أنتج النظام البيئي للذكاء الاصطناعي صناعة تقدر بمليارات الدولارات ، وكل ذلك يبدأ من البيانات. الصعود في القيمة سلسلة ، هناك شرائح (GPUs) التي تسمح بالتخزين المادي للبيانات الضخمة (اللاعب المهيمن هو NVIDIA).

يجب تخزين هذه البيانات الضخمة على المنصات والبنى التحتية التي لا تستطيع الشركات الصغيرة والمتوسطة تحمل تكلفتها. هذا هو المكان الذي يحب اللاعبون ذكاء غيم، أمازون AWSو IBM Cloud و Microsoft يأتي Azure للإنقاذ.

على نطاق واسع ، يتحكم عدد قليل من الشركات في سوق Enterprise AI ؛ بينما راهنت دول مثل الصين والولايات المتحدة واليابان وألمانيا والمملكة المتحدة وفرنسا على ذلك على نطاق واسع!

ومع ذلك ، مع تطور شركات الذكاء الاصطناعي الجديدة ، مثل OpenAI ، تغير النظام البيئي تمامًا ، وهو الآن يتطور حول ثلاث طبقات من الذكاء الاصطناعي.

فهم النظام البيئي للذكاء الاصطناعي

إلى جانب كل الضجيج والضجيج الذي يأتي مع الكلمات الجديدة التي تدخل التيار الرئيسي ، يعد الذكاء الاصطناعي أحد تلك التخصصات التي أصبحت حاسمة في المشهد الاقتصادي اليوم.

بعيدًا عن كونه في مرحلة جنينية ، أصبح النظام البيئي للذكاء الاصطناعي بمليارات الدولارات مشروع، بقيادة عمالقة التكنولوجيا الذين انتقلوا من IBM إلى ذكاء, Microsoft, أمازون، واشياء أخرى عديدة.

هذا لا يعني أنه لا توجد فرصة للوافدين الجدد. العكس تماما.

يدور النظام البيئي للذكاء الاصطناعي حول بعض العناصر الأساسية التي يمكن اعتبارها أيضًا "Toolbox for AI:"

البيانات أو البيانات الضخمة.
بنية تحتية.
الخوارزميات.

لنلقِ نظرة أكثر تعمقًا على كل عنصر من هذه العناصر الأساسية لنظام بيئي للذكاء الاصطناعي. ولكن قبل الغوص في الأمر ، نحتاج إلى فهم من وكيف يربح المال باستخدام الذكاء الاصطناعي.

من الذي يكسب المال باستخدام الذكاء الاصطناعي؟

تم استثمار مليارات الدولارات في النظام البيئي للذكاء الاصطناعي ، وخاصة من قبل شركات التكنولوجيا الكبيرة.

هذا خبر سار ، لأن تلك الشركات التقنية أنشأت نظامًا بيئيًا موجودًا وجاهزًا للفهم حتى تتمكن من بناء شركتك الخاصة منه.

في الواقع ، فهم كيفية عمل هذا النظام البيئي هو الخطوة الأولى نحو جني الأموال منه.

وكل هذا يبدأ بالبيانات!

كل شيء يبدأ بالبيانات

ضع في اعتبارك أن الهدف الكامل للذكاء الاصطناعي هو التعامل مع القدرة على القيام بشيء مفيد باستخدام كمية هائلة من البيانات.

باختصار ، على الرغم من أننا نود التحدث عن الذكاء الاصطناعي والتعلم الآلي ، إلا أنها تقنيات لمصلحتها الخاصة. في الواقع ، أساس هذه التقنيات هو البيانات.

يعد خط أنابيب البيانات المنسق أساسًا لنظام بيئي للذكاء الاصطناعي للعمل في المقام الأول.

شركات مثل ذكاء, ولفرام ألفا, أمازون، والعديد من الآخرين ، ينفقون المليارات على صيانة وتنظيم بياناتهم. إذا كان الأمر كذلك ، يمكننا أن نقول ذلك لشركات مثل ذكاء، البيانات هي أصولها الرئيسية.

