کوانتوم ران

اعتبار تصویر:

iStock

هوش مصنوعی در ابر: خدمات هوش مصنوعی قابل دسترسی

فناوری‌های هوش مصنوعی اغلب گران هستند، اما ارائه‌دهندگان خدمات ابری شرکت‌های بیشتری را قادر می‌سازند تا از عهده این زیرساخت‌ها برآیند.

نویسنده:
نام نویسنده
آینده نگاری کوانتوم ران
نوامبر 1، 2023

خلاصه بینش

ظهور AI-as-a-a-Service (AIaaS) از غول‌های محاسبات ابری، توسعه و آزمایش مدل‌های یادگیری ماشین را تسهیل می‌کند، به‌ویژه به نهادهای کوچک‌تر با به حداقل رساندن سرمایه‌گذاری اولیه زیرساخت کمک می‌کند. این همکاری پیشرفت در برنامه هایی مانند یادگیری عمیق را تسریع می کند. کارایی ابر را بهینه می‌کند، وظایف دستی را خودکار می‌کند، و بینش‌های عمیق‌تری را از داده‌ها آشکار می‌کند. علاوه بر این، نقش‌های شغلی تخصصی جدیدی ایجاد می‌کند، بر چشم‌اندازهای کاری آینده تأثیر می‌گذارد و به طور بالقوه توسعه فناوری را در بخش‌های مختلف تسریع می‌کند. سناریوی گسترده‌تر نشان‌دهنده دموکراتیک شدن فناوری‌های یادگیری ماشین، تشدید رقابت جهانی برای تخصص هوش مصنوعی، چالش‌های جدید امنیت سایبری و انگیزه‌ای برای ارائه‌دهندگان ابری برای سرمایه‌گذاری در پلتفرم‌های یادگیری ماشین کاربرپسند است.

هوش مصنوعی در زمینه ابر

ارائه دهندگان ابر، مانند خدمات وب آمازون (AWS)، مایکروسافت آژور، و پلتفرم ابری گوگل (GCP)، از توسعه دهندگان و دانشمندان داده می خواهند که مدل های یادگیری ماشین (ML) را بر روی ابرهای خود توسعه و آزمایش کنند. این سرویس به نفع شرکت‌های کوچکتر یا استارت‌آپ‌ها است، زیرا نمونه‌های اولیه آزمایشی اغلب به زیرساخت‌های زیادی نیاز دارند، در حالی که مدل‌های تولید اغلب به در دسترس بودن بالا نیاز دارند. از آنجایی که ارائه دهندگان محاسبات ابری راه حل هایی را برای شروع استفاده از فناوری هوش مصنوعی بدون سرمایه گذاری هنگفت در حمل مجدد زیرساخت های داخلی ارائه می دهند، کسب و کارها می توانند بلافاصله به خدمات ابری هوش مصنوعی دسترسی داشته باشند (و آزمایش کنند) تا ابتکارات دیجیتالی خود را هدایت کنند. رایانش ابری امکان توسعه سریع و پیشرفته‌تر ویژگی‌های پیشرفته هوش مصنوعی مانند یادگیری عمیق (DL) را فراهم می‌کند که کاربردهای گسترده‌ای دارد. برخی از سیستم‌های DL می‌توانند دوربین‌های امنیتی را با تشخیص الگوهایی که ممکن است علامت خطر باشند، هوشمندتر کنند. چنین فناوری همچنین می تواند اشیاء عکاسی را شناسایی کند (تشخیص اشیا). یک وسیله نقلیه خودران با الگوریتم های DL می تواند بین انسان و علائم جاده تمایز قائل شود.

مطالعه ای از شرکت نرم افزاری Redhat نشان داد که 78 درصد از پروژه های AI/ML سازمانی با استفاده از زیرساخت ابر ترکیبی ایجاد می شوند، بنابراین فرصت بیشتری برای ابرهای عمومی برای جذب مشارکت وجود دارد. گزینه‌های ذخیره‌سازی داده‌های مختلفی در ابرهای عمومی قابل دسترسی هستند، از جمله پایگاه‌های داده بدون سرور، انبارهای داده، دریاچه‌های داده و پایگاه‌های داده NoSQL. این گزینه‌ها شرکت‌ها را قادر می‌سازند مدل‌هایی را در نزدیکی جایی که داده‌هایشان است ایجاد کنند. علاوه بر این، ارائه‌دهندگان خدمات ابری فناوری‌های محبوب ML مانند TensorFlow و PyTorch را ارائه می‌کنند و آنها را به فروشگاه‌های یک‌جا برای تیم‌های علم داده که گزینه‌هایی می‌خواهند تبدیل می‌کنند.

