أتوقع أن الصيغة الخاصة بـ 10,000 شركة ناشئة قادمة هي أن تأخذ شيئًا وتضيف إليه الذكاء الاصطناعي. سنكرر ذلك مليون مرة ، وسيكون ضخمًا حقًا.
قبل بضع سنوات ، ها نحن ذا.
يمكنك أن ترى كيف تأثرت كل صناعة حتى الآن بالذكاء الاصطناعي.
والجزء المثير للاهتمام؟ ما زلنا في بداية هذه العملية ، حيث يتم إنشاء الصناعة التالية بمليارات الدولارات.
كانت نقطة التحول بالنسبة لي ، من الناحية المهنية ، هي عام 2019 ، مع GPT-2 ، منذ أن رأيت انفجارًا في الشركات القائمة على السحابة (IaaS و PaaS و SaaS) التي تقدم أنواعًا مختلفة من الخدمات المستندة إلى الذكاء الاصطناعي.
من العمل تحليل لإنشاء المحتوى والتحسين والعديد من الخدمات الأخرى ، يبدو أن الذكاء الاصطناعي يسير جنبًا إلى جنب مع البنية التحتية القائمة على السحابة.
باختصار ، نماذج الذكاء الاصطناعي ، التي تتطلب قوة حسابية هائلة ، حفزت صناعة كاملة ، من IaaS و PaaS و SaaS.
ولكن هناك طريقة أكثر من ذلك.
لقد حفز الذكاء الاصطناعي نظامًا بيئيًا جديدًا بالكامل للمطورين ، يتألف من كل من الأدوات مفتوحة المصدر والملكية ، والتي غالبًا ما تكون مجانية ، والتي يستخدمها لاعبو IaaS لجعل خدماتهم المستندة إلى السحابة أكثر جاذبية.
سنرى كيف يعمل كل هذا.
لكن إذا أردنا إعطاء هيكل لنماذج أعمال الذكاء الاصطناعي ، فكيف سيعمل ذلك؟
دعني أوضح بعض الأشياء أولاً.
الذكاء الاصطناعي اليوم هو في الغالب تعلم عميق
التعلم العميق هو مجموعة فرعية من التعلم الآلي ، وهو مجموعة فرعية من الذكاء الاصطناعي.
باختصار ، إذا سمعت شخصًا يتحدث عن الذكاء الاصطناعي ، فهذا عام لدرجة أنه لا يعني شيئًا على الإطلاق.
ومع ذلك ، بالنسبة للجمهور الأكبر ، فإن شرح الأشياء ، من حيث الذكاء الاصطناعي ، يساعد المزيد من الناس على فهم ما نتحدث عنه.
في الواقع ، إذا كنت ترغب في ذلك ، فإن الذكاء الاصطناعي يتعلق ببساطة بجعل أي شيء أكثر ذكاءً.
بدلاً من ذلك ، يهدف التعلم الآلي إلى إنشاء نماذج / خوارزميات يمكنها التعلم والتحسين بمرور الوقت.
والتعلم العميق هو مجموعة فرعية أخرى من التعلم الآلي ، والتي تهدف إلى محاكاة كيفية تعلم البشر (بالطبع ، كما سنرى أن الطريقة التي تصل بها الآلة إلى النتائج مختلفة تمامًا عن الطريقة التي يتصرف بها الإنسان).
لقد أصبحت نماذج التعلم العميق هذه رائعة جدًا في أداء مهام معقدة للغاية بنجاح. خاصة في مجالين: معالجة اللغة الطبيعية والكمبيوتر برؤية طبيعية.
الهندسة المعمارية القائمة على المحولات ، الأمر كله يتعلق بالاهتمام
كانت نقطة التحول الحقيقية ، بالنسبة لصناعة الذكاء الاصطناعي ، في عام 2017. منذ أوائل العقد الأول من القرن الحالي ، كان عالم الذكاء الاصطناعي يعيش نهضة بفضل التعلم العميق.