كما هو موضح بالفعل في اقتصاد Blockchain، في عالم الاقتصاد اليوم ، المبني على الرقمنة ، القاعدة هي الحفاظ على ملكية هذه البيانات. كان هذا منطقيًا ، لأن هذه البيانات هي ما يتم تسييله في النهاية من خلال العديد من الاستراتيجيات.

دعنا نعرض مثالين متعارضين حول كيفية تحقيق الدخل من البيانات:

ذكاء البيانات-freemium إستراتيجية: ذكاء تستخدم بياناتها الخاصة (التي تم جمعها بواسطة مليار من عمليات البحث التي يجريها المستخدمون كل يوم) لبيع الإعلانات
أجهزة آبل شفرة الحلاقة المعكوسة البيانات إستراتيجية: هواتف iPhone تعرف الكثير عنك ولكن أجهزة آبل لا تشارك هذه البيانات مع جهات التسويق. بدلاً من ذلك ، يستثمرها عن طريق بيع أجهزة باهظة الثمن (iPhone هو الجهاز الأساسي)

عندما تصل البيانات إلى كتلة حرجة ، يمكننا أن نسميها البيانات الضخمة. لا يوجد تعريف واحد للبيانات الضخمة ، وقد تختلف في الواقع على مر السنين.

بالنظر إلى أنه كلما زاد نمو صناعة الذكاء الاصطناعي ، ستصبح عملية جمع البيانات ومعالجتها أرخص.

وهذا بدوره سيسمح لـ إدارة كمية أكبر وأكبر من البيانات.

من أجل هذا النقاش ، وبدءًا من ذلك الوقت جاري الكتابة، يُفهم البيتابايت على أنه الوحدة الأولى من البيانات الضخمة:

مصدر: searchstorage.techtarget.com

الرقائق: من وحدة المعالجة المركزية إلى وحدة معالجة الرسومات

nvidia- نموذج الأعمال — NVIDIA هي وحدة معالجة رسومات صمم الشركة التي تطور وتبيع مشروع رقائق للصناعات التي تباعد بين الألعاب ومراكز البيانات والتصورات المهنية والقيادة الذاتية. تخدم NVIDIA الشركات الكبرى كعملاء للمؤسسات ، وتستخدم منصة إستراتيجية حيث تجمع بين أجهزتها والأدوات البرمجية لتحسين قدرات وحدات معالجة الرسومات الخاصة بها.

في الماضي ، كان بإمكانك التعامل مع المهام الحسابية باستخدام وحدة معالجة مركزية بسيطة.

حتى اضطرت أجهزة الكمبيوتر إلى معالجة كمية أكبر من البيانات. هذا هو المكان الذي جاء فيه GPU لإنقاذ.

وحدة معالجة الرسومات أو وحدة معالجة الرسومات عبارة عن دائرة إلكترونية قادرة على معالجة كمية هائلة من البيانات. الجزء المثير للاهتمام هو أن وحدات معالجة الرسومات مصممة للألعاب.

ومع ذلك ، فإن قدرتها على معالجة الألعاب برسومات ثقيلة للغاية ، جعلت هذه الرقائق مفيدة للغاية للذكاء الاصطناعي أيضًا.

على عكس وحدة المعالجة المركزية التقليدية ، يمكن لوحدة معالجة الرسومات معالجة كتل كبيرة من البيانات بالتوازي ، وهو ما يجعلها مناسبة تمامًا لأنظمة الذكاء الاصطناعي.

بهذه الوتيرة ، تعد NVIDIA هي اللاعب الأساسي.

كما ورد في تقريره السنوي ، يعود بالفعل في عام 2018:

بدءًا من التركيز على رسومات الكمبيوتر ، ابتكرت NVIDIA وحدة معالجة الرسومات ، أو GPU ، لحل بعض أكثر المشكلات تعقيدًا في علوم الكمبيوتر. لقد وسعنا تركيزنا في السنوات الأخيرة ليشمل المجال الثوري للذكاء الاصطناعي ، أو AI. مدفوعًا بالطلب المستمر على رسومات ثلاثية الأبعاد أفضل وحجم سوق الألعاب ، طورت NVIDIA وحدة معالجة الرسومات إلى عقل كمبيوتر عند تقاطع الواقع الافتراضي أو الواقع الافتراضي أو الحوسبة عالية الأداء أو HPC و AI.

