مؤخرًا، تمت مناقشات نميز فيها بين الشركات التي تعتمد على الذكاء الاصطناعي في جوهرها وتلك التي تستخدم الذكاء الاصطناعي كوظيفة أو جزء صغير من عروضها الإجمالية. ولوصف المجموعة السابقة من الشركات، تمت صياغة مصطلح "AI-Native".
بصفتي تقنيًا، يجعلنا الانكماش الأخير في السوق نفكر في التقنيات التي تستعد للبقاء في فصل الشتاء بالنسبة للذكاء الاصطناعي - والتي نتجت عن مزيج من الاستثمار المنخفض، وأسواق الأسهم المثبطة مؤقتًا، والركود المحتمل الذي تفاقم بسبب التضخم، وحتى تردد العملاء بشأن غمس أصابع أقدامهم في تقنيات جديدة واعدة خوفًا من الضياع fear of missing out (FOMO).
يمكنك أن ترى إلى أين نحن ذاهبون مع هذا. وجهة النظر هي أن الشركات الأصلية للذكاء الاصطناعي في وضع قوي للخروج بصحة جيدة وحتى النمو من الانكماش. بعد كل شيء، ولدت العديد من الشركات الكبرى خلال فترات التعطل - Instagram و Netflix و Uber و Slack و Square هي عدد قليل يتبادر إلى الذهن.
ولكن في حين أن بعض الشركات الأصلية غير المعلنة للذكاء الاصطناعي يمكن أن تصبح Google في العقد الثالث من القرن الحالي، فلن يكون من الدقة - أو الحكمة - الإعلان عن أن جميع الشركات الأصلية للذكاء الاصطناعي تتجه نحو النجاح.
في الواقع، تحتاج الشركات الأصلية للذكاء الاصطناعي إلى توخي الحذر والاستراتيجية بشكل خاص في طريقة عملها. لماذا ا؟ نظرًا لأن إدارة شركة للذكاء الاصطناعي أمر مكلف - فالمواهب والبنية التحتية وعملية التطوير كلها مكلفة، لذا فإن الكفاءات هي المفتاح لبقائهم.
الحاجة إلى شد الحزام؟ يوجد تطبيق لهذا
لا تأتي الكفاءة دائمًا بسهولة، ولكن لحسن الحظ، هناك نظام بيئي للذكاء الاصطناعي ظل يتخمر لفترة كافية لتقديم حلول جيدة ومفيدة لمجموعة التكنولوجيا الخاصة بك.
لنبدأ بتدريب النموذج. إنه مكلف لأن النماذج تكبر. قامت Microsoft و Nvidia مؤخرًا بتدريب نموذج Megatron-Turing Natural Language Generation (MT-NLG) عبر 560 خادم Nvidia DGX A100، يحتوي كل منها على 8 وحدات معالجة رسومات Nvidia A100 بسعة 80 جيجابايت - والتي تكلف ملايين الدولارات.
لحسن الحظ، تنخفض التكاليف بسبب التقدم في الأجهزة والبرامج. وتعمل المناهج الخوارزمية والأنظمة مثل MosaicML و DeepSpeed من Microsoft على خلق كفاءات في تدريب النموذج.
التالي هو وضع العلامات على البيانات وتطويرها، وهو أمر مكلف أيضًا. وفقًا لشركة Hasty.ai - وهي شركة تهدف إلى معالجة هذه المشكلة - "يستغرق تصنيف البيانات في أي مكان من 35 إلى 80% من ميزانيات المشروع".
الآن دعنا نتحدث عن إنشاء النموذج. إنها مهمة صعبة. تتطلب موهبة متخصصة، والكثير من البحث والتجربة والخطأ اللانهائي. يتمثل التحدي الكبير في إنشاء النماذج في أن البيانات محددة السياق. كان هناك مكانة لهذا الغرض لفترة من الوقت. تمتلك Microsoft Azure AutoML، بينما تمتلك AWS Sagemaker ؛ يحتوي Google Cloud على AutoML. هناك أيضًا مكتبات ومنصات تعاون مثل Hugging Face التي تجعل إنشاء النماذج أسهل بكثير من السنوات السابقة.
الآن بعد أن أنشأت النموذج الخاص بك، عليك نشره. اليوم، هذه العملية بطيئة للغاية، حيث يستغرق ثلثا النماذج أكثر من شهر لنشرها في الإنتاج.
تعمل أتمتة عملية النشر والتحسين لمجموعة واسعة من أهداف الأجهزة والخدمات السحابية على دعم الابتكار الأسرع، مما يمكّن الشركات من الحفاظ على قدرتها التنافسية العالية وقابليتها للتكيف. توفر الأنظمة الأساسية الشاملة مثل Amazon Sagemaker أو Azure Machine Learning أيضًا خيارات النشر. يتمثل التحدي الكبير هنا في أن الخدمات السحابية ونقاط النهاية والأجهزة تتحرك باستمرار للأهداف. هذا يعني أن هناك تكرارات جديدة يتم إصدارها كل عام ومن الصعب تحسين نموذج لنظام بيئي دائم التغير.
