Νίτου Παθάκ, Συνιδρυτής και Διευθύνων Σύμβουλος της Skymel – Σειρά Συνεντεύξεων

Νίτου Παθάκ, Συνιδρυτής και Διευθύνων Σύμβουλος της Skymel, ηγείται της εταιρείας στην επανάσταση της συμπερασματικής τεχνητής νοημοσύνης με την καινοτόμο τεχνολογία NeuroSplit™. Μαζί με τον Τεχνικό Διευθυντή Σουσάντ Τριπάθι, οδηγεί την αποστολή της Skymel για την ενίσχυση της απόδοσης των εφαρμογών τεχνητής νοημοσύνης ενώ μειώνει τους υπολογιστικούς κόστους.

Το NeuroSplit™ είναι μια προσαρμοστική τεχνολογία συμπερασματικής που διανέμει δυναμικά τα φορτία εργασίας της τεχνητής νοημοσύνης μεταξύ των συσκευών των τελικών χρηστών και των διακομιστών του cloud. Αυτή η προσέγγιση αξιοποιεί τις ανενεργές υπολογιστικές πηγές στις συσκευές των χρηστών, μειώνοντας τους κόστους της υποδομής του cloud έως και 60%, επιταχύνοντας ταχύτητες συμπερασμού, διασφαλίζοντας την ιδιωτικότητα των δεδομένων και ενεργοποιώντας ομαλή κλιμάκωση.

Βελτιώνοντας την τοπική υπολογιστική ισχύ, το NeuroSplit™ επιτρέπει στις εφαρμογές της τεχνητής νοημοσύνης να εκτελούνται αποτελεσματικά ακόμη και σε παλαιότερες GPU, μειώνοντας σημαντικά τα κόστη ενώ βελτιώνει την εμπειρία του χρήστη.

Τι σας ενέπνευσε να συνιδρύσετε την Skymel και ποια ήταν τα βασικά προβλήματα της υποδομής της τεχνητής νοημοσύνης που επιδιώξετε να λύσετε με το NeuroSplit;

Η έμπνευση για την Skymel προήλθε από την σύγκλιση των συμπληρωματικών εμπειριών μας. Κατά τη διάρκεια της θητείας του στο Google (GOOGL ), ο συνιδρυτής μου, Σουσάντ Τριπάθι, αναπτύσσει μοντέλα τεχνητής νοημοσύνης με βάση την ομιλία σε δισεκατομμύρια συσκευές Android. Ανακάλυψε ότι υπήρχε một τεράστιο ποσό ανενεργής υπολογιστικής ισχύος στις συσκευές των τελικών χρηστών, αλλά οι περισσότερες εταιρείες δεν μπορούσαν να αξιοποιήσουν αποτελεσματικά αυτές τις πηγές λόγω των σύνθετων προκλήσεων μηχανικής για την πρόσβαση σε αυτές τις πηγές χωρίς να επηρεάσουν την εμπειρία του χρήστη.

Εν τω μεταξύ, η εμπειρία μου εργαζόμενη με επιχειρήσεις και startups στο Redis μου έδωσε βαθιά κατανόηση του πόσο κρίσιμο ήταν το ζήτημα της καθυστέρησης για τις επιχειρήσεις. Όσο πιο διαδεδομένες γίνονταν οι εφαρμογές της τεχνητής νοημοσύνης, ήταν σαφές ότι χρειαζόμασταν να μεταφέρουμε την επεξεργασία πιο κοντά στο σημείο όπου δημιουργούνταν τα δεδομένα, αντί να τα μεταφέρουμε συνεχώς πίσω και μπρος στα κέντρα δεδομένων.