وتابعت:

تعد قدرات المعالجة المتوازية ، المدعومة بما يصل إلى الآلاف من نوى الحوسبة ، ضرورية لتشغيل خوارزميات التعلم العميق. يمكن لهذا الشكل من الذكاء الاصطناعي ، الذي يكتب فيه البرنامج نفسه من خلال التعلم من البيانات ، أن يكون بمثابة عقل أجهزة الكمبيوتر والروبوتات والسيارات ذاتية القيادة التي يمكنها إدراك وفهم العالم.

اعتبارًا من يناير 2018 ، سجلت NVIDIA بالفعل ما يقرب من عشرة مليارات في الإيرادات، وأكثر من ثمانية مليارات من مبيعات وحدة معالجة الرسومات وحدها!

بواسطة 2021 نموذج عمل NVIDIA على استعداد لتجاوز الألعاب.

في الواقع ، طورت NVIDIA أيضًا شريحة لشركات مثل تسلاالتي تستخدمها للقيادة الذاتية.

يتم استخدام NVIDIA V100 بواسطة تسلا (مصدر الصورة موقع شركة NVIDIA).

شركات التكنولوجيا الكبيرة ، مثل IBM و ذكاء، فقد استثمروا موارد ضخمة لجعل شرائح GPU الخاصة بهم لمعالجة البيانات الضخمة.

ومثل NVIDIA ، حذا اللاعبون الآخرون حذوهم ، ليضعوا أنفسهم في مرتبة صانعي الرقائق بالذكاء الاصطناعي.

إنتل أيضًا مهتمة بشكل كبير برقائق الذكاء الاصطناعي ، والتي تعد من بين أولوياتها.

وفيما يلي شرح لكيفية استخدام كل منتج من منتجات الرقائق في مختلف الصناعات التي تعمل بالذكاء الاصطناعي.

توفر Qualcomm أيضًا مجموعة من الرقائق لحالات الاستخدام المختلفة.

بشكل عام ، جلب عمالقة التكنولوجيا الآن تصنيع الرقائق داخل الشركة.

أحد الأمثلة على ذلك هو شركة Apple التي بدأت أخيرًا في إنتاج رقائقها الخاصة ، لكل من هواتفها وأجهزة الكمبيوتر.

وحذت جوجل حذوها من خلال تصميم شرائحها الخاصة للأجيال الجديدة من هواتف Pixel.

تم تصميم شريحة جديدة لأول مرة داخل الشركة لتكون نظامًا متميزًا على شريحة (SoC).

تدعي Google أن بنية الرقاقة هذه تمكنها من زيادة تعزيز أجهزتها بالتعلم الآلي. على سبيل المثال مع الترجمة الحية من لغة إلى أخرى.

لماذا تستثمر الشركات مرة أخرى في الرقائق؟

مع صعود الذكاء الاصطناعي ، وجعل أي شيء ذكيًا ، نحن نعيش عند تقاطع العديد من الصناعات الجديدة التي تحفز ثورة الذكاء الاصطناعي (5G ، وإنترنت الأشياء ، ونماذج التعلم الآلي ، والمكتبات ، وهندسة الرقائق).

على هذا النحو ، أصبح صنع الرقائق مرة أخرى ، أحد الأصول الإستراتيجية الأساسية للشركات التي تصنع الأجهزة للمستهلكين.

هذا لا يريد أن يكون نظرة عامة كاملة على صناعة شرائح الذكاء الاصطناعي. بدلاً من ذلك ، لتظهر لك لماذا أصبحت الرقائق مرة أخرى أحد الأصول الإستراتيجية الأساسية.