وبغض النظر عن التكنولوجيا، يمكن أن تكون تكاليف المواهب أيضًا عائقًا أمام النمو. موهبة التعلم الآلي (ML) نادرة ويزداد الطلب عليها. ستحتاج الشركات إلى الاعتماد على الأتمتة لتقليل الاعتماد على هندسة ML اليدوية والاستثمار في التقنيات التي تتناسب مع مهام سير عمل مطوري التطبيقات الحالية، بحيث يمكن لممارسي DevOps الأكثر وفرة للانضمام إلى لعبة ML.
الشركة الأصلية للذكاء الاصطناعي: حل جميع هذه المكونات
لتوضيح رؤيتنا نضيف جملة حول الرشاقة / القدرة على التكيف. إذا كنا نتحدث عن البقاء على قيد الحياة في فصل الشتاء النووي، فأنت الأكثر قدرة على المنافسة والقدرة على التكيف - وما لا نتحدث عنه هنا هو الافتقار الفعلي لخفة الحركة فيما يتعلق بنشر ML. الأتمتة التي نوفرها ليست مجرد جزء من القدرة على التكيف ، ولكن القدرة على الابتكار بشكل أسرع - وهي الآن محصورة بأوقات نشر بطيئة بشكل لا يصدق.
بمجرد أن يقضي المستثمرون وقتهم ويدفعون بعض المستحقات (عادة) في عالم رأس المال الاستثماري، يكون لديهم منظور مختلف. لقد مروا بدورات تعمل بتقنيات لم يسبق لها مثيل. مع تزايد الضجيج، تتدفق دولارات الاستثمار، وتتشكل الشركات، ويشتد تطوير منتجات جديدة. غالبًا ما تكون السلحفاة الهادئة هي التي تفوز في النهاية على أرانب الاستثمار لأنها تجمع المستخدمين بتواضع.
لا مفر من وجود فقاعات وانهيارات، وبعد كل انهيار (حيث تفشل بعض الشركات) عادة ما يتم تجاوز التوقعات المتفائلة بشأن التكنولوجيا الجديدة. التبني والشعبية منتشران على نطاق واسع لدرجة أنه أصبح ببساطة الوضع الطبيعي الجديد.
لدينا ثقة كبيرة أنه بغض النظر عن الشركات الفردية المهيمنة في المشهد الجديد للذكاء الاصطناعي، فإن الذكاء الاصطناعي سيحقق أكثر من مجرد موطئ قدم ويطلق العنان لموجة من التطبيقات الذكية القوية.
بصفتي تقنيًا، يجعلنا الانكماش الأخير في السوق نفكر في التقنيات التي تستعد للبقاء في فصل الشتاء بالنسبة للذكاء الاصطناعي - والتي نتجت عن مزيج من الاستثمار المنخفض، وأسواق الأسهم المثبطة مؤقتًا، والركود المحتمل الذي تفاقم بسبب التضخم، وحتى تردد العملاء بشأن غمس أصابع أقدامهم في تقنيات جديدة واعدة خوفًا من الضياع fear of missing out (FOMO).
يمكنك أن ترى إلى أين نحن ذاهبون مع هذا. وجهة النظر هي أن الشركات الأصلية للذكاء الاصطناعي في وضع قوي للخروج بصحة جيدة وحتى النمو من الانكماش. بعد كل شيء، ولدت العديد من الشركات الكبرى خلال فترات التعطل - Instagram و Netflix و Uber و Slack و Square هي عدد قليل يتبادر إلى الذهن.
ولكن في حين أن بعض الشركات الأصلية غير المعلنة للذكاء الاصطناعي يمكن أن تصبح Google في العقد الثالث من القرن الحالي، فلن يكون من الدقة - أو الحكمة - الإعلان عن أن جميع الشركات الأصلية للذكاء الاصطناعي تتجه نحو النجاح.
في الواقع، تحتاج الشركات الأصلية للذكاء الاصطناعي إلى توخي الحذر والاستراتيجية بشكل خاص في طريقة عملها. لماذا ا؟ نظرًا لأن إدارة شركة للذكاء الاصطناعي أمر مكلف - فالمواهب والبنية التحتية وعملية التطوير كلها مكلفة، لذا فإن الكفاءات هي المفتاح لبقائهم.
الحاجة إلى شد الحزام؟ يوجد تطبيق لهذا
لا تأتي الكفاءة دائمًا بسهولة، ولكن لحسن الحظ، هناك نظام بيئي للذكاء الاصطناعي ظل يتخمر لفترة كافية لتقديم حلول جيدة ومفيدة لمجموعة التكنولوجيا الخاصة بك.
