Neetu Pathak, Συνιδρυτής και CEO της Skymel – Σειρά Συνεντεύξεων

Neetu Pathak, Συνιδρυτής και CEO της Skymel, οδηγεί την εταιρεία στην επανάσταση της συμπερασματικής τεχνητής νοημοσύνης με την καινοτόμο τεχνολογία NeuroSplit™. Μαζί με τον CTO Sushant Tripathy, οδηγεί την αποστολή της Skymel για την ενίσχυση της απόδοσης των εφαρμογών της τεχνητής νοημοσύνης ενώ μειώνει τους υπολογιστικούς κόστους.

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

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

Τι σας έμπνευσε να συνιδρύσετε την Skymel, και ποια ήταν τα βασικά προβλήματα της υποδομής της τεχνητής νοημοσύνης που στόχευε να λύσει με την NeuroSplit;

Η έμπνευση για την Skymel προήλθε από την σύγκλιση των συμπληρωματικών εμπειριών μας. Κατά τη διάρκεια της θητείας του στο Google, ο συνιδρυτής μου, Sushant Tripathy, αναπτυσσόταν με βάση τα μοντέλα της τεχνητής νοημοσύνης σε δισεκατομμύρια συσκευές Android. Ανακάλυψε ότι υπήρχε ένα τεράστιο ποσό ανενεργής υπολογιστικής ισχύος διαθέσιμης στις συσκευές των τελικών χρηστών, αλλά οι περισσότερες εταιρείες δεν μπορούσαν να την αξιοποιήσουν αποτελεσματικά 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 λάθος για τις επιχειρήσεις. Όσο οι εφαρμογές της τεχνητής νοημοσύνης έγιναν πιο διαδεδομένες, ήταν σαφές ότι χρειαζόμασταν να μεταφέρουμε την επεξεργασία πιο κοντά στο σημείο όπου δημιουργούνταν τα δεδομένα, αντί να μεταφέρουμε συνεχώς τα δεδομένα πίσω και εμπρός στα κέντρα δεδομένων.

Εκείνη τη στιγμή, ο Sushant και εγώ συνειδητοποιήσαμε ότι το μέλλον δεν ήταν για την επιλογή μεταξύ τοπικής ή cloud επεξεργασίας – ήταν για τη δημιουργία μιας έξυπνης τεχνολογίας που θα μπορούσε να προσαρμοστεί άψογα μεταξύ τοπικής, cloud ή υβριδικής επεξεργασίας με βάση κάθε συγκεκριμένη αίτηση συμπερασμού. Αυτή η εικόνα μας οδήγησε να ιδρύσουμε την Skymel και να αναπτύξουμε την NeuroSplit, μετακινώντας πέρα από τις παραδοσιακές περιορισμούς της υποδομής που κρατούσαν πίσω την καινοτομία της τεχνητής νοημοσύνης.

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

Ένα από τα основικά προβλήματα της τοπικής συμπερασματικής 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 ικανότητες υλικού, από διάφορους πυρήνες (GPU, NPU, CPU, XPU) σε διαφορετικά εύρη.bandwidth δικτύου, και οι χρήστες έχουν διαφορετικές συμπεριφορές όσον αφορά τη χρήση της εφαρμογής και τα πρότυπα φόρτισης.

Η NeuroSplit συνεχίζει να παρακολουθεί διάφορες τηλεμετρικές συσκευών – από τις ικανότητες υλικού έως τη τρέχουσα χρήση πόρων, την κατάσταση της μπαταρίας και τις συνθήκες του δικτύου. Επίσης, λαμβάνουμε υπόψη τα πρότυπα συμπεριφοράς των χρηστών, όπως το πόσα άλλα προγράμματα εκτελούνται και τα τυπικά πρότυπα χρήσης της συσκευής. Αυτή η綜合ική παρακολούθηση επιτρέπει στην NeuroSplit να καθορίσει δυναμικά πόσο inference υπολογισμός μπορεί να εκτελεστεί ασφαλώς στη συσκευή του τελικού χρήστη ενώ βελτιστοποιεί τους δείκτες απόδοσης των développers.

Όταν η ιδιωτικότητα των δεδομένων είναι परमουθέντη, η NeuroSplit διασφαλίζει ότι τα ακατέργαστα δεδομένα δεν εγκαταλείπουν τη συσκευή, επεξεργαζόμενη ευαίσθητες πληροφορίες τοπικά ενώ διατηρεί την βέλτιστη απόδοση. Η ικανότητά μας να σπάσουμε, να κοψούμε ή να αποσυνδέσουμε τα μοντέλα της τεχνητής νοημοσύνης μας επιτρέπει να ταιριάξουμε 50-100 μοντέλα της τεχνητής νοημοσύνης στο χώρο μνήμης μόνο ενός 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, επεξεργαζόμενες ευαίσθητα δεδομένα τοπικά, σε σύγκριση με τις παραδοσιακές στατικές υπολογιστικές προσεγγίσεις.