الخوارزميات والبنى التحتية: حرب الأمازون / جوجل / مايكروسوفت السحابية

لتخزين كمية هائلة من البيانات ، تحتاج إلى بنية تحتية ، إذا كنت صغيرًا ، ولكن أيضًا وسيط عمل صعب البناء.

لذلك ، ستحتاج إلى جهة خارجية قادرة على تخزين هذه البيانات لك.

وقد أدى هذا إلى حرب السحابة بين أمازون AWS, ذكاء منصة السحابة ، Microsoft Azure و IBM Cloud. أمازون, ذكاءو Microsoft هم اللاعبون المهيمنون.

ذكاء، على وجه الخصوص ، يستخدم برنامجًا ذكيًا استراتيجية العمل، والذي يمثل بطريقة ما الطريق ذكاء هل هو كذلك.

في الواقع ، إذا كنت تعمل في البرمجة ، أو تعمل في مجال التعلم الآلي ، فأنت على دراية بـ Tensorflow و مكتبة التعلم الآلي مفتوحة المصدر.

ذكاء يقوي المصدر المفتوح نموذج لأنها تتيح لأي شخص استخدام هذه المكتبة ، مما يجعلها أفضل بمرور الوقت.

ولكنه يجعل أيضًا الحاجة إلى تخزين كمية أكبر وأكبر من البيانات. وتخيل ماذا، ذكاء لديه منتج لذلك: ذكاء منصة السحابة.

لذلك ، إذا كنت مبرمجًا تستخدم Tensorflow ، وتحتاج إلى ملف المنصة لتخزين تلك البيانات ، ستستخدمها على الأرجح ذكاء البنية التحتية السحابية.

لقد أنشأت البنى التحتية السحابية الأساسية التي يقدمها عمالقة التكنولوجيا هذه صناعة جديدة بالكامل ، من نماذج الأعمال السحابية، مكونة من ثلاثة لاعبين أساسيين ، IaaS و PaaS و SaaS. وعدد قليل من الآخرين بين (FaaS ، DaaS).

المؤسسات والشركات والدول

يهيمن لاعبون كبار على صناعات الذكاء الاصطناعي الخاصة بالمؤسسات والشركات على مر السنين قاموا ببناء بنية تحتية ضخمة لعملاء المؤسسات الكبيرة (خذ Salesforce و Oracle في العميل إدارة صناعة).

في الوقت نفسه ، تستثمر الدول في الذكاء الاصطناعي لتوليد اقتصاد طويل الأمد نمو. تستثمر كل من الصين والولايات المتحدة واليابان وفرنسا والمملكة المتحدة وألمانيا في الذكاء الاصطناعي.

دعونا نلقي نظرة على كيفية كسب المال ، بدلاً من ذلك ، باستخدام الذكاء الاصطناعي.

كيف تربح المال باستخدام الذكاء الاصطناعي؟

كما ذكر كيفن كيلي في كتابه "لا مفر منه:"

• عمل من السهل توقع خطط الشركات الناشئة البالغ عددها 10,000 شركة: خذ X وأضف الذكاء الاصطناعي. ابحث عن شيء يمكن تحسينه من خلال إضافة الذكاء عبر الإنترنت إليه.

هناك عدة طرق لبدء إنشاء ملف عمل مع الذكاء الاصطناعي:

ابدأ شركة ناشئة
عمل بعقد
الوظيفة أو التدريب
اكتب كتابا
محتوى تعليمي
روبوت التداول الآلي
المسابقات

وقليل من النواة التسعير عارضات ازياء:

الاشتراك / التوكيل

هنا تقوم شركة الذكاء الاصطناعي ببناء العرف نموذج، من خلال طيار (إما مجانًا أو مقابل رسوم ثابتة).

بمجرد نموذج جاهز ، يمر بمرحلة انتقالية ، والتي تبدأ في العمل كملف اشتراك/ التجنيب (استنادًا إلى الحجم الذي تتم معالجته بواسطة ملف نموذج).

من هناك ، بمجرد أن يصبح السعر جاهزًا للقياس ، يحمل السعر قاعدة اشتراك، والتي تتجاوز حجمًا معينًا ، سترتفع.

