Hogyan használja ki az IBM iparági átalakítási terve a mesterséges intelligenciát, az 5G-t és az együttműködést

A mesterséges intelligenciának és a grafikonoknak van néhány közös vonása: sokrétűek, alkalmazásaikban mindenütt jelen vannak, és a 2020-as években gyors növekedést mutatnak.

A mesterséges intelligenciának számos megnyilvánulása van, a hardvertől az olyan területeken futó alkalmazásokig, mint az egészségügy, a futurisztikus modellektől az etikáig

Az elmúlt néhány év szellemében áttekintjük a 2020-as évek legfontosabb technológiai mozgatórugóinak nevezett fejleményeket az adatbázisok, az adatkezelés és a mesterséges intelligencia világában. Visszatekintünk 2021-re, és megpróbáljuk azonosítani azokat a mintákat, amelyek alakítják a 2022-es évet.

Ma onnan folytatjuk, ahonnan áttekintésünk első részével indultunk, hogy lefedjük a mesterséges intelligenciát és a tudásgrafikonokat.

A mesterséges intelligencia számos arca: hardver, perem, MLOps, nyelvi modellek, jövőbeli architektúrák és etika

Elvileg megpróbáljuk holisztikusan megközelíteni a mesterséges intelligenciát. Figyelembe venni a pozitívumokat és a negatívumokat, a fényestől a hétköznapiig, a hardvertől a szoftverig. A hardver az elmúlt néhány évben folyamatos történet volt a mesterséges intelligencia tágabb történetében, és úgy érezzük, hogy ez egy jó hely a turné megkezdéséhez.

Az elmúlt néhány évben szemmel tartottuk az "AI chipek" gyártóinak egyre növekvő listáját, azaz azokat a vállalatokat, amelyek az alapoktól kezdve új hardverarchitektúrák kifejlesztését tűzték ki célul, kifejezetten az AI munkaterhelések számára. Mindannyian egy darabot szeretnének kapni egy látszólag egyre növekvő tortából: ahogy a mesterséges intelligencia folyamatosan bővül, az említett munkaterhelések folyamatosan nőnek, és a lehető leggyorsabb és leggazdaságosabb kiszolgálásuk nyilvánvaló cél.

Az Nvidia továbbra is uralja ezt a piacot. Az Nvidia már jóval azelőtt is jelen volt a piacon, hogy az AI munkaterhelések virágozni kezdtek volna, és megvolt az éleslátása és a reflexei ahhoz, hogy ezt kihasználják egy hardver- és szoftverökoszisztéma kiépítésével. 2020-as lépése, hogy az Arm-ot ennek az ökoszisztémának a részévé tegye, szabályozási ellenőrzés alatt áll. Az Nvidia azonban 2021-ben sem maradt tétlen.

Az Nvidia 2021. novemberi GTC rendezvényén tett bejelentések sorából. azok, amelyek valami újat hoznak a hardver szintjén, ahhoz kapcsolódnak, ami szerintünk jellemzi a mesterséges intelligencia fókuszát 2021-ben: a következtetés és az él. Az Nvidia számos fejlesztést vezetett be a Triton következtetési szerverhez. Bemutatta az Nvidia A2 Tensor Core GPU-t is, egy alacsony fogyasztású, kis helyigényű gyorsítót a mesterséges intelligencia következtetéséhez a szélén, amely az Nvidia állítása szerint akár 20-szor nagyobb következtetési teljesítményt kínál, mint a CPU-k.

És mi a helyzet a feltörekvőkkel? A SambaNova azt állítja, hogy most "a világ legjobban finanszírozott mesterséges intelligencia startupja", miután 676 millió dolláros D sorozatú finanszírozást kapott , ami meghaladja az 5 milliárd dolláros értékelést. A SambaNova filozófiája az, hogy "mesterséges intelligenciát mint szolgáltatást" kínáljon, immár GPT nyelvi modelleket is beleértve, és úgy tűnik, hogy 2021 nagyjából piacra lépési év volt számukra.