Έτσι, ο Σουσάντ και εγώ συνειδητοποιήσαμε ότι το μέλλον δεν ήταν να επιλέξουμε μεταξύ τοπικής ή cloud επεξεργασίας, αλλά να δημιουργήσουμε μια έξυπνη τεχνολογία που θα μπορούσε να προσαρμοστεί ομαλά μεταξύ τοπικής, cloud ή υβριδικής επεξεργασίας με βάση κάθε συγκεκριμένη αίτηση συμπερασμού. Αυτή η ερμηνεία οδήγησε στην ίδρυση της Skymel και την ανάπτυξη του NeuroSplit, ξεπερνώντας τις παραδοσιακές περιορισμούς της υποδομής που εμπόδιζαν την καινοτομία της τεχνητής νοημοσύνης.

Μπορείτε να εξηγήσετε πώς το NeuroSplit δυναμικά βελτιστοποιεί τις υπολογιστικές πηγές ενώ διατηρεί την ιδιωτικότητα του χρήστη και την απόδοση;

Ένα από τα основικά προβλήματα της τοπικής συμπερασματικής της τεχνητής νοημοσύνης ήταν οι στατικές υπολογιστικές απαιτήσεις – παραδοσιακά, η εκτέλεση ενός μοντέλου της τεχνητής νοημοσύνης απαιτούσε τις ίδιες υπολογιστικές πηγές ανεξάρτητα από τις συνθήκες της συσκευής ή τη συμπεριφορά του χρήστη. Αυτή η προσέγγιση “ένα μέγεθος για όλους” αγνοεί την πραγματικότητα ότι οι συσκευές έχουν διαφορετικές δυνατότητες υλικού, από διάφορους επεξεργαστές (GPU, NPU, CPU, XPU) έως διαφορετικά εύρη.network, και οι χρήστες έχουν διαφορετικές συμπεριφορές όσον αφορά τη χρήση της εφαρμογής και τα πρότυπα φόρτισης.

Το NeuroSplit παρακολουθεί συνεχώς διάφορες τηλεμετρικές της συσκευής – από τις δυνατότητες του υλικού έως τη τρέχουσα χρήση των πόρων, την κατάσταση της μπαταρίας και τις συνθήκες του δικτύου. Επίσης, λαμβάνουμε υπόψη τα πρότυπα συμπεριφοράς του χρήστη, όπως το πόσο άλλες εφαρμογές εκτελούνται και τα τυπικά πρότυπα χρήσης της συσκευής. Αυτή η ολοκληρωμένη παρακολούθηση επιτρέπει στο NeuroSplit να καθορίσει δυναμικά πόσο inference compute μπορεί να εκτελεστεί ασφαλώς στη συσκευή του τελικού χρήστη ενώ βελτιστοποιεί τους δείκτες απόδοσης των dévelopers

Όταν η ιδιωτικότητα των δεδομένων είναι परमουθέντη, το NeuroSplit διασφαλίζει ότι τα ακατέργαστα δεδομένα δεν εγκαταλείπουν τη συσκευή, επεξεργαζόμενη τις ευαίσθητες πληροφορίες τοπικά ενώ διατηρεί την βέλτιστη απόδοση. Η ικανότητά μας να σπάσουμε, να κοψουμε ή να αποσυνδέσουμε τα μοντέλα της τεχνητής νοημοσύνης μας επιτρέπει να ταιριάξουμε 50-100 μοντέλα της τεχνητής νοημοσύνης στο χώρο μνήμης ενός μόνο quantized μοντέλου σε μια συσκευή του τελικού χρήστη. Σε πρακτικούς όρους, αυτό σημαίνει ότι οι χρήστες μπορούν να εκτελέσουν σημαντικά περισσότερες εφαρμογές της τεχνητής νοημοσύνης ταυτόχρονα, επεξεργαζόμενη ευαίσθητα δεδομένα τοπικά, σε σύγκριση με τις παραδοσιακές στατικές προσεγγίσεις.

