Anaconda تكتسب Outerbounds لتوحيد تطوير الذكاء الاصطناعي في الشركات

Anaconda قد اكتسبت Outerbounds، مما يجعل معًا طبقتين من نظام البيئة الاصطناعية في الشركات التي كانت منقسمة تاريخيًا: بيئات التطوير وتنسيق الإنتاج.

في جوهره، يتضمن هذا التحول تحولًا في كيفية بناء أنظمة الذكاء الاصطناعي. بدلاً من معاملة النماذج على أنها مجرد مكونات داخل البرامج التقليدية، فإن الشركات الآن تصمم تطبيقات حيث يجلس النموذج في المركز. هذا التحول قد كشف عن فجوة كبيرة بين التجربة والإنتاج، وهي فجوة تهدف هذه الصفقة明显 إلى سدها.

من الأساس البايثوني إلى دورة حياة الذكاء الاصطناعي الكاملة

لقد كان Anaconda نقطة البداية لعمل العلوم البيانية والذكاء الاصطناعي، ولا سيما في بايثون. تم بناء منصته حول إدارة الحزم والاعتماديات والبيئات بطريقة تقلل الاحتكاك للمطورين مع الحفاظ على الأمان والتناسق. إنه يعطي الفرق وصولًا إلى آلاف المكتبات والأدوات المسبقة، مما يسمح لهم بالتحرك بسرعة دون الحاجة إلى تصحيح مشاكل التوافق أو المخاطر الخفية باستمرار.

ما لم يكن يملكه تقليديًا هو الرحلة الكاملة بعد هذه النقطة. بمجرد بناء النماذج، لا تزال الشركات بحاجة إلى تنسيق سير العمل وتوسيع الحوسبة وتتبع التجارب وإدارة التوزيعات عبر البنية التحتية المعقدة بشكل متزايد.

هنا يأتي دور Outerbounds.

ما يضيفه Outerbounds إلى المعادلة

تم تصميم Outerbounds لحل الجانب التشغيلي من التعلم الآلي. منصته، التي تم بناؤها على إطار Metaflow المفتوح المصدر الذي تم تطويره في البداية في Netflix ، تركز على كيفية تشغيل أنظمة الذكاء الاصطناعي في بيئات الإنتاج.

بدلاً من مجرد تنفيذ التعليمات البرمجية، إنه يدير دورة حياة كاملة لتدفقات التعلم الآلي. هذا يشمل تنسيق خطوات متعددة، وتتبع التجارب بمرور الوقت، وتحديد مواقع البيانات، وتوزيع الحمل العامل عبر البنية التحتية السحابية أو الهجينة. تم تصميم النظام للعمل عبر أي بنية تحتية تستخدمها الشركة بالفعل، مما جعله جذابًا للمنظمات التي تريد المرونة بدلاً من القفل في مزود سحابي واحد.

هذا ليس مجرد تطبيق تلقائي. إنه عن جعل أنظمة الذكاء الاصطناعي المعقدة قابلة للملاحظة والتنفيذ، مما يصبح حرجًا بمجرد انتقال النماذج من النماذج الأولية إلى الأنظمة التي تعمل بشكل مستمر وتتطور.

لماذا تهتم هذه الجمعية

تجمع Anaconda وOuterbounds مسارًا أكثر استمرارية من التجربة إلى الإنتاج.

بدلاً من بناء المطورين للنماذج في بيئة واحدة ثم تسليمها إلى مجموعة أدوات مختلفة تمامًا للنشر، يسمح المنصة المدمجة لتلك المراحل بالوجود داخل نفس النظام الخاضع للرقابة. هذه الاستمرارية تقلل الاحتكاك، ولكن أكثر من ذلك، تقلل المخاطر. يزداد رمز الذكاء الاصطناعي بسرعة، ويتزايد معه معدل العيوب والاعتماديات غير الآمنة. يحتاج إدارة تلك المخاطر إلى رؤية عبر دورة الحياة الكاملة، وليس فقط في مراحل معزولة.

من خلال دمج البيئات الآمنة وإدارة الاعتماديات وتنسيق الحوكمة في نظام واحد، يتم وضع المنصة لتعامل مع تعقيد التطبيقات الأصلية للذكاء الاصطناعي دون إجبار الفرق على إعادة بناء سير العمل من الصفر.

التغيير الأوسع في بنية الذكاء الاصطناعي

كما يسلط هذا الاستحواذ الضوء على اتجاه أكبر: توحيد حزمة أدوات الذكاء الاصطناعي.

قضت الشركات السنوات القليلة الماضية في تجميع مجموعات من الأدوات للتعامل مع أجزاء مختلفة من دورة حياة الذكاء الاصطناعي. هذا النهج يعمل في النطاق الصغير، ولكنه يصبح هشًا مع نمو الأنظمة وتعقدها وأهميتها لعمليات الأعمال. يتحرك الصناعة الآن نحو منصات توحد هذه الطبقات مع السماح للفرق بالحفاظ على السيطرة على بنيتهم التحتية.

التحدي هو تحقيق التوازن بين التكامل والمرونة. تريد المنظمات نظامًا مبسطًا، ولكنها تزداد حذرًا من القفل في النظم التي تسيطر عليها مجموعة صغيرة من البائعين المهيمنين.

ما يجعل هذا التحول ملحوظًا هو أن كلاً من Anaconda وOuterbounds قد أبرزت تاريخيًا الانفتاح واعتماد البنية التحتية. إذا استمرت هذه الفلسفة في المنصة المدمجة، فإنه يشير إلى نموذج حيث يمكن للشركات توحيد سير عمل الذكاء الاصطناعي دون التخلي عن السيطرة على مكان تشغيل تلك الأنظمة وكيفية تشغيلها.

قد يصبح هذا التوازن في النهاية واحدًا من العوامل الحاسمة في كيفية تطور بنية الذكاء الاصطناعي في الشركات خلال السنوات القليلة القادمة.