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

Η NeuroSplit παρέχει τρία μετασχηματιστικά οφέλη για τις εταιρείες της τεχνητής νοημοσύνης. Πρώτον, μειώνει δραματικά τα κόστους της υποδομής μέσω δύο μηχανισμών: οι εταιρείες μπορούν να αξιοποιήσουν φθηνότερες, παλαιότερες GPU αποτελεσματικά, και η μοναδική μας ικανότητα να ταιριάξουμε και πλήρη και stub μοντέλα σε cloud GPU ermögίζει σημαντικά υψηλότερες ταχύτητες GPU. Για παράδειγμα, μια εφαρμογή που απαιτεί συνήθως πολλαπλά NVIDIA A100s στα $2.74 την ώρα μπορεί τώρα να εκτελεστεί σε ένα μόνο A100 ή πολλαπλά V100s στα 83 σεντ την ώρα.

Δεύτερον, βελτιστοποιούμε σημαντικά την απόδοση επεξεργαζόμενων των αρχικών ακατέργαστων δεδομένων直接 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 διατηρεί την ακρίβεια. Αυτή η υβριδική προσέγγιση δίνει στις εταιρείες το καλύτερο από τα δύο κόσμους – την ταχύτητα της τοπικής επεξεργασίας με τη δύναμη της cloud υπολογιστικής.

Τρίτον, χειριζόμαστε την ευαίσθητη αρχική επεξεργασία δεδομένων στις συσκευές των χρηστών, βοηθώντας τις εταιρείες να διατηρήσουν ισχυρές προστασίες ιδιωτικότητας του χρήστη χωρίς να θυσιάζουν την απόδοση. Αυτό είναι ολοένα και πιο κρίσιμο καθώς οι κανονισμοί ιδιωτικότητας γίνονται αυστηρότεροι και οι χρήστες πιο ιδιωτικοί.

Πώς η λύση της Skymel μειώνει τα κόστους για την συμπερασματική τεχνητή νοημοσύνη χωρίς να επηρεάζει την复잡ικότητα ή την ακρίβεια του μοντέλου;

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

Αυτή η διαίρεση σημαίνει ότι τα cloud GPU χειρίζονται μειωμένο υπολογιστικό φορτίο – αν ένα μοντέλο αρχικά απαιτούσε πλήρη A100 GPU, μετά τη διαίρεση, αυτό το 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, η NeuroSplit βελτιστοποιεί την उपयποίηση GPU στο cloud. Με την αποτελεσματική διαρρύθμιση και των πλήρων μοντέλων και των stub μοντέλων (τα υπόλοιπα μέρη των διαχωρισμένων μοντέλων) στο ίδιο cloud GPU, επιτύχουμε σημαντικά υψηλότερες ταχύτητες उपयποίησης σε σύγκριση με τις παραδοσιακές προσεγγίσεις. Αυτό σημαίνει ότι περισσότερα μοντέλα μπορούν να εκτελεστούν ταυτόχρονα στο ίδιο cloud GPU, μειώνοντας περαιτέρω τα κόστους 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 φασcinující σημείο. Ενώ η Apple, η Samsung και η Qualcomm επίδειξαν τη δύναμη της υβριδικής τεχνητής νοημοσύνης μέσω των χαρακτηριστικών του ecosystem, αυτά παραμένουν κλειστά κήπη. Αλλά η τεχνητή νοημοσύνη δεν πρέπει να περιορίζεται από το ποια συσκευή χρησιμοποιεί κάποιος.

Η NeuroSplit είναι θεμελιωδώς αδιάκριτη συσκευή, αδιάκριτη cloud και αδιάκριτη νευρωνική αρχιτεκτονική. Αυτό σημαίνει ότι οι développers 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 développers. Μπορούν να χτίσουν την εφαρμογή της τεχνητής νοημοσύνης τους μια φορά και να γνωρίζουν ότι θα προσαρμοστεί έξυπνα σε οποιαδήποτε συσκευή, οποιοδήποτε cloud και οποιαδήποτε νευρωνική αρχιτεκτονική. Không χρειάζεται να χτίσουν διαφορετικές εκδόσεις για διαφορετικές πλατφόρμες ή να θυσιάσουν χαρακτηριστικά με βάση τις ικανότητες της συσκευής.