Ποια είναι τα κύρια οφέλη της προσαρμοστικής συμπερασματικής του NeuroSplit για τις εταιρείες της τεχνητής νοημοσύνης, ιδιαίτερα εκείνες που εργάζονται με παλαιότερες τεχνολογίες GPU;

Το NeuroSplit προσφέρει τρία μετασχηματιστικά οφέλη για τις εταιρείες της τεχνητής νοημοσύνης. Πρώτον, μειώνει δραματικά τα κόστη της υποδομής μέσω δύο μηχανισμών: οι εταιρείες μπορούν να αξιοποιήσουν αποτελεσματικά φθηνότερες, παλαιότερες GPU, και η μοναδική μας ικανότητα να ταιριάξουμε και πλήρη και μοντέλα stub σε cloud GPU μας επιτρέπει να επιτύχουμε σημαντικά υψηλότερες ταχύτητες χρήσης GPU. Για παράδειγμα, μια εφαρμογή που τυπικά απαιτεί πολλαπλά NVIDIA (NVDA ) A100s με 2,74 δολάρια την ώρα μπορεί τώρα να εκτελεστεί σε ένα μόνο A100 ή πολλαπλά V100s με μόνο 83 σεντ την ώρα.

Δεύτερον, βελτιστοποιούμε σημαντικά την απόδοση επεξεργαζόνοντας τα αρχικά ακατέργαστα δεδομένα απευθείας στις συσκευές των χρηστών. Αυτό σημαίνει ότι τα δεδομένα που τελικά ταξιδεύουν στο cloud είναι πολύ μικρότερα σε μέγεθος, μειώνοντας σημαντικά την καθυστέρηση του δικτύου ενώ διατηρούμε την ακρίβεια. Αυτή η υβριδική προσέγγιση δίνει στις εταιρείες το καλύτερο από τα δύο κόσμους – την ταχύτητα της τοπικής επεξεργασίας με την δύναμη της υπολογιστικής στο cloud.

Τρίτον, επεξεργαζόμενη τα ευαίσθητα αρχικά δεδομένα επεξεργασίας στη συσκευή του τελικού χρήστη, βοηθάμε τις εταιρείες να διατηρήσουν ισχυρές προστασίες ιδιωτικότητας χωρίς να θυσιάζουν την απόδοση. Αυτό γίνεται ολοένα και πιο κρίσιμο καθώς οι κανονισμοί ιδιωτικότητας γίνονται πιο αυστηροί και οι χρήστες πιο συνειδητοποιημένοι για την ιδιωτικότητά τους.

Πώς η λύση της Skymel μειώνει τα κόστη για την συμπερασματική της τεχνητής νοημοσύνης χωρίς να επηρεάζει την πολυπλοκότητα ή την ακρίβεια του μοντέλου;

Πρώτον, διαχωρίζοντας τα ατομικά μοντέλα της τεχνητής νοημοσύνης, διανέμουμε τον υπολογισμό μεταξύ των συσκευών των χρηστών και του cloud. Το πρώτο μέρος εκτελείται στη συσκευή του τελικού χρήστη, χειριζόμενο το 5% έως 100% του συνολικού υπολογισμού ανάλογα με τις διαθέσιμες πηγές της συσκευής. Μόνο ο υπόλοιπος υπολογισμός χρειάζεται να επεξεργαστεί στα cloud GPU.

Αυτό το διαχωρισμό σημαίνει ότι τα cloud GPU χειρίζονται μειωμένο φορτίο υπολογισμού – αν ένα μοντέλο αρχικά απαιτούσε πλήρη A100 GPU, μετά το διαχωρισμό, αυτό το ίδιο φορτίο μπορεί να χρειαστεί μόνο το 30-40% της ικανότητας της GPU. Αυτό επιτρέπει στις εταιρείες να χρησιμοποιούν πιο οικονομικές περιπτώσεις GPU όπως το V100.

Δεύτερον, το NeuroSplit βελτιστοποιεί την उपयποίηση GPU στο cloud. Avec την αποτελεσματική διάταξη και των πλήρων μοντέλων και των μοντέλων stub (τα υπόλοιπα μέρη των διαχωρισμένων μοντέλων) στο ίδιο cloud GPU, επιτύχουμε σημαντικά υψηλότερες ταχύτητες χρήσης σε σύγκριση με τις παραδοσιακές προσεγγίσεις. Αυτό σημαίνει ότι περισσότερα μοντέλα μπορούν να εκτελεστούν ταυτόχρονα στη mesma cloud GPU, μειώνοντας περαιτέρω τα κόστη ανά inference.

Τι διακρίνει την υβριδική (τοπική + cloud) προσέγγιση της Skymel από άλλες λύσεις υποδομής της τεχνητής νοημοσύνης στην αγορά;

Το τοπίο της τεχνητής νοημοσύνης βρίσκεται σε ένα ενδιαφέρον σημείο εκτροπής. Ενώ η Apple (AAPL ), η Samsung και η Qualcomm (QCOM ) δείχνουν τη δύναμη της υβριδικής τεχνητής νοημοσύνης μέσω των χαρακτηριστικών του οικοσυστήματος, αυτά παραμένουν κλειστά κήποι. Αλλά η τεχνητή νοημοσύνη δεν πρέπει να περιορίζεται από το ποια συσκευή χρησιμοποιεί κάποιος.

Το NeuroSplit είναι ουσιαστικά αδιάκριτο, cloud-αδιάκριτο και αδιάκριτο για τα νευρωνικά δίκτυα. Αυτό σημαίνει ότι οι dévelopers μπορούν τελικά να προσφέρουν συνεπείς εμπειρίες της τεχνητής νοημοσύνης ανεξάρτητα από το αν οι χρήστες είναι σε iPhone, συσκευή Android ή laptop – ή αν χρησιμοποιούν AWS, Azure ή Google Cloud.

Σκεφτείτε τι σημαίνει αυτό για τους dévelopers. Μπορούν να κατασκευάσουν την εφαρμογή της τεχνητής νοημοσύνης τους μια φορά και να γνωρίζουν ότι θα προσαρμοστεί έξυπνα σε οποιαδήποτε συσκευή, οποιοδήποτε cloud και οποιαδήποτε αρχιτεκτονική νευρωνικού δικτύου. Không χρειάζεται να κατασκευάζουν διαφορετικές εκδόσεις για διαφορετικές πλατφόρμες ή να θυσιάζουν χαρακτηριστικά με βάση τις δυνατότητες της συσκευής.

Επανφέρουμε τις ικανότητες υβριδικής τεχνητής νοημοσύνης των επιχειρήσεων έξω από τους κλειστούς κήπους και τις κάνουμε καθολικά προσβάσιμες. Όσο η τεχνητή νοημοσύνη γίνεται κεντρική σε κάθε εφαρμογή, αυτό το είδος ευελιξίας και συν nhấtότητας δεν είναι απλώς ένα πλεονέκτημα – είναι απαραίτητο για την καινοτομία.

Πώς ο πράκτορας Orchestrator συμπληρώνει το NeuroSplit και ποιο ρόλο παίζει στη μετασχηματιστική της στρατηγικής ανάπτυξης της τεχνητής νοημοσύνης;

Ο πράκτορας Orchestrator (OA) και το NeuroSplit συνεργάζονται για να δημιουργήσουν ένα σύστημα ανάπτυξης της τεχνητής νοημοσύνης που auto-βελτιστοποιείται:

1. Οι dévelopers ορίζουν τα όρια:

• Περιορισμοί: επιτρεπόμενα μοντέλα, εκδόσεις, παρόχοι cloud, ζώνες, κανόνες συμμόρφωσης
• Στόχοι: στόχοι καθυστέρησης, όρια κόστους, απαιτήσεις απόδοσης, ανάγκες ιδιωτικότητας

2. Ο OA εργάζεται μέσα σε αυτά τα όρια για να επιτύχει τους στόχους:

• Αποφασίζει ποια μοντέλα/API να χρησιμοποιηθούν για κάθε αίτηση
• Προσαρμόζει στρατηγικές ανάπτυξης με βάση την πραγματική απόδοση
• Κάνει συμβιβασμούς για να βελτιστοποιήσει για τους καθορισμένους στόχους
• Μπορεί να αναμορφωθεί άμεσα καθώς αλλάζουν οι ανάγκες

3. Το NeuroSplit εκτελεί τις αποφάσεις του OA:

• Χρησιμοποιεί τηλεμετρικές δεδομένα συσκευής σε πραγματικό χρόνο για να βελτιστοποιήσει την εκτέλεση
• Διαχωρίζει την επεξεργασία μεταξύ συσκευής και cloud όταν είναι επωφελές
• Επιτρέπει σε κάθε inference να εκτελεστεί οπτικά με βάση τις τρέχουσες συνθήκες

Είναι σαν να έχετε ένα σύστημα της τεχνητής νοημοσύνης που αυτο-βελτιστοποιείται μέσα στα καθορισμένα κανόνες και στόχους σας, αντί να απαιτείται χειροκίνητη βελτιστοποίηση για κάθε σενάριο.

Πώς πιστεύετε ότι ο πράκτορας Orchestrator θα αναμορφώσει τον τρόπο με τον οποίο αναπτύσσεται η τεχνητή νοημοσύνη σε διάφορους κλάδους;

Λύνει τρία κρίσιμα προβλήματα που έχουν εμποδίσει την υιοθέτηση και την καινοτομία της τεχνητής νοημοσύνης.

Πρώτον, επιτρέπει στις εταιρείες να跟ουν το ρυθμό με τις τελευταίες προόδους της τεχνητής νοημοσύνης χωρίς κόπο. Με τον πράκτορα Orchestrator, μπορείτε να εκμεταλλευτείτε άμεσα τα νεότερα μοντέλα και τεχνικές χωρίς να ξαναδουλεύετε την υποδομή σας. Αυτό είναι ένα σημαντικό ανταγωνιστικό πλεονέκτημα σε ένα κόσμο όπου η καινοτομία της τεχνητής νοημοσύνης κινείται με ταχύτατο ρυθμό.

Δεύτερον, επιτρέπει τη δυναμική, ανά αίτηση βελτιστοποίηση της επιλογής μοντέλου της τεχνητής νοημοσύνης. Ο πράκτορας Orchestrator μπορεί να συνδυάσει έξυπνα μοντέλα από το τεράστιο οικοσύστημα επιλογών για να προσφέρει τα καλύτερα δυνατά αποτελέσματα για κάθε αλληλεπίδραση του χρήστη. Για παράδειγμα, ένα σύστημα εξυπηρέτησης πελατών της τεχνητής νοημοσύνης θα μπορούσε να χρησιμοποιήσει ένα εξειδικευμένο μοντέλο για τεχνικές ερωτήσεις και ένα διαφορετικό για ερωτήσεις χρέωσης, προσφέροντας καλύτερα αποτελέσματα για κάθε τύπο αλληλεπίδρασης.

Τρίτον, μεγιστοποιεί την απόδοση ενώ μειώνει τα κόστη. Ο πράκτορας αυτομάτως ισορροπεί μεταξύ της εκτέλεσης της τεχνητής νοημοσύνης στη συσκευή του χρήστη ή στο cloud με βάση το τι έχει περισσότερο νόημα σε εκείνη τη στιγμή. Όταν η ιδιωτικότητα είναι σημαντική, επεξεργάζεται τα δεδομένα τοπικά. Όταν απαιτείται 额外 υπολογιστική ισχύ, αξιοποιεί το cloud. Όλα αυτά συμβαίνουν πίσω από τις κulis, δημιουργώντας μια ομαλή εμπειρία για τους χρήστες ενώ βελτιστοποιεί τους πόρους για τις επιχειρήσεις.

Αλλά τι πραγματικά διακρίνει τον πράκτορα Orchestrator είναι το πώς επιτρέπει στις επιχειρήσεις να δημιουργήσουν επόμενες υπερ-προσαρμοσμένες εμπειρίες για τους χρήστες. Λήψη ενός πλαισίου ηλεκτρονικής μάθησης – με την τεχνολογία μας, μπορούν να κατασκευάσουν ένα σύστημα που προσαρμόζεται αυτόματα την προσέγγισή του στη διδασκαλία με βάση το επίπεδο κατανόησης του κάθε μαθητή. Όταν ένας χρήστης αναζητά “τεχνητή νοημοσύνη”, το πλάισιο δεν δείχνει μόνο γενικές αποτελέσματα – μπορεί να αξιολογήσει άμεσα την τρέχουσα κατανόησή του και να προσαρμόσει τις εξηγήσεις χρησιμοποιώντας έννοιες που ήδη γνωρίζει.

Τελικά, ο πράκτορας Orchestrator αντιπροσωπεύει το μέλλον της ανάπτυξης της τεχνητής νοημοσύνης – μια μετατόπιση από στατικές, μονολιθικές υποδομές της τεχνητής νοημοσύνης σε δυναμικές, προσαρμοστικές, auto-βελτιστοποιούμενες ορχηστρώσεις της τεχνητής νοημοσύνης. Δεν είναι απλώς για να κάνει την ανάπτυξη της τεχνητής νοημοσύνης πιο εύκολη – είναι για να κάνει εντελώς νέες κατηγορίες εφαρμογών της τεχνητής νοημοσύνης δυνατές.

Τι είδους ανατροφοδότηση έχετε λάβει μέχρι τώρα από εταιρείες που συμμετέχουν στην ιδιωτική beta του πράκτορα Orchestrator;

Η ανατροφοδότηση από τους συμμετέχοντες στην ιδιωτική beta μας έχει been εξαιρετική! Οι εταιρείες είναι ενθουσιασμένες που μπορούν να απελευθερωθούν από τον κλειστό κήπο, είτε πρόκειται για ιδιοκτησιακά μοντέλα είτε για υπηρεσίες φιλοξενίας. Η ικανότητα να μελλοντικοποιήσετε jede ανάπτυξη έχει been game-changer, αφαιρώντας τους φοβισμένους μήνες ανακατασκευής όταν αλλάζετε προσεγγίσεις.

Τα αποτελέσματα απόδοσης του NeuroSplit έχουν been απίστευτα – δεν μπορούμε να περιμένουμε να μοιραστούμε τα δεδομένα δημοσίως σύντομα. Τι είναι ιδιαίτερα ενθαρρυντικό είναι το πώς η ίδια η концепция της προσαρμοστικής ανάπτυξης της τεχνητής νοημοσύνης έχει κερδίσει τις φαντασίες. Το γεγονός ότι η τεχνητή νοημοσύνη αναπτύσσεται από μόνη της ακούγεται μελλοντικό και δεν είναι κάτι που θα περίμενε κανείς τώρα, οπότε απλώς από την τεχνολογική πρόοδο οι άνθρωποι ενθουσιάζονται για τις δυνατότητες και τις νέες αγορές που μπορεί να δημιουργηθούν στο μέλλον.

Με τις ταχύτατες προόδους στη γεννητική τεχνητή νοημοσύνη, τι βλέπετε ως τα επόμενα μεγάλα εμπόδια για την υποδομή της τεχνητής νοημοσύνης και πώς σχεδιάζει η Skymel να τα αντιμετωπίσει;

Προχωράμε προς ένα μέλλον που οι περισσότεροι δεν έχουν πλήρως κατανοήσει ακόμη: δεν θα υπάρχει ένα κυρίαρχο μοντέλο της τεχνητής νοημοσύνης, αλλά δισεκατομμύρια. Ακόμη και αν δημιουργήσουμε το πιο ισχυρό γενικό μοντέλο της τεχνητής νοημοσύνης, θα χρειαζόμαστε προσωπικά μοντέλα για κάθε άτομο στη Γη, κάθε ένα από τα οποία θα προσαρμοστεί σε μοναδικούς контекst, προτιμήσεις και ανάγκες. Αυτό σημαίνει τουλάχιστον 8 δισεκατομμύρια μοντέλα, με βάση τον πληθυσμό του πλανήτη.