• اشتراك يجب أن يكون له حد ، وبعد ذلك ، حجم نموذج قادرة على التعامل معها قد تكون غير محدودة (يحدث هذا في مرحلة متقدمة جدًا ، والتي قد تستغرق ما لا يقل عن 18-24 شهرًا لتطويرها بناءً على الخدمة).

دفع الاستحقاقات أولا بأول

تشمل هذه الخدمات شركات الذكاء الاصطناعي ، والتي قد توفر مكتبات قياسية لنماذج التعلم الآلي ، والشركة التي تختار واحدة ستدفع بناءً على الاستهلاك.

التسعير الهجين

وتشمل هذه نماذج الذكاء الاصطناعي التي تعتبر قياسية ولكن يمكن تخصيصها إلى حد معين. في هذه الحالة ، أ اشتراك نموذج، جنبًا إلى جنب مع الدفع أولاً بأول نموذج قد تفعل.

قطع من التوفير

في حالة الشركة التي تستخدم نماذج الذكاء الاصطناعي لتحسين أداء الحملة ، قد تقدم الشركة للعميل هذه النماذج ، من خلال برنامج تجريبي مجاني أو ثابت ، وبمجرد أن يثبت نجاح ذلك ، لا تتقاضى سوى نسبة مئوية من المدخرات.

هذه نموذج قد يكون أكثر فعالية لتقليل الاحتكاك وتكلفة الاستحواذ لعميل المؤسسة.

ما الذي يمكن للذكاء الاصطناعي فعله وما لا يمكنه فعله؟

بناءً على تجربتي في السنوات الثلاث الماضية ، في تحسين خدمات المؤسسات في الذكاء الاصطناعي تسويق الفضاء ، هذه هي التطبيقات التي رأيتها ناجحة:

البشر في الحلقة

أحد العناصر الحاسمة هو أنه ، في الوقت الحالي ، يجب أن يكون الإنسان في الحلقة.

أيًا كان التطبيق الذي تختاره للمؤسسة ، من المهم أن يكون لديك فريق من الأشخاص ذوي الخبرة القادرين على فهم كيفية التعامل مع هذه النماذج على نطاق واسع.

عند بناء نماذج الذكاء الاصطناعي ، قد تصبح هذه النماذج المخصصة (المصممة لمهام محددة للشركة) أكثر وأكثر صلة بمرور الوقت.

ومع ذلك ، من المهم أيضًا أن يكون لديك الإنسان في الحلقة ، سواء على مستوى الإدخال أو الإخراج.

من ناحية الإدخال ، من الأهمية بمكان أن يقضي الأشخاص وقتًا في إثراء البيانات المتاحة لـ نموذج وتحسينه (تخيل إذا كنت تريد تكوين لغة نموذج التي تصف منتجاتك ، فكلما زادت المعلومات التي تقدمها حول هذه المنتجات وتفاصيل وميزات المنتجات ، كان أفضل نموذج).

على جانب الإخراج ، مثل ملف نموذج يولد الأشياء التي تنفجر ، يجب تصحيحها وتدقيقها ، والتي تتصل بالنقطة التالية.

تدقيق النموذج

أنا أجادل - سيكون أكبر من النمذجة نفسها!

في رأيي ، مع تزايد شعبية نماذج التعلم الآلي هذه ، مما يحفز الصناعة التالية التي تبلغ قيمتها تريليون دولار ، ستكون هناك مشكلة أساسية معهم.

نظرًا لأن هذه النماذج ، التي تعتمد في الغالب على التعلم العميق ، فهذا يعني أنك تعرف المدخلات والمخرجات ، ولكن في المنتصف ، إنه صندوق أسود. باختصار ، لا توجد طريقة بسيطة لتدقيق ملفات نموذج، لمعرفة كيف انتقلت من المدخلات إلى المخرجات.