في الواقع ، بحلول أوائل العقد الأول من القرن الحادي والعشرين ، بدأ مصطلح التعلم العميق يرتبط أكثر فأكثر بالشبكات العصبية العميقة.
جاء أحد الإنجازات عندما أظهر وفريقه أنه من الممكن تدريب طبقة واحدة من الخلايا العصبية باستخدام مشفر تلقائي.
النموذج القديم
كما أوضح جيفري هينتون في TED ، في عام 2018 ، الفرق بين النموذجين القديم والجديد:
إذا كنت تريد أن يقوم الكمبيوتر بشيء ما ، فإن الطريقة القديمة للقيام بذلك هي كتابة برنامج. هذا هو أنك تكتشف كيف تفعل ذلك بنفسك ، وضغطها في التفاصيل ، فأنت تخبر الكمبيوتر بما يجب فعله بالضبط وأجهزة الكمبيوتر مثلك ، ولكن بشكل أسرع.
باختصار ، في هذا النموذج القديم ، هو الإنسان الذي يكتشف المشكلة ويكتب برنامجًا يخبر الكمبيوتر بالضبط كيف ينفذ هذه المشكلة.
نظرًا لأن الكمبيوتر سريع للغاية ، فسوف يعمل بشكل جيد للغاية.
ومع ذلك ، فإن هذا النموذج القديم يخبرك أيضًا أن الآلة لا تتمتع بالمرونة. يمكن أن يؤدي فقط المهمة الضيقة المسندة إليه.
ولكي تؤدي الآلة المهمة بشكل أكثر فاعلية ، فقد تطلب ذلك تحسينًا مستمرًا من قبل الإنسان ، الذي احتاج إلى تحديث البرنامج ، وإضافة سطور من الرموز ، لجعل الآلة أكثر كفاءة للمهمة.
النموذج الجديد
في النموذج الجديد ، كما يوضح جيفري هينتون:
الطريقة الجديدة هي أن تخبر الكمبيوتر أن يتظاهر بالتواجد في شبكتك باستخدام خوارزمية تعلم فيها البرمجة ، ولكن بعد ذلك إذا كنت تريد حل مشكلة معينة ، فأنت تعرض أمثلة فقط.
هذا هو جوهر التعلم العميق.
يوضح جيفري هينتون أن أحد الأمثلة هو جعل الآلة تتعرف على الصورة:
لنفترض أنك تريد حل مشكلة أعطيك كل وحدات البكسل في الصورة. هذه ثلاثة أرقام لكل بكسل للون هناك مثل دعنا نقول مليون منهم وعليك تحويل هذه الثلاثة ملايين رقم إلى سلسلة من الكلمات. هذا يوضح أن ما هو موجود في الصورة يعد برنامجًا صعبًا للكتابة. حاول الناس لمدة 50 عامًا ولم يقتربوا حتى من ذلك ، لكن الآن يمكن للشبكة العصبية فعل ذلك.
لماذا هذا الأمر مهم جدا؟
حسنًا ، لأنه لا يهم بعد الآن ما إذا كان الإنسان قادرًا على كتابة برنامج للتعرف على الصورة.
لأن الآلة ، التي تستفيد من الشبكة العصبية ، يمكن أن تحل المشكلة.
كيف لم يتمكنوا من حل هذه المشكلة لمدة 50 عامًا ثم فعلوا؟
كان التغيير الجذري في استخدام الخلايا العصبية الاصطناعية ، القادرة على وزن المدخلات المتلقاة ، وإنتاج وظيفة غير خطية (قادرة على ترجمة المدخلات الخطية ، إلى مخرجات غير خطية) كمخرجات ، والتي تبين أنها فعالة جدًا بالنسبة لـ مهام أكثر تعقيدًا.
العنصر الأساسي لهذه الشبكات العميقة هو وظيفة معينة غير خطية ، تسمى وظيفة التنشيط.
اليوم ، نماذج التعلم الآلي مثل OpenAI's GPT-3 و Google's BERT و DeepMind's Gato كلها شبكات عصبية عميقة.
يستخدم هؤلاء بنية جسيمية ، تسمى قائمة على المحولات.
في الواقع ، في بحث عام 2017 بعنوان "الاهتمام هو كل ما تحتاجه"(وذلك لأن آلية تسمى" آلية الانتباه "هي محفز للخلايا العصبية داخل الشبكة العصبية ، والتي تتدفق في الكل نموذج).
قدموا هذه العمارة الجديدة المذهلة من أجل التعلم العميق نموذج، تسمى المحولات ، والتي فتحت صناعة الذكاء الاصطناعي بأكملها ، خاصة في مجال معالجة اللغة الطبيعية ، الكمبيوتر برؤية طبيعيةوالقيادة الذاتية وعدد قليل من المجالات الأخرى.
كما سنرى ، أنتجت هذه البنية نماذج قوية للتعلم الآلي لدرجة أن البعض ذهب إلى حد تخيل ما يسمى AGI (الذكاء العام الاصطناعي).
أو قدرة الآلات على تعلم العديد من المهام بمرونة ، مع تطوير القدرة على الإحساس. كما سنرى هذا بعيد كل البعد عن الآن. لسبب واحد ، هنا ، نريد أن نفهم ما هي الآثار المترتبة على نماذج التعلم الآلي هذه في عالم الأعمال.
سننظر في الإمكانات و نماذج الأعمال التي يمكن أن تتطور بفضل نماذج التعلم الآلي هذه؟ سنلقي نظرة على كل من النظام البيئي للمطورين والنظام البيئي للأعمال من حولهم.
دعونا نلقي نظرة سريعة ، على بنية هذه الشبكات العصبية العميقة ، لفهم كيفية عملها ، على المستوى الأساسي:
المصدر: الاهتمام هو كل ما تحتاجه ، 2017
منذ ذلك الحين ، أصبحت Transformers أساس جميع النماذج المتطورة مثل Google BERT و OpenAI GPT3.
محول نموذج هي شبكة عصبية تتعلم السياق وبالتالي تعني من خلال تتبع العلاقات في البيانات المتسلسلة مثل الكلمات في هذه الجملة.
لذلك ، كما تشرح NVIDIA التطبيقات التي تستخدم نصًا متسلسلًا ، فإن بيانات الصورة أو الفيديو هي مرشح لنماذج المحولات.
في باقة ورقةفي عام 2021 ، أبرز باحثون من ستانفورد كيف أصبحت النماذج القائمة على المحولات نماذج أساسية.
المصدر: فرص ومخاطر نماذج التأسيس
كما هو موضح في نفس الورقة:
لطالما كانت قصة الذكاء الاصطناعي إحدى قصص الظهور والتجانس المتزايد. مع إدخال التعلم الآلي ، تظهر كيفية تنفيذ المهمة (يتم استنتاجها تلقائيًا) من الأمثلة ؛ مع التعلم العميق ، تظهر الميزات عالية المستوى المستخدمة للتنبؤ ؛ ومع النماذج الأساسية ، تظهر حتى الوظائف المتقدمة مثل التعلم في السياق. في الوقت نفسه ، يعمل التعلم الآلي على تجانس خوارزميات التعلم (على سبيل المثال ، الانحدار اللوجستي) ، ويجانس التعلم العميق نموذج البنى (على سبيل المثال ، الشبكات العصبية التلافيفية) ، ونماذج الأساس تجانس نموذج نفسها (على سبيل المثال ، GPT-3).
ظهور النماذج التأسيسية
جاءت الفكرة المركزية للنماذج التأسيسية والعمارة القائمة على المحولات من فكرة نقل "المعرفة" (أو القدرة على حل مهمة) من مجال إلى آخر.
كما هو موضح في نفس الورقة:
تتمثل فكرة نقل التعلم في أخذ "المعرفة" المستفادة من مهمة واحدة (على سبيل المثال ، التعرف على الأشياء في الصور) وتطبيقها على مهمة أخرى (على سبيل المثال ، التعرف على النشاط في مقاطع الفيديو).
باختصار:
ضمن التعلم العميق ، يعد التدريب المسبق هو النهج السائد لنقل التعلم: أ نموذج يتم تدريبه على مهمة بديلة (غالبًا كوسيلة لتحقيق غاية) ثم يتكيف مع المهمة النهائية ذات الأهمية من خلال ضبط دقيق
لذلك ، لدينا ثلاث لحظات أساسية للتعلم الآلي نموذج:
التدريب قبل: لتكييف نموذج من مهمة إلى مهمة أخرى (على سبيل المثال ، تخيل أن لديك ملف نموذج التي تنشئ أوصافًا للمنتج تكون منطقية بالنسبة إلى الفرد العلامة تجارية. الآن ، تريد منه إنشاء أوصاف منتج تكون منطقية لمنتج آخر العلامة تجارية. أشياء مثل نبرة الصوت ، وتغير الجمهور المستهدف. هذا يعني أن من أجل نموذج للعمل على آخر العلامة تجارية، يجب أن يكون مدربًا مسبقًا).
الاختبار: للتحقق من صحة نموذج، وفهم كيف "يتصرف" على نطاق أوسع (على سبيل المثال ، من الجيد أن يكون لديك ملف نموذج الذي يولد المنتجات
وصقل: أو جعل نموذج أفضل وأفضل للمهمة المطروحة ، من خلال العمل على كل من المدخلات (البيانات التي يتم جلبها إلى ملف نموذج) والإخراج (تحليل نتائج نموذج).
ما هو مختلف ، هذه المرة هو الحجم الهائل لهذه النماذج.
والمقياس ممكن (كما هو موضح في الأساس نموذجورقة) من خلال ثلاثة مكونات أساسية:
أجهزة التبخير (الانتقال من وحدة المعالجة المركزية إلى وحدة معالجة الرسومات ، حيث تراهن شركات مثل NVIDIA على بنية الرقائق للذكاء الاصطناعي).
يختلف عن الماضي ، عندما كانت البيانات بحاجة إلى تسمية ، لاستخدامها. تستطيع نماذج التعلم الآلي الحديثة (مثل Google's BERT) أداء المهام بطريقة تخضع للإشراف الذاتي وباستخدام بيانات غير مصنفة.
تستند نماذج التعلم العميق المتقدمة (BERT ، GPT-3 ، RoBERTa ، BART ، T5) إلى التعلم تحت الإشراف الذاتي إلى جانب بنية المحولات.
الفكرة الأساسية هي أن واحد نموذج يمكن أن تكون مفيدة لمجموعة واسعة من المهام.
لقد انفجرت صناعة المحولات ، مع وصول المزيد والمزيد إلى السوق.
من تجانس هذه النماذج وحجمها ، ظهرت ميزة مثيرة للاهتمام.
من خلال تحجيم المعلمات المتاحة لـ a نموذج (استخدمت GPT-3 175 مليار معلمة مقارنة بـ 2 مليار في GPT-1.5) فقد أتاحت التعلم في السياق.
بينما في نفس الوقت ، بشكل غير متوقع ، ظهرت مستعجل، أو وصف لغة طبيعية للمهمة) ، والتي يمكن استخدامها لتحسين نموذج وجعلها تعمل على المهام النهائية الأخرى (مهمة محددة تريد حلها).
المصدر: فرص ومخاطر نماذج التأسيس
تعتبر النماذج التأسيسية قوية للغاية لأنها متعددة الاستخدامات حتى الآن. من البيانات ، سواء كانت معنونة أو منظمة ، أو غير مصنفة وغير منظمة ، الأساس نموذج يمكن أن تتكيف لتوليد مهام مختلفة.
نفس الشيء نموذج يمكن أن تؤدي الإجابة على السؤال ، والمشاعر تحليلوالتعليق على الصورة والتعرف على الأشياء والتعليمات التالية.
للحصول على الفكرة ، تمتلك شركة OpenAI ملف ملعب لـ GPT-3. واحد نموذج يمكن استخدامها في العديد من المهام. من الأسئلة والأجوبة إلى تصحيح القواعد والترجمات والتصنيفات وتحليلات المشاعر وغير ذلك الكثير.
في هذا الصدد ، مطالبة (أو القدرة على جعل الآلة تؤدي مهمة محددة للغاية) في المستقبل ستكون مهارة بالغة الأهمية.
في الواقع ، سيكون التحفيز أمرًا بالغ الأهمية لتوليد الفن والألعاب والبرمجة وغير ذلك الكثير.
إنها المطالبة التي تنقلك من الإدخال إلى الإخراج.
وجودة الموجه (القدرة على وصف مهمة التعلم الآلي نموذج يجب أن يؤدي) يحدد جودة المخرجات.
مثال آخر على كيفية استخدام الذكاء الاصطناعي لتمكين أي شخص من البرمجة هو مساعد الطيار AI الخاص بـ GitHub:
مساعد الطيار GitHub AI يقترح كود ووظائف كاملة في الوقت الحقيقي.
نحتاج أن نبدأ من الطبقات التأسيسية.
لنبدأ بتحليل الأمر برمته ، أولاً من وجهة نظر المطورين ، بناء النماذج ونشرها للجمهور.
ثم ننتقل إلى الجانب الآخر من الطيف وننظر إلى النظام البيئي للأعمال من حوله.
سير عمل نموذج التعلم الآلي
المصدر: فرص ومخاطر نماذج التأسيس
السؤال الأول الذي يجب طرحه ، هو ما إذا كان المطور يريد إنشاء نماذج للتعلم الآلي من البداية ، فأين هو المكان المناسب للبدء استنادًا إلى سير العمل لبناء نموذج من الصفر؟
في هذه الحالة ، هناك العديد من برامج التعلم الآلي التي يمكن لمطوري الذكاء الاصطناعي الاستفادة منها.
بهذا المعنى ، من الأهمية بمكان فهم ما هو سير العمل لبناء التعلم الآلي نموذجوالمكونات المختلفة التي سيحتاجها المطور.
بشكل عام ، يقوم المطورون ببناء نماذج التعلم الآلي لحل مهام محددة.
لنأخذ حالة المطور الذي يريد بناء ملف نموذج يمكنها إنشاء أوصاف لصفحة المنتج لموقع ويب كبير للتجارة الإلكترونية.
سيبدو سير العمل كما يلي:
إنشاء البيانات. في هذه المرحلة ، يقوم الإنسان بجمع البيانات اللازمة لـ نموذج لأداء مهام محددة (على سبيل المثال ، في حالة إنشاء أوصاف منتج تريد الكثير من النصوص والبيانات حول المنتجات الحالية).
تنظيم البيانات. هذا أمر بالغ الأهمية لضمان جودة البيانات التي يتم إدخالها في نموذج. وهذا أيضًا غالبًا ما يكون محوره الإنسان.
تمرين. هذا هو جزء من العادة نموذج بناء على البيانات التي تم جمعها ورعايتها.
التكيف. في هذه المرحلة ، بدءًا من نموذج، نقوم بتدريبه مسبقًا ، لأداء مهام جديدة (فكر في حالة أخذ GPT-3 ، لإنتاج محتوى صفحات المنتج على موقع معين ، وهذا يتطلب نموذج ليتم تدريبهم مسبقًا على سياق هذا الموقع ، من أجل إنشاء محتوى ذي صلة).
تعيين. المرحلة التي يكون فيها نموذج يتم إطلاق سراحه للعالم.
أود أن أضيف أنه في معظم حالات الاستخدام التجاري ، قبل النشر ، عادةً ما تبدأ ببرنامج تجريبي ، والذي يهدف إلى الإجابة عن سؤال بسيط للغاية.
مثل ، يمكن نموذج إنتاج صفحات منتجات منطقية للإنسان؟
في هذا السياق ، يكون المقياس محدودًا (على سبيل المثال ، تبدأ بإنشاء صفحات منتج بحد أقصى 100-500).
وإذا نجحت ، تبدأ في النشر.