لنبدأ بتدريب النموذج. إنه مكلف لأن النماذج تكبر. قامت Microsoft و Nvidia مؤخرًا بتدريب نموذج Megatron-Turing Natural Language Generation (MT-NLG) عبر 560 خادم Nvidia DGX A100، يحتوي كل منها على 8 وحدات معالجة رسومات Nvidia A100 بسعة 80 جيجابايت - والتي تكلف ملايين الدولارات.
لحسن الحظ، تنخفض التكاليف بسبب التقدم في الأجهزة والبرامج. وتعمل المناهج الخوارزمية والأنظمة مثل MosaicML و DeepSpeed من Microsoft على خلق كفاءات في تدريب النموذج.
التالي هو وضع العلامات على البيانات وتطويرها، وهو أمر مكلف أيضًا. وفقًا لشركة Hasty.ai - وهي شركة تهدف إلى معالجة هذه المشكلة - "يستغرق تصنيف البيانات في أي مكان من 35 إلى 80% من ميزانيات المشروع".
الآن دعنا نتحدث عن إنشاء النموذج. إنها مهمة صعبة. تتطلب موهبة متخصصة، والكثير من البحث والتجربة والخطأ اللانهائي. يتمثل التحدي الكبير في إنشاء النماذج في أن البيانات محددة السياق. كان هناك مكانة لهذا الغرض لفترة من الوقت. تمتلك Microsoft Azure AutoML، بينما تمتلك AWS Sagemaker ؛ يحتوي Google Cloud على AutoML. هناك أيضًا مكتبات ومنصات تعاون مثل Hugging Face التي تجعل إنشاء النماذج أسهل بكثير من السنوات السابقة.
الآن بعد أن أنشأت النموذج الخاص بك، عليك نشره. اليوم، هذه العملية بطيئة للغاية، حيث يستغرق ثلثا النماذج أكثر من شهر لنشرها في الإنتاج.
تعمل أتمتة عملية النشر والتحسين لمجموعة واسعة من أهداف الأجهزة والخدمات السحابية على دعم الابتكار الأسرع، مما يمكّن الشركات من الحفاظ على قدرتها التنافسية العالية وقابليتها للتكيف. توفر الأنظمة الأساسية الشاملة مثل Amazon Sagemaker أو Azure Machine Learning أيضًا خيارات النشر. يتمثل التحدي الكبير هنا في أن الخدمات السحابية ونقاط النهاية والأجهزة تتحرك باستمرار للأهداف. هذا يعني أن هناك تكرارات جديدة يتم إصدارها كل عام ومن الصعب تحسين نموذج لنظام بيئي دائم التغير.
وبغض النظر عن التكنولوجيا، يمكن أن تكون تكاليف المواهب أيضًا عائقًا أمام النمو. موهبة التعلم الآلي (ML) نادرة ويزداد الطلب عليها. ستحتاج الشركات إلى الاعتماد على الأتمتة لتقليل الاعتماد على هندسة ML اليدوية والاستثمار في التقنيات التي تتناسب مع مهام سير عمل مطوري التطبيقات الحالية، بحيث يمكن لممارسي DevOps الأكثر وفرة للانضمام إلى لعبة ML.
الشركة الأصلية للذكاء الاصطناعي: حل جميع هذه المكونات
لتوضيح رؤيتنا نضيف جملة حول الرشاقة / القدرة على التكيف. إذا كنا نتحدث عن البقاء على قيد الحياة في فصل الشتاء النووي، فأنت الأكثر قدرة على المنافسة والقدرة على التكيف - وما لا نتحدث عنه هنا هو الافتقار الفعلي لخفة الحركة فيما يتعلق بنشر ML. الأتمتة التي نوفرها ليست مجرد جزء من القدرة على التكيف ، ولكن القدرة على الابتكار بشكل أسرع - وهي الآن محصورة بأوقات نشر بطيئة بشكل لا يصدق.
بمجرد أن يقضي المستثمرون وقتهم ويدفعون بعض المستحقات (عادة) في عالم رأس المال الاستثماري، يكون لديهم منظور مختلف. لقد مروا بدورات تعمل بتقنيات لم يسبق لها مثيل. مع تزايد الضجيج، تتدفق دولارات الاستثمار، وتتشكل الشركات، ويشتد تطوير منتجات جديدة. غالبًا ما تكون السلحفاة الهادئة هي التي تفوز في النهاية على أرانب الاستثمار لأنها تجمع المستخدمين بتواضع.
لا مفر من وجود فقاعات وانهيارات، وبعد كل انهيار (حيث تفشل بعض الشركات) عادة ما يتم تجاوز التوقعات المتفائلة بشأن التكنولوجيا الجديدة. التبني والشعبية منتشران على نطاق واسع لدرجة أنه أصبح ببساطة الوضع الطبيعي الجديد.
لدينا ثقة كبيرة أنه بغض النظر عن الشركات الفردية المهيمنة في المشهد الجديد للذكاء الاصطناعي، فإن الذكاء الاصطناعي سيحقق أكثر من مجرد موطئ قدم ويطلق العنان لموجة من التطبيقات الذكية القوية.
