع GPT3 الخاص بها، DeepMind مع أحدث RETRO LLM،  وGoogle مع مجموعة LLMs المتزايدة باستمرار - تعاونت Nvidia الآن مع Microsoft في Megatron LLM. لكن هذا ليس كل شيء.

في الآونة الأخيرة، قامت شركة EleutherAI، وهي مجموعة من باحثي الذكاء الاصطناعي المستقلين، بفتح نموذج GPT-j الذي تبلغ قيمته 6 مليارات متغير parameter . بالإضافة إلى ذلك، إذا كنت مهتمًا بلغات غير الإنجليزية، فلدينا الآن نموذج كبير للغة الأوروبية يتقن اللغة الإنجليزية والألمانية والفرنسية والإسبانية والإيطالية بواسطة Aleph Alpha.  و Wudao هو LLM صيني وهو أيضًا أكبر LLM مع 1.75 تريليون معلمة، و HyperCLOVA هو LLM كوري مع 204 مليار معلمة. بالإضافة إلى ذلك، هناك دائمًا LLMs مفتوحة المصدر أخرى أقدم قليلاً / أصغر مثل GPT2 أو BERT والعديد من الأشكال المختلفة.

بالإضافة إلى LLMs، ألمح كل من DeepMind و Google إلى بنى ثورية لنماذج الذكاء الاصطناعي، مع Perceiver و Pathways، على التوالي. تم انتقاد المسارات لكونها غامضة إلى حد ما. ومع ذلك، سنجرؤ على التكهن بأنه يمكن أن يستند إلى Perceiver. ولكن نظرًا لأننا في منطقة تقنية مستقبلية، فسيكون من الحذف ناهيك عن التفكير الخوارزمي العصبي لـ DeepMind، وهو اتجاه بحثي يعد بمزج خوارزميات علوم الكمبيوتر الكلاسيكية بالتعلم العميق Deep learning.

لن تكتمل أي جولة في الذكاء الاصطناعي، مهما كانت مكثفة، دون الإشارة الفخرية إلى أخلاقيات الذكاء الاصطناعي AI ethics. ظلت أخلاقيات الذكاء الاصطناعي في صدارة اهتماماتنا في عام 2021، وقد رأينا أشخاصًا يتراوحون من مفوضي لجنة التجارة الفيدرالية FTC إلى ممارسي الصناعة يحاول كل منهم معالجة أخلاقيات الذكاء الاصطناعي بطريقته الخاصة. ودعونا لا ننسى الازدهار المستمر لتطبيقات الذكاء الاصطناعي في مجال الرعاية الصحية، وهو مجال يجب أن تكون فيه الأخلاقيات أولوية قصوى مع أو بدون الذكاء الاصطناعي.

Knowledge graphs, graph databases and graph AI
لقد كنا مؤيدين متعطشين للرسوم البيانية من جميع الأشكال والأحجام - الرسوم البيانية المعرفية، وقواعد بيانات الرسوم البيانية، وتحليلات الرسوم البيانية، وعلوم البيانات، والذكاء الاصطناعي - لفترة طويلة. لذا فإننا نبلغ من هذه الجبهة بمشاعر مختلطة. من ناحية أخرى، لم نشهد الكثير من الابتكارات، باستثناء ربما في منطقة واحدة - الرسم البياني للشبكات العصبية. يستفيد التفكير الحسابي العصبي لـ DeepMind من شبكات GNN أيضًا.

من ناحية أخرى، هذا ليس بالضرورة أمرًا سيئًا لسببين. أولاً، هناك استيعاب كبير للتكنولوجيا في التيار الرئيسي. بحلول عام 2025، سيتم استخدام تقنيات الرسم البياني في 80% من ابتكارات البيانات والتحليلات، ارتفاعًا من 10% في عام 2021، مما يسهل اتخاذ القرار السريع، كما تتوقع Gartner. لم يعد الإبلاغ عن حالات الاستخدام من أمثال BMW و IKEA و Siemens Energy و Wells Fargo و UBS خبراً، وهذا أمر جيد. نعم، هناك تحديات مرتبطة ببناء الرسوم البيانية المعرفية والحفاظ عليها، ولكن هذه التحديات، في الغالب، مفهومة جيدًا.