بعد ذلك ، وبناءً على ما رأيته ، فإن المراحل التالية هي:
تكرار: أو التأكد من نموذج يمكن أن تتحسن من خلال إعطائها المزيد من البيانات.
الكون المثالى: أو التأكد من نموذج يمكن أن تتحسن بشكل كبير عن طريق تنظيم البيانات.
حجم: تمكين النموذج ، بأحجام أكبر وأكبر لهذه المهمة المحددة.
بناءً على ما سبق ، دعنا نعيد بناء النظام البيئي للمطورين للذكاء الاصطناعي.
MLOps: النظام البيئي للمطور
تصف عمليات التعلم الآلي (MLOps) مجموعة من أفضل الممارسات التي تساعد الشركات على إدارة الذكاء الاصطناعي بنجاح. وهو يتألف من المهارات وسير العمل والعمليات لإنشاء نماذج التعلم الآلي وتشغيلها وصيانتها لمساعدة العمليات التشغيلية المختلفة داخل المؤسسات.
قبل أن نصل إلى تفاصيل سير عمل المطورين ، لنبدأ بسؤال بسيط للغاية.
كيف تبرمج نموذج التعلم الآلي؟ أي لغة تستخدم؟
فيما يلي أشهر لغات البرمجة ، في عام 2022 ، وفقًا لإحصائيات GitHub:
madnight.github.io/githut/#/pull_requests/2022/1
هل يخبرك بأي شيء؟ Python ، لغة البرمجة الأكثر شيوعًا ، هي أيضًا لغة برمجة AI الأكثر شيوعًا.
في قائمة أفضل لغات البرمجة ، بالطبع ، بعضها ليس مخصصًا للذكاء الاصطناعي. لكن المراكز الثلاثة الأولى ، Python و JavaScript و Java هي الأكثر شيوعًا لبرمجة الذكاء الاصطناعي.
بايثون هي الأكثر شعبية حتى الآن.
نظرًا لبساطته ، ولكن أيضًا نشكر حقيقة أنه يمنح المبرمجين مجموعة من المكتبات للاستفادة منها وقابلية التشغيل البيني.
إنشاء البيانات
يعد جزء إنشاء البيانات مهمة مكثفة تتمحور حول الإنسان ، وهو أمر مهم للغاية لأن جودة البيانات الأساسية ستحدد جودة مخرجات النموذج.
مع الأخذ في الاعتبار أن البيانات هي أيضًا ما يدرب النموذج ، وبالتالي إذا جاء أي تحيز من هذا النموذج ، فهذا يرجع إلى الطريقة التي تم بها اختيار البيانات.
لهذه المسألة ، عادة ، يمكن تدريب النموذج إما ببيانات حقيقية أو اصطناعية.
بالنسبة لبيانات العالم الواقعي ، فكر في حالة كيف تستفيد Tesla من مليارات الأميال التي يقودها مالكو Tesla ، في جميع أنحاء العالم ، لتحسين خوارزميات القيادة الذاتية من خلال شبكات التعلم العميق الخاصة بها.
تستفيد شبكات Tesla العصبية ذاتية القيادة من مليارات الأميال ، مدفوعة من قبل مالكي Tesla ، لتحسين خوارزميات القيادة الذاتية مع كل إصدار جديد من البرامج!
عندما يتعلق الأمر بالبيانات التركيبية ، بدلاً من ذلك ، يتم إنتاجها عبر عمليات محاكاة الكمبيوتر أو الخوارزميات ، في العالم الرقمي.
باستخدام Python داخل NVIDIA Omniverse ، يمكن لمبرمجي الذكاء الاصطناعي إنشاء بيانات مباشرة من بيئة افتراضية. نظرًا لأن هذه بيانات ، فهذا غير موجود في العالم الحقيقي ، ولكن يتم إنشاؤه صناعياً ، ويمكن استخدامه لنماذج الذكاء الاصطناعي قبل التدريب ، وهي تسمى بالفعل البيانات التركيبية.
بشكل عام ، تعتبر البيانات الواقعية مقابل البيانات التركيبية مسألة اختيار. لا تمتلك جميع الشركات القدرة على الوصول إلى مجموعة واسعة من بيانات العالم الحقيقي.