في هذا السيناريو ، ستكون القدرة على ابتكار طرق ذكية لمراجعة نماذج التعلم الآلي ذات قيمة كبيرة. في الواقع ، إذا سألتني ، من أين سأبدأ شركة للذكاء الاصطناعي ، فسأخبرك مباشرة أنني سأبدأ ببناء صندوق أدوات لمراجعة نماذج التعلم الآلي.

لماذا ا؟ لأن أي شركة تستخدم خدمات الذكاء الاصطناعي ، ستحتاج إلى أن تكون قادرة على تدقيق هذه النماذج ، ولا توجد طريقة صحيحة للقيام بذلك الآن. لا يزال الغرب المتوحش!

المحتوى القابل للتحويل هو نقطة البداية

إذا كنت ترغب في البدء في الاستفادة من نماذج التعلم الآلي هذه ، فقد ترغب في البدء بالنظر إلى جزء من عمل التي يمكن تحويلها إلى سلعة.

على سبيل المثال ، إذا كان لديك متجر للتجارة الإلكترونية ، يحتوي على آلاف أو ملايين من أوصاف المنتجات. يمكن أن تكون النماذج اللغوية فعالة جدًا في توليدها على نطاق واسع.

في الواقع ، الميزة هنا هي أن اللغة نموذج يمكن تغيير وصف المنتج ديناميكيًا ، استنادًا أيضًا إلى عمليات البحث الموسمية للمستخدمين. هذا تطبيق رأيته يستخدم بفعالية كبيرة.

ومع ذلك ، هناك شيء واحد وهو منح الجهاز القدرة على تغيير بايت من النص على صفحة منتج ، والآخر هو جعل الجهاز يعيد كتابة الصفحة بأكملها.

باختصار ، تريد أن تبدأ من قسم صغير يمكن التحكم فيه وقياسه بسهولة وتكراره وتصحيحه وتوسيع نطاقه من هناك.

توسيع نطاق النماذج

سيكون أحد أصعب أجزاء استخدام نماذج التعلم الآلي على مستوى المؤسسة هو توسيع نطاق تلك النماذج بشكل موثوق.

على سبيل المثال ، إذا كان لديك الجهاز يقوم بإنشاء نص لـ 100 صفحة منتج ، فهو مختلف تمامًا ، عن ألف أو عشرة آلاف.

في كل مستوى من مستويات المقياس ، يزداد التعقيد الذي تتعامل معه الآلة بشكل كبير ، وتصبح فرصة أن تنفد بعض أوصاف المنتجات أمرًا محتملاً.

تحسينات الحملة

هناك تطبيق آخر مثير للاهتمام لنماذج التعلم العميق في مجال تحسينات الحملات المدفوعة ، حيث يمكن للآلة العمل بطريقتين.

أولاً ، تأخذ الآلة البيانات غير المهيكلة وتحولها إلى بيانات منظمة. تخيل لو كنت تنفق الملايين على حملات إعلانية على فيسبوك.

يتم التعامل مع هذه في الغالب من قبل مدير الأداء. لمعرفة مدى التنظيم الذي قد يكون عليه هذا الشخص في التعامل مع هذه الحملات عندما تصبح الميزانية كبيرة جدًا ، قد يصبح فهم الحملات ذات الأداء الجيد أمرًا معقدًا للغاية.

ذلك لأن هذه الحملات قد تفقد التصنيف المناسب. باختصار ، تصبح المهمة التافهة ولكنها تستغرق وقتًا طويلاً لتسمية هذه الحملات (مثل تنظيمها في مجموعات منطقية) صعبة للغاية.

ثانيًا ، قد يؤدي التعامل مع عدد كبير من الحملات أيضًا إلى إبطاء عملية الاختبار. في الواقع ، تحتاج الحملات الناجحة ، بمرور الوقت ، إلى التعديل والتغيير وإعادة الاختبار باستمرار للحفاظ على استقرار عائد الاستثمار في هذه الحملات.

قد يكون التعلم العميق ، باستخدام الشبكات العصبية ، جيدًا جدًا في ذلك! وسم هذه الحملات وتعديلها واختبارها وتكرارها على نطاق واسع.

مصادر أخرى: