29 юни 2023 г. - След като бълбука под повърхността в продължение на десетилетия, AI се превърна в популярна тема за обществото. Възможностите на услуги като ChatGPT и DALL·E предизвикаха интереса на всички. Но AI може да предложи много повече от писане на ученически есета и създаване на необичайни произведения на изкуството. Може да има значително въздействие върху индустрията, като даде възможност на компаниите чрез приложения като компютърно зрение, обработка на естествен език и системи за препоръчване на продукти. Сега ИТ директорите трябва да решат кой подход да възприемат, когато разработват собствени, базирани на AI приложения, за да ги използват ефективно.

Потенциалните приложения на AI са широки. В автомобилния сектор компютърното зрение може да позволи автоматични системи за безопасност, които разпознават пешеходците на пътя. Обработката на естествен език може да улесни гласовите команди в автомобила. В производството компютърното зрение може да следи качеството и да предлага проактивна поддръжка. В търговията на дребно плащането може да бъде рационализирано чрез автоматично разпознаване на продукти и клиенти. Финансовите услуги могат да открият аномалии в транзакциите, за да предотвратят измами. Медицинските компании могат да подобрят скоростта и точността на диагностицирането. Всеки тип компания може да подобри богатството и качеството на своето корпоративно търсене, като прави ценните вътрешни данни по-лесни за намиране.

Има две основни фази на жизнения цикъл на машинното обучение: обучение и изводи. Фазата на обучение поглъща огромни количества данни и прилага AI за разпознаване на модели и изграждане на модели. Това включва високопроизводителни изчислителни сървъри в центрове за данни, оборудвани с най-добрите процесори в своята порода, като 4-то поколение AMD EPYC и ускорители на центрове за данни, като AMD Instinct. Фазата на извод включва прилагане на модела върху данни от действителността, за да се получи реален резултат. За целта може да се използва хардуер, подобен на фазата на обучение, или пък вградени (embedded) устройства, като AMD VersalTM и ZynqTM Systems-on-Chip (SoC).

За да бъдат ефективни, AI приложенията се нуждаят от цялостни модели, извлечени от богати набори от данни. Най-ценните данни за една организация живеят вътре в нейните стени. Това налага известни вътрешни, собствени разработки, където внедряването на най-рентабилната хардуерна и софтуерна екосистема ще бъде от съществено значение.

Приложение, базирано на AI, може да предостави по-подходяща информация, ако моделите му са персонализирани със собствените данни на организацията. Това ще му позволи да осигури резултати, които са по-подходящи за нуждите на организацията. Въпреки това, тъй като AI става всеобхватен, смесица от подходи, които се основават на публични решения за софтуер като услуга (SaaS), заедно с вътрешни приложения, вероятно биха довели до най-силните резултати. Ключът тук е да имате последователен достъп до стековете, използвани за обучение и изводи. AMD Unified Inference Frontend (UIF) предоставя един маршрут към стандартните за индустрията AI рамки, включително Tensor Flow, PyTorch, WinML и Open Neural Network Exchange (ONNX). Те от своя страна могат да бъдат интегрирани безпроблемно с AMD EPYC CPU стек, ROCmTM софтуерно управляван AMD Instinct GPU стек или Vitis™ AI Platform за вграден стек с AMD Versal или Zynq адаптивни SoC.

Когато ИТ директорите разработват стратегия за инвестиране в AI приложения, те трябва да гарантират, че изразходват парите на компанията ефективно, за да постигнат достатъчна възвръщаемост. Подобренията в ефективността на процесите, производителността и устойчивостта на ИТ инфраструктурата са много важни за измерване на ползите. ИТ директорите трябва да изберат най-добрата архитектура за своето решение, която може да бъде внедрена бързо. Ето защо е толкова важно да имате широка гама от AI стекове, от които да избирате. ИТ директорите също ще трябва да извършат оценка на въздействието през целия жизнен цикъл на приложението, за да гарантират, че то се управлява защитено за отговорни иновации и също така отговаря на разпоредбите и рамките за управление на поверителността. Това е така, защото AI моделите най-вероятно ще бъдат извлечени от чувствителни или патентовани данни, или и двете, чиято поверителност трябва да бъде защитена като ценна интелектуална собственост. Свързаните с всички тези фактори разходи означават, че ИТ директорите трябва да инвестират в онези области, където ползите са ясни, дълготрайни и осигуряват фундаментални подобрения на производителността.

Алгоритмите, лежащи в основата на AI моделите, обаче, отнемат време и са скъпи за изграждане. Те зависят от наличието на все по-големи набори от данни и AI архитекти, които могат да работят върху разнообразна гама от случаи на употреба. Това е друга причина, поради която последователната унифицирана платформа е от съществено значение. Параметрите за модели са се увеличили по размер от хиляди до стотици милиарди само за едно десетилетие, което е зашеметяващо експоненциално увеличение на количеството. Обучението на модел с толкова много параметри изисква достатъчно голямо количество данни и добросъвестно управление на данните. Също така е от основно значение да се предпазите от пристрастия към данните, което може да изкриви резултатите. Това се превърна в редовна критика към генеричните реализации на AI, обучени върху публични набори от данни. Коригирането на това пристрастие изисква значително лечение. Всичко това означава, че обучението на модели отнема време и разходи.

Ключовите лица, вземащи решения при определянето на инвестиционна стратегия за корпоративно приложение, базирано на AI, ще бъде изпълнителният екип. Те трябва да обмислят къде е необходим AI, да инвентаризират случаите на използване, да категоризират нивата на риск и след това да преценят доколко съществуващите AI решения са съобразени с техните изисквания. Ако те са добре установени и богати на функции, може да не е необходимо да се създават собствени AI приложения по поръчка от нулата. Така или иначе, включването на гъвкава съществуваща платформа като AMD UIF и оптимизирани библиотеки като AMD ZenDNN и ROCmTM HIP компилатор гарантира гъвкавост, така че предимствата на изпитания и тестван код да могат да се комбинират със специфично за бизнеса персонализиране на правилната платформа, която да отговаря на нивата на инвестициите.

AI все още е в тази фаза на ранно приемане , а вече е претърпял множество поколения възходи и падения. Но днешният AI обещава да бъде началото на цикъл, захранван от изключително големи модели и големи набори от данни. Тази фаза на „големи данни“ за AI базирани решения, независимо дали са приложения, разработени вътрешно, или рамки за приложения, предоставени от индустрията, сега е в ясен етап на растеж. Тъй като по-голямото приемане на AI от бизнеса води до по-добри приложения, това от своя страна означава, че ще бъдат разработени по-добри рамки, повишаващи ефективността на бизнес процесите. Тези подобрения и предимства допълнително ще ускорят разработването на приложения, увеличавайки ползите и намалявайки разходите за приемане. Веднага след като ползите надхвърлят разходите за една организация, базираните на AI приложения трябва да бъдат в дневния ред на всеки CIO.