على سبيل المثال ، تتمتع شركات مثل Tesla أو Apple أو Google التي لديها أجهزة ناجحة في السوق (سيارات Tesla و iPhone و Android smartphones) بالقدرة على جمع كمية هائلة من البيانات واستخدامها في التدريب المسبق على موديلاتها وتحسينها. المنتجات القائمة على الذكاء الاصطناعي بسرعة.
قد لا يكون لدى شركات أخرى هذا التغيير ، وبالتالي فإن الاستفادة من البيانات التركيبية يمكن أن تكون أسرع وأرخص وفي بعض الحالات أكثر توجهاً نحو الخصوصية.
في الواقع ، أدى ظهور صناعة الذكاء الاصطناعي بالفعل إلى تحفيز الصناعات المجاورة الأخرى ، مثل صناعة بائعي البيانات الاصطناعية.
ZumoLabs ، النظام البيئي للبيانات التركيبية ، تم تحديثه في أكتوبر 2021
تنظيم البيانات
بمجرد حصولك على البيانات ، فإن الأمر كله يتعلق بالتنظيم. يستغرق تنظيم البيانات أيضًا وقتًا طويلاً ، ولكنه بالغ الأهمية لأنه يحدد جودة النموذج المخصص الذي ستنشئه.
أيضًا عندما يتعلق الأمر بتنظيم البيانات ، فهناك صناعة كاملة لذلك.
التدريب
بالنسبة للجزء التدريبي ، هناك برامج مختلفة لذلك. نماذج التعلم الآلي للتدريب ، هي حجر الزاوية في سير العمل بأكمله. في الواقع ، يتيح التدريب إمكانية تخصيص النماذج.
لهذه المسألة ، استثمرت البنى التحتية السحابية بشكل كبير لإنشاء أدوات لتمكين مبرمجي ومطوري الذكاء الاصطناعي. بعض هذه الأدوات مفتوحة المصدر ، وبعضها الآخر مملوك.
بشكل عام ، تعد أدوات الذكاء الاصطناعي مكونًا مهمًا لكل من البنى التحتية السحابية ، والتي يمكنها تمكين مجتمعات المطورين ، حول هذه الأدوات ، وبالتالي تعزيز عروضهم السحابية.
باختصار ، أداة الذكاء الاصطناعي هي "فريميوم" الذي يعمل على تضخيم نطاق العلامة تجارية لموفر السحابة ، مع مطالبة المطورين باستضافة نماذجهم فوق البنى التحتية السحابية الخاصة بهم.
ليس من قبيل المصادفة أن أدوات الذكاء الاصطناعي الأكثر استخدامًا تأتي من شركات مثل Amazon AWS و Google Cloud و IBM و Microsoft Azure.
إن إصدار أداة الذكاء الاصطناعي ، سواء كانت مفتوحة المصدر أو مسجلة الملكية ، ليس مجرد اختيار فلسفي ، بل هو أيضًا ملف نموذج الأعمال الاختيار.
في الواقع ، باستخدام نهج مفتوح المصدر ، لن يتم استثمار أداة الذكاء الاصطناعي إلا عندما تتم استضافة النموذج على نفس البنية التحتية السحابية ، وباختصار ، تعمل كأداة دفع.
هكذا يبدو النظام البيئي للأدوات ، عندما تحاول تطوير أدوات الذكاء الاصطناعي. يتم تطوير حلول الكل في واحد للتعويض عن تجزئة الأدوات في النظام البيئي للذكاء الاصطناعي.
دعنا الآن نحلل ، النظام البيئي للأعمال بأكمله ، وكيف تم تنظيمه حول نماذج التعلم الآلي هذه.