Επανφέρουμε τις ικανότητες υβριδικής τεχνητής νοημοσύνης από τα κλειστά κήπη και τις κάνουμε παγκοσμίως προσβάσιμες. Όσο η τεχνητή νοημοσύνη γίνεται κεντρική σε κάθε εφαρμογή, αυτή η ευελιξία και συνεπής δεν είναι απλώς ένα πλεονέκτημα – είναι απαραίτητη για την καινοτομία.

Πώς ο Agent Orchestrator συμπληρώνει την NeuroSplit, και ποιο ρόλο παίζει στην μετασχηματιστική στρατηγική της τεχνητής νοημοσύνης;

Ο Agent Orchestrator (OA) και η NeuroSplit συνεργάζονται για να δημιουργήσουν ένα αυτο-βελτιστοποιημένο σύστημα ανάπτυξης της τεχνητής νοημοσύνης:

1. Οι développers ορίζουν τα όρια:

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

2. Ο OA εργάζεται μέσα σε αυτούς τους περιορισμούς για την επίτευξη των στόχων:

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

3. Η NeuroSplit εκτελεί τις αποφάσεις του OA:

• Χρησιμοποιεί τηλεμετρία συσκευής σε πραγματικό χρόνο για την оптимποίηση της εκτέλεσης
• Διαχωρίζει την επεξεργασία μεταξύ της συσκευής και του cloud όταν είναι ευνοϊκό
• Επιβεβαιώνει ότι κάθε inference εκτελείται βέλτιστα με βάση τις τρέχουσες συνθήκες

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

Πώς εικονίζετε τον Agent Orchestrator να ανασχηματίζει τον τρόπο με τον οποίο αναπτύσσεται η τεχνητή νοημοσύνη σε διάφορους κλάδους;

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

Πρώτον, επιτρέπει στις εταιρείες να跟πουν το ρυθμό με τις τελευταίες προόδους της τεχνητής νοημοσύνης χωρίς κόπο. Με τον Agent Orchestrator, μπορείτε να εκμεταλλευτείτε άμεσα τα νεότερα μοντέλα και τεχνικές χωρίς να ξαναδουλέψετε 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 του μοντέλου της τεχνητής νοημοσύνης. Ο Agent Orchestrator μπορεί να συνδυάσει έξυπνα μοντέλα από το τεράστιο οικοσύστημα των επιλογών για να παραδώσει 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 σχετικά με την τιμολόγηση, παρέχοντας καλύτερα αποτελέσματα για κάθε τύπο αλληλεπίδρασης.

Τρίτον, μεγιστοποιεί την απόδοση ενώ μειώνει τα κόστους. Ο Agent αυτόματα ισορροπεί μεταξύ της εκτέλεσης της τεχνητής νοημοσύνης στη συσκευή του χρήστη ή στο cloud με βάση τι έχει πιο νόημα εκείνη τη στιγμή. Όταν η ιδιωτικότητα είναι σημαντική, επεξεργάζεται τα δεδομένα τοπικά. Όταν χρειάζεται επιπλέον 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 αυτό που πραγματικά διακρίνει τον Agent Orchestrator είναι το πώς επιτρέπει στις επιχειρήσεις να δημιουργήσουν επόμενης γενιάς υπερ-προσωποποιημένες εμπειρίες για τους χρήστες τους. Λήψη ενός ε-learning platform – με την τεχνολογία μας, μπορούν να χτίσουν ένα σύστημα που προσαρμόζεται αυτόματα στη διδασκαλία με βάση το επίπεδο κατανόησης του κάθε μαθητή. Όταν ένας χρήστης αναζητά “τεχνητή νοημοσύνη”, η πλατφόρμα δεν δείχνει απλώς γενικούς αποτελέσματα – μπορεί να αξιολογήσει άμεσα την τρέχουσα κατανόηση και να προσαρμόσει τις εξηγήσεις χρησιμοποιώντας έννοιες που ήδη γνωρίζουν.

Τελικά, ο Agent Orchestrator αντιπροσωπεύει το μέλλον της ανάπτυξης της τεχνητής νοημοσύνης – μια μετάβαση από στατικές, μονολιθικές υποδομές της τεχνητής νοημοσύνης σε δυναμικές, προσαρμοστικές, αυτο-βελτιστοποιημένες ορχηστρικές της τεχνητής νοημοσύνης. Δεν είναι απλώς για την εύκολη ανάπτυξη της τεχνητής νοημοσύνης – είναι για την καθιστά entirely νέες τάξεις εφαρμογών της τεχνητής νοημοσύνης δυνατές.