كما لاحظنا، الرسوم البيانية المعرفية هي عمليًا تقنية عمرها 20 عامًا ويبدو أن وقتها في دائرة الضوء قد حان. طرق بناء الرسوم البيانية المعرفية معروفة وكذلك التحديات التي تكمن فيها. ليس من قبيل المصادفة أن بعض المهارات ومجالات التطوير الأكثر طلبًا في الرسوم البيانية المعرفية تدور حول استخدام معالجة اللغة الطبيعية والواجهات المرئية لبناء الرسوم البيانية المعرفية والحفاظ عليها، بالإضافة إلى طرق التوسع من سيناريوهات المستخدم الفردي إلى سيناريوهات متعددة المستخدمين .

ولربط هذه المحادثة بالصورة الأوسع للذكاء الاصطناعي حيث تنتمي، يبدو أن التحديات المشتركة تدور حول التشغيل وبناء الخبرة المناسبة في الفرق، حيث أن هذه المهارات مطلوبة بشدة. نقطة اتصال مهمة أخرى هي اتجاه الذكاء الاصطناعي المختلط، والذي يدور حول غرس المعرفة في التعلم الآلي. يشير قادة مثل Gadi Singer من Intel، وMike Dillinger من LinkedIn، وFrank van Harmelen من مركز الذكاء الهجين Hybrid Intelligence Centre، إلى أهمية تنظيم المعرفة في شكل رسوم بيانية معرفية لمستقبل الذكاء الاصطناعي.

هناك أيضًا نقطة اتصال مهمة أخرى بين الصورة الأوسع للذكاء الاصطناعي والرسوم البيانية المعرفية: شبكات البيانات وأنسجة البيانات. سيتم إعفاؤك لخلط هذين المصطلحين مع عدد كبير من المصطلحات المتعلقة بالبيانات التي تطير هذه الأيام. بشكل مبسط، دعنا نقول فقط أن نسيج البيانات يُقصد به أن يكون بمثابة الركيزة التقنية لمفهوم شبكة البيانات للإدارة اللامركزية للبيانات في المؤسسات. يعد هذا في الواقع تطابقًا جيدًا للغاية لتقنية الرسم البياني المعرفي، وقد حدد عدد قليل من البائعين في تلك المساحة ذلك ووضعوا أنفسهم وفقًا لذلك. يبدو أن Informatica قد لاحظ.

وماذا عن الركيزة لبناء الرسوم البيانية المعرفية، وهي قواعد بيانات الرسم البياني؟ الكلمة التي يبدو أنها تميز عام 2021 لقواعد بيانات الرسم البياني ستكون "اذهب إلى السوق go to market". لقد كان عامًا جيدًا لقواعد بيانات الرسم البياني. قاعدة بيانات الرسم البياني- Neo4j - صنعت أفضل 20 محركًا في DB للمرة الأولى. أعلنت Neo4j أيضًا عن التوافر العام للخدمة السحابية المُدارة من Aura وجمعت جولة تمويل بقيمة 325 مليون دولار من السلسلة F، وهي الأكبر في تاريخ قاعدة البيانات، مما رفع تقييمها إلى أكثر من 2 مليار دولار.

شهدت مساحة قاعدة بيانات الرسم البياني سلسلة من جولات التمويل والاكتتاب العام الأولي القادم. حصلت TigerGraph على 105 مليون دولار من السلسلة C، و Katana Graph بقيمة 28.5 مليون دولار من السلسلة A، و Memgraph، و 9.34 مليون دولار للتمويل الأولي، و TerminusDB 3.6 مليون يورو. في غضون ذلك، بدأت Bitnine، صانعي Agens Graph، العمل على الاكتتاب العام الأولي - الأول من نوعه في السوق.

على الصعيد التقني، لا تزال GraphQL تزداد اعتمادًا، إما كجزء من نظام بيئي أوسع أو كمكون مركزي في بنية البيانات. لا يزال الربط بين عوالم قاعدة بيانات الرسم البياني من حيث النماذج، RDF و LPG، عملاً قيد التنفيذ، لكنه شهد بعض التطورات المثيرة للاهتمام في عام 2021.

لا نتوقع أن يستمر شهر العسل في العالم مع الرسوم البيانية وقواعد البيانات البيانية إلى الأبد، وبعد الضجيج، ستتبع خيبة الأمل حتمًا في مرحلة ما. لكننا على ثقة من أن هذه التكنولوجيا أساسية وسوف تجدها مكانها على الرغم من السقطات.