Бодит хиймэл оюун ухааныг өргөн цар хүрээтэй ашиглах боломжийг идэвхжүүлж байна

Брэд Кинг, салбарын ерөнхий захирал, Ач холбогдол

AI/ML болон том өгөгдлийн хэрэгслүүд нь нийтлэг ойлголттой байдаг - тэдэнд өгөгдөл хэрэгтэй бөгөөд тэдэнд маш их хэрэгтэй байдаг. Уламжлалт мэргэн ухаан хэдий чинээ их байна, төдий чинээ сайн гэж хэлдэг. Шинжээчдийн таамаглаж байгаагаар дэлхий даяар өгөгдөл бий болгох нь өсөх болно 180 он гэхэд 2025 зеттабайтаас илүү – мөн 2020 онд үүсгэсэн болон хуулбарласан өгөгдлийн хэмжээ 64.2 зеттабайт буюу шинэ дээд цэгт хүрсэн.

Энэ өгөгдөл нь маш үнэ цэнэтэй бөгөөд ихэвчлэн орлуулшгүй бөгөөд заримдаа нэг удаагийн эсвэл амьдралдаа нэг удаа тохиолддог үйл явдлуудыг төлөөлдөг. Энэ өгөгдлийг найдвартай, найдвартай хадгалах шаардлагатай; Энэ шинээр бий болгосон өгөгдлийн багахан хувь нь хадгалагдаж байгаа гэж тооцоолж байгаа ч хадгалах багтаамжийн эрэлт нэмэгдсээр байна. Үнэн хэрэгтээ, 19.2-2020 оны хооронд хадгалах багтаамжийн суурилагдсан суурь жилийн нийлмэл өсөлтийн хурдаар 2025%-иар өснө гэж судлаачид таамаглаж байна. Статистик.

Илүү их өгөгдөл, ялангуяа эдгээр AI/ML ажлын ачааллаас болж бий болж байгаа тул байгууллагууд илүү их хадгалах сан шаарддаг ч бүх хадгалах шийдлүүд эдгээр эрчимтэй, асар их ачааллыг даван туулж чадахгүй. Хадгалахад шинэ арга барил хэрэгтэй. Байгууллагууд эдгээр сорилтыг хэрхэн даван туулж байгааг гурван хэрэглээний жишээгээр харцгаая.

Аялал жуулчлалын салбар

Бидний олонхи нь жил гаруй түгжрэлд орсны дараа дахин аялж дасаж байгаа ч аялал жуулчлалын салбар тахлын өмнөх үе рүү буцах гэж байна. Энэ нь өгөгдлийн ач холбогдлыг, тухайлбал, холбогдох хэрэглээ, өгөгдлийн хэрэглээг улам бүр чухал болгож байна.

Дэлхийн агаарын тээврийн ихэнх аялагчид дараа нь хаашаа аялах эсвэл маргааш хаашаа явах тухай мэдлэгтэй байж юу хийж чадахаа төсөөлөөд үз дээ. Жишээлбэл, аялал жуулчлалын агентлагийн хувьд энэ нь асар их байх болно.

Гэхдээ эдгээр аялал жуулчлалын байгууллагууд маш их мэдээлэлтэй тулгардаг тул юу нь утга учиртай болохыг олж мэдэхийн тулд тэдгээрийг ангилах нь асар их ирээдүй юм. Өдөр бүр ойролцоогоор петабайт мэдээлэл үүсдэг бөгөөд зарим өгөгдлийг Kayak зэрэг сайтууд хуулбарладаг. Энэ өгөгдөл нь цаг хугацааны хувьд мэдрэмтгий бөгөөд аялал жуулчлалын компаниуд аль өгөгдөл нь ач холбогдолтой болохыг хурдан олж мэдэх хэрэгтэй. Энэ түвшний масштабыг илүү үр дүнтэй удирдахын тулд тэдэнд хэрэгсэл хэрэгтэй.

Автомашины үйлдвэр

Өөр нэг жишээ бол автомашины үйлдвэрлэлээс ирсэн бөгөөд энэ нь мэдээжийн хэрэг хамгийн их яригддаг хэрэглээний тохиолдлуудын нэг юм. Тус салбар нь эгнээ зохицуулагч, мөргөлдөөнөөс зайлсхийх гэх мэт туслах хэрэгслүүдээр удаан хугацаанд шаргуу ажиллаж ирсэн. Эдгээр бүх мэдрэгч нь маш их хэмжээний өгөгдлийг авчирдаг. Мэдээжийн хэрэг, тэд өөрөө жолоодлогын алгоритмуудыг боловсруулж, туршиж, шалгаж байна.

