قادة الفكر
تمكين عمليات النشر الحقيقية للذكاء الاصطناعي بمقاييس كبيرة
بواسطة براد كينج، رئيس قسم التكنولوجيا، Scality
أدوات الذكاء الاصطناعي والتعلم الآلي والبيانات الكبيرة لها خيط مشترك – أنها تحتاج إلى بيانات، وهي تحتاج إلى الكثير منها. الحكمة التقليدية تقول أن الكمية الأكبر، أفضل. يتوقع المحللون أن يصل إنتاج البيانات العالمي إلى أكثر من 180 زيتابايت بحلول عام 2025 – وفي عام 2020، بلغت كمية البيانات التي تم إنشاؤها ونسخها رقمًا قياسيًا جديدًا يصل إلى 64.2 زيتابايت.
تعد هذه البيانات قيمة للغاية – غالبًا لا يمكن استبدالها وأحيانًا تمثل أحداثًا فريدة من نوعها أو حدثًا من مرة إلى أخرى. تحتاج هذه البيانات إلى تخزين آمن ومأمون؛ وفي حين أنه من المقدر أن يتم الاحتفاظ بنسبة صغيرة فقط من هذه البيانات الجديدة، يستمر الطلب على سعة التخزين في النمو. وفي الواقع، من المتوقع أن ينمو الأساس المثبت لسعة التخزين بنسبة نمو سنوية مركبة تبلغ 19.2٪ بين عامي 2020 و2025، وفقًا لباحثي Statista.
مع زيادة إنشاء البيانات – وخاصة من قبل 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 عدسة ثلاث حالات استخدام.
صناعة السفر
في حين أن العديد منا ما زال يعتاد على السفر مرة أخرى بعد أكثر من عام من الإغلاقات، فإن صناعة السفر تتطلع إلى العودة إلى الأوقات السابقة للجائحة بطرق كبيرة. وهذا يجعل أهمية البيانات – وخاصة التطبيق والاستخدام الصحيح لتلك البيانات – أكثر أهمية.
تخيل ما يمكنك فعله مع المعرفة بمكان معظم المسافرين في العالم الذين سيذهبون إلى السفر في المرة القادمة أو إلى أين سيذهبون غدًا. بالنسبة لوكالة السفر، على سبيل المثال، سيكون ذلك كبيرًا.
لكن هذه المنظمات السياحية تتعامل مع الكثير من البيانات بحيث يصبح تصفية ما هو مهم أمرًا مخنوقًا. يتم إنشاء بيتابايت من البيانات كل يوم، وبعض من هذه البيانات يتم تكرارها من قبل المواقع مثل كاياك. هذه البيانات حساسة للزمن، وشركات السفر تحتاج إلى اكتشاف سريع لما هي البيانات المهمة. تحتاجون إلى أداة لتكون قادرة على إدارة هذا المستوى من المقاييس بشكل أكثر فعالية.
صناعة السيارات
مثال آخر يأتي من صناعة السيارات، والتي هي واحدة من أكثر الحالات استخدامًا التي يتم الحديث عنها. لقد عملت الصناعة بجد لمدة طويلة مع أدوات المساعدة مثل lane minders وcollision avoidance وغيرها. جميع هذه المستشعرات تجلب كميات كبيرة من البيانات. وبالطبع، فإنهم يطورون ويتجربون ويتحققون من خوارزميات القيادة الذاتية.
ما تحتاجه الصناعة هو طريقة أفضل لفهم هذه البيانات المخزنة بحيث يمكنهم استخدامها لتحليل الحوادث التي حدثت فيها شيء خاطئ، وتنقية إخراجات المستشعرات كحالة اختبار، واختبار الخوارزميات ضد بيانات المستشعرات والمزيد. تحتاجون إلى اختبار جودة للتخلص من الانحدارات، وهم بحاجة إلى توثيق الحالات التي فشلت.
المرضية الرقمية
هناك حالة استخدام مثيرة للاهتمام أخرى للذكاء الاصطناعي والتعلم الآلي التي تعاني أيضًا من فيضان البيانات وضرورة جعل استخدام أفضل للبيانات هي المرضية الرقمية. تمامًا مثل الأمثلة الأخرى، ما يحتاجون إليه حقًا هو القدرة على جعل استخدام أفضل لهذه البيانات بحيث يمكنهم القيام بأشياء مثل الكشف التلقائي عن الأمراض في عينات الأنسجة، وأداء التشخيص عن بعد والمزيد.
لكن التخزين اليوم يحد من الاستخدام. الصور ذات الدقة المفيدة كبيرة جدًا بحيث لا يمكن تخزينها باقتصاد. ومع ذلك، فإن التخزين السريع للكائنات سيتمكن من القدرات الجديدة – مثل بنوك الصور التي يمكن استخدامها كمورد تدريبي رئيسي واستخدام المنحنيات التي تملأ الفراغ لتسمية وتخزين واسترجاع الصور متعددة الدقة في مخزن الكائنات. كما أنه يسمح بالتعليمات القابلة للتوسيع والمرنة، مما يسهل البحث عن هذه المعلومات وفهمها.
حمولات الذكاء الاصطناعي تتطلب نهجًا جديدًا
كما رأينا في الحالات الثلاث السابقة، من الضروري القدرة على تجميع وتنسيق كميات هائلة من البيانات المتعلقة بحمولات الذكاء الاصطناعي والتعلم الآلي. غالبًا ما تصل مجموعات البيانات إلى مقياس متعدد البيتات، مع متطلبات الأداء التي يمكن أن تشبع البنية التحتية بأكملها. عند التعامل مع مجموعات بيانات التدريب والاختبار الكبيرة، التغلب على معوقات التخزين (مشاكل التأخير و/أو مشاكل الإنتاجية) ومحدوديات السعة / الحواجز هي عناصر رئيسية للنجاح.
تحتاج حمولات الذكاء الاصطناعي والتعلم الآلي والتعلم العميق إلى بنية تخزين يمكنها الحفاظ على تدفق البيانات عبر الأنابيب، مع أداء إدخال / إخراج خام ممتاز وقدرة على التوسع. يجب أن تتوافق البنية التحتية للتخزين مع المتطلبات المتزايدة بشكل متزايد عبر جميع مراحل أنابيب الذكاء الاصطناعي والتعلم الآلي والتعلم العميق. الحل هو بنية تخزين مصممة خصيصًا للسرعة والتوسع غير المحدود.
استخراج القيمة
لا يمر أسبوع دون قصص عن إمكانات الذكاء الاصطناعي والتعلم الآلي لتغيير العمليات التجارية والحياة اليومية. هناك العديد من الحالات استخدام التي تظهر بوضوح فوائد استخدام هذه التكنولوجيا. واقع الذكاء الاصطناعي في المؤسسات اليوم، ومع ذلك، هو واقع مجموعات بيانات ضخمة وحلول تخزين لا تستطيع التعامل مع هذه الحمولات الكبيرة. لا يمكن أن تتقدم الابتكارات في السيارات والرعاية الصحية والعديد من الصناعات الأخرى حتى يتم حل مشكلة التخزين. يغلب التخزين السريع للكائنات على تحدي الاحتفاظ بالبيانات الكبيرة بحيث يمكن للمنظمات استخراج القيمة من هذه البيانات لتقدّم أعمالهم إلى الأمام.