Αυτό σηματοδοτεί μια επαναστατική αλλαγή από την προσέγγιση “ένα μέγεθος για όλους” σήμερα. Το μέλλον απαιτεί έξυπνη υποδομή που μπορεί να χειριστεί δισεκατομμύρια μοντέλα. Η Skymel δεν λύνει μόνο τις προκλήσεις ανάπτυξης της τεχνητής νοημοσύνης σήμερα – ο δρόμος της τεχνολογίας μας έχει ήδη αρχίσει να χτίζει τις βάσεις για το τι έρχεται μετά.

Πώς οραματίζεστε την εξέλιξη της υποδομής της τεχνητής νοημοσύνης τα επόμενα πέντε χρόνια και ποιο ρόλο βλέπετε την Skymel να παίζει σε αυτήν την εξέλιξη;

Το τοπίο της υποδομής της τεχνητής νοημοσύνης είναι έτοιμο να υποστεί μια θεμελιώδη αλλαγή. Ενώ η σημερινή εστίαση είναι στην κλιμάκωση γενικών μεγάλων μοντέλων της τεχνητής νοημοσύνης στο cloud, τα επόμενα πέντε χρόνια θα δούμε την τεχνητή νοημοσύνη να γίνεται βαθιά προσωπική και контекst-ευαίσθητη. Αυτό δεν είναι απλώς για την λεπτοβελτίωση – είναι για την τεχνητή νοημοσύνη που προσαρμόζεται σε συγκεκριμένους χρήστες, συσκευές και καταστάσεις σε πραγματικό χρόνο.

Αυτή η αλλαγή δημιουργεί δύο μεγάλα προβλήματα υποδομής. Πρώτον, η παραδοσιακή προσέγγιση της εκτέλεσης όλων των εργασιών στο cloud γίνεται τεχνικά και οικονομικά αβέβαιη. Δεύτερον, η αυξανόμενη πολυπλοκότητα των εφαρμογών της τεχνητής νοημοσύνης σημαίνει ότι χρειαζόμαστε υποδομή που μπορεί να βελτιστοποιήσει δυναμικά σε πολλαπλά μοντέλα, συσκευές και τοποθεσίες υπολογισμού.

Η Skymel χτίζει υποδομή που απευθύνεται ειδικά σε αυτά τα προβλήματα. Η τεχνολογία μας επιτρέπει στην τεχνητή νοημοσύνη να εκτελεστεί όπου έχει περισσότερο νόημα – είτε στη συσκευή όπου δημιουργούνται τα δεδομένα, είτε στο cloud όπου υπάρχει περισσότερη υπολογιστική ισχύ, είτε να μοιράζεται έξυπνα μεταξύ των δύο. Περισσότερο, λαμβάνει αυτές τις αποφάσεις σε πραγματικό χρόνο με βάση τις αλλαγμένες συνθήκες και απαιτήσεις.

Προβλέποντας, οι επιτυχημένες εφαρμογές της τεχνητής νοημοσύνης δεν θα ορίζονται από το μέγεθος των μοντέλων τους ή την ποσότητα υπολογισμού που μπορούν να αποκτήσουν. Θα ορίζονται από την ικανότητά τους να προσφέρουν προσωπικές, ανταποκρινόμενες εμπειρίες ενώ διαχειρίζονται αποτελεσματικά τους πόρους. Ο στόχος μας είναι να κάνουμε αυτό το επίπεδο έξυπνης βελτιστοποίησης προσβάσιμο σε κάθε εφαρμογή της τεχνητής νοημοσύνης, ανεξάρτητα από το μέγεθος ή την πολυπλοκότητα.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την Skymel.