Салбарт хэрэгтэй зүйл бол хадгалагдсан өгөгдлийг ойлгох илүү сайн арга бөгөөд ингэснээр тэд ямар нэг зүйл буруу болсон тохиолдлуудад дүн шинжилгээ хийх, мэдрэгчийн гаралтыг туршилтын тохиолдол болгон сонгох, алгоритмуудыг мэдрэгчийн өгөгдөлтэй харьцуулан шалгах гэх мэт. Тэд регрессээс зайлсхийхийн тулд QA тест хийх шаардлагатай бөгөөд амжилтгүй болсон тохиолдлыг баримтжуулах шаардлагатай.

Дижитал эмгэг

AI/ML-ийн өөр нэг сонирхолтой хэрэглэгдэхүүн нь өгөгдлийн үер болон өгөгдлийг илүү сайн ашиглах хэрэгцээтэй тэмцэж байгаа нь дижитал эмгэг юм. Бусад жишээнүүдийн нэгэн адил тэдэнд үнэхээр хэрэгтэй зүйл бол эдгээр өгөгдлийг илүү сайн ашиглах чадвар бөгөөд ингэснээр эд эсийн дээж дэх эмгэгийг автоматаар илрүүлэх, зайн оношлогоо хийх гэх мэт зүйлсийг хийх боломжтой юм.

Гэхдээ өнөөдөр хадгалах газар нь ашиглалтыг хязгаарлаж байна. Ашигтай нарийвчлалтай зургууд нь хэмнэлттэй хадгалахад хэтэрхий том байна. Гэсэн хэдий ч объектыг хурдан хадгалах нь сургалтын гол эх сурвалж болгон ашиглаж болох зургийн сан, объектын дэлгүүрт олон нягтралтай зургийг нэрлэх/хадгалах, сэргээхэд орон зайг дүүргэх муруйг ашиглах зэрэг шинэ чадварыг идэвхжүүлнэ. Энэ нь мөн өргөтгөх боломжтой, уян хатан мета өгөгдлийн тэмдэглэгээг идэвхжүүлдэг бөгөөд энэ нь мэдээллийг хайх, ойлгоход хялбар болгодог.

AI-ийн ажлын ачаалал нь шинэ арга барилыг шаарддаг

Дээрх гурван тохиолдлоос харахад AI/ML ажлын ачаалалтай холбоотой асар их хэмжээний өгөгдлийг нэгтгэж, зохицуулах чадвартай байх нь маш чухал юм. Өгөгдлийн багц нь ихэвчлэн олон петабайтын хэмжээнд хүрдэг бөгөөд гүйцэтгэлийн эрэлт хэрэгцээ нь дэд бүтцийг бүхэлд нь хангаж чаддаг. Ийм том хэмжээний сургалт, туршилтын өгөгдлийн багцтай харьцахдаа хадгалалтын саатал (хоцролт ба/эсвэл дамжуулах чадварын асуудал) болон хүчин чадлын хязгаарлалт/саад бэрхшээлийг даван туулах нь амжилтанд хүрэх гол элементүүд юм.

AI/ML/DL-ийн ажлын ачаалал нь маш сайн түүхий оролт/гаралтын гүйцэтгэл болон багтаамжийг нэмэгдүүлэх чадвартай, дамжуулах хоолойгоор өгөгдөл дамжуулах боломжтой хадгалах архитектурыг шаарддаг. Хадгалах дэд бүтэц нь AI/ML/DL дамжуулах хоолойн бүх үе шатанд улам бүр нэмэгдэж буй шаардлагуудыг дагаж мөрдөх ёстой. Энэхүү шийдэл нь хурд, хязгааргүй хэмжээнд зориулан тусгайлан бүтээсэн хадгалах дэд бүтэц юм.

Утга гаргаж байна

AI болон ML нь бизнесийн үйл явц, өдөр тутмын амьдралыг өөрчлөх чадамжийн тухай түүхгүйгээр долоо хоног өнгөрөхгүй. Эдгээр технологийг ашиглахын ашиг тусыг тодорхой харуулсан хэрэглээний олон тохиолдол байдаг. Өнөөдөр аж ахуйн нэгж дэх хиймэл оюун ухааны бодит байдал нь эдгээр асар их ачааллыг удирдах боломжгүй асар том мэдээллийн багц, хадгалах шийдлүүдийн нэг юм. Хадгалах асуудлыг шийдэх хүртэл автомашин, эрүүл мэнд болон бусад олон салбарын шинэчлэл урагшлах боломжгүй. Хурдан объект хадгалах нь том өгөгдлийг хадгалах сорилтыг даван туулж, байгууллагууд бизнесээ урагшлуулахын тулд энэ өгөгдлөөс үнэ цэнийг гаргаж авах боломжтой.