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

Η ανατροφοδότηση από τους συμμετέχοντες στην ιδιωτική βета μας έχει sido fantastica! Οι εταιρείες είναι ενθουσιασμένες που μπορούν να απελευθερωθούν από την υποδομή lock-in, είτε σε ιδιοκτησιακά μοντέλα είτε σε υπηρεσίες φιλοξενίας. Η ικανότητα να μελλοντικοποιήσετε jede ανάπτυξη απόφαση έχει sido game-changer, εξαλείφοντας τους φοβισμένους μήνες ανακατασκευής όταν αλλάζουν προσεγγίσεις.

Τα αποτελέσματα απόδοσης της NeuroSplit μας έχουν sido rien de moins que remarquables – δεν podemos esperar para partager los datos públicamente pronto. Τι είναι ιδιαίτερα exciting είναι το πώς η ίδια η έννοια της προσαρμοστικής ανάπτυξης της τεχνητής νοημοσύνης έχει capturado las imaginaciones. Το γεγονός ότι η τεχνητή νοημοσύνη αναπτύσσεται από μόνη της ακούγεται футуристικό και δεν είναι κάτι που περίμεναν τώρα, οπότε απλώς από την τεχνολογική πρόοδο οι άνθρωποι ενθουσιάζονται με 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;

Επικεντρωνόμαστε σε 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 προσωποποιημένες εκδόσεις για κάθε άτομο στη Γη, κάθε μια προσαρμοσμένη σε μοναδικούς контекστ, προτιμήσεις και ανάγκες. Αυτό σημαίνει τουλάχιστον 8 δισεκατομμύρια μοντέλα, με βάση τον πληθυσμό του κόσμου.

Αυτή η μετάβαση σηματοδοτεί μια επαναστατική αλλαγή από την σημερινή προσέγγιση “ένα μέγεθος για όλους”. Το μέλλον απαιτεί έξυπνη υποδομή που μπορεί να χειριστεί δισεκατομμύρια μοντέλα. Στην Skymel, δεν λύνουμε μόνο τα σημερινά προβλήματα ανάπτυξης – ο δρόμος της τεχνολογίας μας έχει ήδη χτίσει τις βάσεις για το τι έρχεται επόμενο.

Πώς εικονίζετε την υποδομή της τεχνητής νοημοσύνης να εξελίσσεται τα επόμενα πέντε χρόνια, και ποιο ρόλο βλέπετε την Skymel να παίζει σε αυτή την εξέλιξη;

Το τοπίο της υποδομής της τεχνητής νοημοσύνης είναι έτοιμο να υποστεί μια θεμελιώδη αλλαγή. Ενώ σήμερα η εστίαση είναι στην κλιμάκωση των γενικών μεγάλων μοντέλων της τεχνητής νοημοσύνης στο cloud, τα επόμενα πέντε χρόνια θα δούμε την τεχνητή νοημοσύνη να γίνεται βαθιά προσωποποιημένη και контекστ-ευαίσθητη. Αυτό δεν είναι απλώς για την fine-tuning – 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 mọiTHING στο κεντρικό data center γίνεται ακατόρθωτη τόσο τεχνικά όσο και οικονομικά. Δεύτερον, η αυξανόμενη phứcικότητα των εφαρμογών της τεχνητής νοημοσύνης σημαίνει ότι χρειαζόμαστε υποδομή που μπορεί να δυναμικά βελτιστοποιήσει μεταξύ πολλαπλών μοντέλων, συσκευών και τοποθεσιών υπολογισμού.

Στην Skymel, χτίζουμε υποδομή που απευθύνεται ειδικά σε αυτά τα προβλήματα. Η τεχνολογία μας επιτρέπει στην τεχνητή νοημοσύνη να εκτελείται όπου έχει πιο νόημα – είτε στη συσκευή όπου δημιουργούνται τα δεδομένα, είτε στο cloud όπου υπάρχει περισσότερη υπολογιστική ισχύ, είτε έξυπνα διαχωρισμένη μεταξύ των δύο. Περισσότερο, αυτή η απόφαση προσαρμόζεται σε πραγματικό χρόνο με βάση τις μεταβαλλόμενες συνθήκες και απαιτήσεις.

Κοιτάζοντας μπροστά, οι επιτυχημένες εφαρμογές της τεχνητής νοημοσύνης δεν θα ορίζονται από το μέγεθος των μοντέλων τους ή την ποσότητα υπολογισμού που μπορούν να προσεγγίσουν. Θα ορίζονται από την ικανότητά τους να προσφέρουν προσωποποιημένες, 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复雑ικότητα.

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