نظام الذكاء الاصطناعي للأعمال
سحابة نماذج الأعمال كلها مبنية على الحوسبة السحابية ، وهو مفهوم استحوذ على عام 2006 عندما ذكره المدير التنفيذي السابق لشركة Google ، إريك شميت. معظم المستندة إلى السحابة نماذج الأعمال يمكن تصنيفها على أنها IaaS (البنية التحتية كخدمة) أو PaaS (النظام الأساسي كخدمة) أو SaaS (البرنامج كخدمة). في حين يتم تحقيق الدخل من هذه النماذج بشكل أساسي عبر الاشتراكات ، إلا أنه يتم تحقيق الدخل منها عبر نماذج إيرادات الدفع أولاً بأول والنماذج المختلطة (الاشتراكات + الدفع أولاً بأول).
هندسة الرقاقة
مع صعود الذكاء الاصطناعي ، استثمر عدد قليل من اللاعبين التقنيين جميعًا في صنع رقائق للذكاء الاصطناعي. مثال واحد هو NVIDIA، التي أوجدت فئة جديدة كاملة من بنية الرقائق ، استنادًا إلى وحدة معالجة الرسومات (GPU) ، وهي بنية مناسبة تمامًا للذكاء الاصطناعي ، ورفع الأحمال الثقيلة.
NVIDIA هي وحدة معالجة رسومات صمم الشركة ، التي تطور وتبيع رقائق المؤسسات 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.
تركز شركات أخرى مثل Intel و Qualcomm أيضًا على رقائق الذكاء الاصطناعي.
كل من تلك الشركات ، مع تركيز خاص.
على سبيل المثال ، أثبتت رقائق الذكاء الاصطناعي من NVIDIA أنها قوية للغاية للألعاب ومراكز البيانات والتصورات الاحترافية.
ومع ذلك ، تعد الآلات ذاتية القيادة والذكية أيضًا من المجالات الحاسمة التي تراهن عليها NVIDIA.
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).
مصدر: جوجل
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.
قامت شركة OpenAI ببناء الطبقة التأسيسية لصناعة الذكاء الاصطناعي. من خلال النماذج التوليدية الكبيرة مثل GPT-3 و DALL-E ، توفر OpenAI وصولاً إلى واجهة برمجة التطبيقات للشركات التي ترغب في تطوير التطبيقات على رأس نماذجها التأسيسية مع القدرة على توصيل هذه النماذج بمنتجاتها وتخصيص هذه النماذج ببيانات خاصة وذكاء اصطناعي إضافي الميزات. من ناحية أخرى ، أصدرت OpenAI أيضًا ChatGPT ، حيث تم تطويرها حول نموذج فريميوم. تقوم Microsoft أيضًا بتسويق المنتجات الافتتاحية من خلال شراكتها التجارية.
الاستقرار منظمة العفو الدولية هي الكيان وراء الانتشار المستقر. يدر الاستقرار الأموال من منتجات الذكاء الاصطناعي الخاصة بنا ومن تقديم خدمات استشارات الذكاء الاصطناعي للشركات. يعمل الذكاء الاصطناعي على تحقيق الدخل من الانتشار المستقر عبر واجهات برمجة تطبيقات DreamStudio. بينما تصدره أيضًا مفتوح المصدر ليتمكن أي شخص من تنزيله واستخدامه. يحقق الذكاء الاصطناعي الاستقرار أيضًا الأموال من خلال خدمات المؤسسات ، حيث يوفر فريق التطوير الأساسي لديه الفرصة لعملاء المؤسسات لخدمة ، وتوسيع نطاق ، وتخصيص الانتشار المستقر أو النماذج التوليدية الكبيرة الأخرى وفقًا لاحتياجاتهم.
Gennaro هو منشئ FourWeekMBAالتي وصلت إلى حوالي أربعة ملايين رجل أعمال ، من المديرين التنفيذيين والمستثمرين والمحللين ومديري المنتجات ورواد الأعمال الرقمية الطموحين في عام 2022 وحده | وهو أيضًا مدير المبيعات لتوسيع نطاق التكنولوجيا الفائقة في صناعة الذكاء الاصطناعي | في عام 2012 ، حصل جينارو على ماجستير في إدارة الأعمال الدولية مع التركيز على تمويل الشركات واستراتيجية الأعمال.