تاثیر مخرب

راه های مختلفی وجود دارد که هوش مصنوعی ابر را تغییر می دهد و پتانسیل آن را افزایش می دهد. اول، الگوریتم‌ها رایانش ابری را با تجزیه و تحلیل ذخیره‌سازی کلی داده‌های یک شرکت و شناسایی مناطقی که ممکن است نیاز به بهبود داشته باشند (به ویژه آن‌هایی که در برابر حملات سایبری آسیب‌پذیر هستند) کارآمد می‌کنند. علاوه بر این، هوش مصنوعی می‌تواند کارهایی را که در حال حاضر به صورت دستی انجام می‌شوند، خودکار کند و زمان و منابع را برای سایر فرآیندهای پیچیده‌تر آزاد کند. هوش مصنوعی همچنین ابر را هوشمندتر می‌کند و به شرکت‌ها اجازه می‌دهد تا اطلاعاتی را از داده‌های مبتنی بر ابر خود دریافت کنند که قبلا هرگز امکان‌پذیر نبود. الگوریتم ها می توانند از اطلاعات "یاد بگیرند" و الگوهایی را شناسایی کنند که انسان هرگز قادر به دیدن آنها نیست.

یکی از مهیج ترین راه هایی که هوش مصنوعی برای ابر مفید است، ایجاد فرصت های شغلی جدید است. جفت شدن هوش مصنوعی و محاسبات ابری منجر به توسعه نقش های جدیدی می شود که به مهارت های تخصصی نیاز دارد. به عنوان مثال، شرکت ها ممکن است اکنون به کارکنانی نیاز داشته باشند که در هر دو زمینه برای عیب یابی و تحقیق در مورد مسائل متخصص باشند. علاوه بر این، افزایش کارایی ابر احتمالاً منجر به ایجاد موقعیت‌های جدید متمرکز بر مدیریت و حفظ این فناوری خواهد شد. در نهایت، هوش مصنوعی با تأثیرگذاری شدید بر آینده کار، ابر را تغییر می‌دهد. به عنوان مثال، وظایف خودکار می تواند منجر به آموزش مجدد کارگران برای موقعیت های دیگر شود. رایانش ابری سریع‌تر و کارآمدتر همچنین می‌تواند مکان‌های کاری واقعیت مجازی و واقعیت افزوده (VR/AR) مانند Metaverse را فعال کند.

پیامدهای هوش مصنوعی در فضای ابری

پیامدهای گسترده‌تر هوش مصنوعی در فضای ابری ممکن است شامل موارد زیر باشد:

دموکراتیزه شدن فزاینده فناوری های ML که برای کسب و کارهای کوچک و متوسطی که می خواهند در این فضا نوآوری کنند، در دسترس خواهد بود.
افزایش رقابت برای استعدادهای جهانی هوش مصنوعی، که می تواند فرار مغزهای فعلی محققان و دانشمندان هوش مصنوعی را از دانشگاه به مشاغل چند ملیتی بدتر کند. هزینه های استخدام و به کارگیری استعدادهای هوش مصنوعی نیز به طرز چشمگیری افزایش خواهد یافت.
مجرمان سایبری در حال مطالعه خدمات رایانش ابری برای شناسایی بهتر نقاط ضعف خود و شرکت هایی هستند که از چنین خدماتی استفاده می کنند.
توسعه سریع‌تر فناوری‌های جدید، به‌ویژه در بخش‌های خودروی خودمختار و اینترنت اشیا (IoT) که به داده‌ها و منابع محاسباتی بزرگ‌تری نیاز دارند.
ارائه دهندگان خدمات رایانش ابری سرمایه گذاری خود را در نرم افزارها و پلتفرم های ML بدون کد یا کم کد افزایش می دهند.