تمكين عمليات النشر الحقيقية للذكاء الاصطناعي على نطاق واسع

بواسطة براد كينج، رئيس قسم التكنولوجيا، Scality

أدوات الذكاء الاصطناعي والتعلم الآلي والبيانات الكبيرة لها خيط مشترك – وهي تحتاج إلى بيانات، والكثير منها. يعتقد المعروف أن الكمية الأكبر، أفضل. يتوقع المحللون أن يصل إنتاج البيانات العالمية إلى أكثر من 180 زيتابايت بحلول عام 2025 – وفي عام 2020، بلغت كمية البيانات التي تم إنشاؤها وتكرارها رقمًا قياسيًا جديدًا بلغ 64.2 زيتابايت.

تعد هذه البيانات قيمة للغاية – في كثير من الأحيان لا يمكن استبدالها وأحيانًا تمثل أحداثًا فريدة من نوعها أو نادرة الحدوث. تحتاج هذه البيانات إلى تخزين آمن ومأمون؛ وفي حين أنه من المتوقع أن يتم الاحتفاظ بنسبة صغيرة فقط من هذه البيانات الجديدة، يستمر الطلب على سعة التخزين في النمو. في الواقع، من المتوقع أن ينمو الأساس المثبت لسعة التخزين بنسبة نمو سنوي مركب تبلغ 19.2٪ بين عامي 2020 و 2025، وفقًا لباحثين في Statista.

مع زيادة كمية البيانات التي يتم إنشاؤها – ولا سيما بواسطة حمولات الذكاء الاصطناعي والتعلم الآلي – تحتاج المنظمات إلى مزيد من التخزين، ولكن ليس جميع حلول التخزين قادرة على التعامل مع هذه الحمولات الكبيرة والكثيفة. ما هو مطلوب هو نهج جديد للتخزين. دعونا ننظر كيف تتغلب المنظمات على هذه التحديات من خلال ثلاثة casos.

صناعة السفر

بينما ما زال الكثير منا يتأقلم مع السفر مرة أخرى بعد أكثر من عام من الإغلاقات، تسعى صناعة السفر إلى العودة إلى الأوقات السابقة للجائحة بطرق كبيرة. وهذا يجعل أهمية البيانات – ولا سيما التطبيق والاستخدام الصحيح لتلك البيانات – أكثر أهمية.

تخيل ما يمكنك فعله مع معرفة مكان معظم مسافري الطائرات في العالم الذين سيذهبون إلى السفر في الغد أو إلى أين سيذهبون غدًا. لمكتب السفر، على سبيل المثال، سيكون ذلك ضخمًا.

لكن هذه المنظمات السياحية تتعامل مع كمية هائلة من البيانات بحيث يصبح من المهم تحديد ما هو مهم. يتم إنشاء بيتابايت من البيانات كل يوم، وبعض هذه البيانات مكررة من مواقع مثل Kayak. هذه البيانات حساسة للزمن، ويتعين على شركات السفر اكتشاف بسرعة ما هي البيانات المهمة. تحتاجون إلى أداة لتمكينهم من إدارة هذه المستوى من الحجم بشكل أكثر فعالية.

صناعة السيارات

مثال آخر يأتي من صناعة السيارات، التي تعد واحدة من أكثر الحالات التي يتم الحديث عنها. لقد عملت الصناعة لمدة طويلة مع أدوات المساعدة مثل مراقبة الحارة وتجنب الاصطدام وغيرها. جميع هذه المستشعرات تقدم كميات كبيرة من البيانات. وبالطبع، يتم تطوير واختبار وتأكيد خوارزميات القيادة الذاتية.

ما تحتاجه الصناعة هو طريقة أفضل لفهم هذه البيانات المخزنة بحيث يمكن استخدامها لتحليل الحوادث التي حدثت فيها مشكلة، وتنقية الإخراجات الحسية كحالة اختبار، واختبار الخوارزميات ضد بيانات الحس. تحتاجون إلى اختبار الجودة لتجنب الانحدارات، ويتعين عليهم توثيق الحالات التي فشلت.

الطب الرقمي

هناك حالة استخدام مثيرة للاهتمام للذكاء الاصطناعي والتعلم الآلي التي تعاني أيضًا من فيضان البيانات وضرورة استخدام البيانات بشكل أفضل هو الطب الرقمي. مثل الأمثلة الأخرى، ما يحتاجونه حقًا هو القدرة على استخدام هذه البيانات بشكل أفضل بحيث يمكنهم فعل أشياء مثل الكشف التلقائي عن الأمراض في عينات الأنسجة، وأداء التشخيص عن بعد، إلخ.

لكن التخزين اليوم يحد من الاستخدام. الصور ذات الدقة المفيدة كبيرة جدًا بحيث لا يمكن تخزينها بأسعار معقولة. ومع ذلك، فإن التخزين السريع للكائنات سيتمكن من تمكين قدرات جديدة – مثل بنوك الصور التي يمكن استخدامها كموارد تدريب رئيسية واستخدام المنحنيات التي تملأ الفضاء لتسمية وتخزين استرجاع الصور متعددة الدقة في مخزن الكائنات. كما أنه يتيح وضع علامات متعددة ومرنة، مما يسهل البحث عن هذه المعلومات وفهمها.

تحميلات الذكاء الاصطناعي تتطلب نهجًا جديدًا

كما رأينا في الحالات الثلاث السابقة، من المهم أن نتمكن من تجميع وتوجيه كميات هائلة من البيانات المتعلقة بتحميلات الذكاء الاصطناعي والتعلم الآلي. غالبًا ما تصل مجموعات البيانات إلى حجم تيرا بايت، مع متطلبات أداء قد تشبع البنية التحتية بأكملها. عند التعامل مع مجموعات بيانات التدريب والاختبار على نطاق كبير، فإن التغلب على معوقات التخزين (مشاكل التأخير و/أو مشاكل الإنتاجية) ومحدوديات السعة / الحواجز هو عناصر أساسية للنجاح.

تحتاج تحميلات الذكاء الاصطناعي والتعلم الآلي والتعلم العميق إلى بنية تخزين يمكنها الحفاظ على تدفق البيانات عبر الأنابيب، مع أداء إدخال وإخراج خام ممتاز وقدرة على توسيع السعة. يجب أن تظل البنية التحتية لتخزين البيانات متزامنة مع المتطلبات المتزايدة عبر جميع مراحل أنابيب الذكاء الاصطناعي والتعلم الآلي والتعلم العميق. الحل هو بنية تخزين مصممة خصيصًا للسرعة والنمو غير المحدود.

استخراج القيمة

لا يمر أسبوع دون قصص عن إمكانات الذكاء الاصطناعي والتعلم الآلي لتغيير العمليات التجارية والحياة اليومية. هناك العديد من الحالات التي تظهر بوضوح فوائد استخدام هذه التكنولوجيا. ومع ذلك، فإن واقع الذكاء الاصطناعي في المؤسسات اليوم هو واقع مجموعات بيانات ضخمة وحلول تخزين لا تستطيع إدارة هذه الحمولات الهائلة. لا يمكن للمبتكرات في السيارات والرعاية الصحية وغيرها من الصناعات أن تتقدم حتى يتم حل مشكلة التخزين. يغلب التخزين السريع للكائنات على تحدي الاحتفاظ بالبيانات الكبيرة بحيث يمكن للمنظمات استخراج القيمة من هذه البيانات وتحريك أعمالها إلى الأمام.