A Xilinx a maga részéről azt állítja, hogy drámai mértékben felgyorsítja a neurális hálózatokat az Nvidia GPU-kkal szemben. A Cerebras azt állítja, hogy "abszolút uralja" a csúcskategóriás számításokat , és tetemes finanszírozást is szerzett. A Graphcore az Nvidia-val (és a Google-lal) versenyez az MLPerf eredményekben. A Tenstorrent felvette a legendás chiptervezőt, Kellert. Blaize 71 millió dollárt gyűjtött össze, hogy az élvonalbeli mesterséges intelligenciát ipari alkalmazásokba vigye. A Flex Logix 55 millió dolláros kockázati támogatást szerzett, így a teljes bevétele 82 millió dollárra nőtt. Végül, de nem utolsósorban egy új ló van a versenyben a NeuReality-ben, az ONNX-ben és a TVM-ben történő telepítés keverésének módjai, valamint az ígéret, hogy mesterséges intelligenciát használnak az AI chipek tervezésére. Ha ez nem virágzó innováció, akkor nem tudjuk, mi az.

A Linux Foundation State of the Edge jelentése szerint a digitális egészségügyi, gyártási és kiskereskedelmi vállalkozások különösen nagy valószínűséggel bővítik az edge computing használatát 2028-ig. Nem csoda, hogy a peremhálózatra szánt mesterséges intelligencia hardverek, keretrendszerek és alkalmazások is elszaporodnak.

A TinyML, a gépi tanulási modellek előállításának művészete és tudománya, amely elég takarékos ahhoz, hogy a peremhálózaton működjön, gyors növekedést és ökoszisztéma kiépítését látja. Az Edge Impulse, egy startup, amely mindenkihez el akarja juttatni a gépi tanulást a peremhálózaton, most jelentette be 34 millió dolláros B sorozatú finanszírozását. Jönnek az Edge alkalmazások, és ennek nagy része lesz a mesterséges intelligencia és hardvere .

Valami, amit 2020-ban hívtunk , 2021-ben kiemelkedő volt, és az elkövetkező években velünk lesz, az úgynevezett MLOps - a gépi tanulás éles környezetbe hozása. 2021-ben az emberek megpróbáltak nevet adni az MLOps-szal kapcsolatos különféle jelenségeknek, szeletelni és kockázni az MLOps tartományt, alkalmazni az adatverzió-kezelést és a folyamatos gépi tanulást, valamint többek között az adatok tesztvezérelt fejlesztésének megfelelőjét. A hangsúly a csillogó új modellekről a talán hétköznapibb, de gyakorlati szempontokra, például az adatminőségre és az adatvezeték-kezelésre, valamint az MLOp-okra helyeződik át.

A másik dolog, ami valószínűleg tovább fog növekedni, mind a puszta méret, mind a szám tekintetében, a nagy nyelvi modellek (LLM-ek). Vannak , akik úgy gondolják , hogy az LLM-ek képesek internalizálni a nyelv alapvető formáit, legyen szó biológiáról, kémiáról vagy emberi nyelvről, és hamarosan látni fogjuk, hogy az LLM-ek szokatlan alkalmazásai növekednek. Mások nem annyira. Akárhogy is, az LLM-ek szaporodnak.

A "szokásos gyanúsítottak" mellett - az OpenAI a GPT3-mal, a DeepMind a legújabb RETRO LLM-mel, a Google az LLM-ek folyamatosan bővülő választékával - az Nvidia most összeállt a Microsofttal a Megatron LLM-ben. De ez még nem minden.

Nemrégiben az EleutherAI, független mesterséges intelligencia-kutatók kollektívája nyílt forráskódú 6 milliárd paraméteres GPT-j modelljüket hozta létre. Ezenkívül, ha az angolon kívül is érdeklődik a nyelvek iránt, most már van egy nagy európai nyelvmodellünk, amely folyékonyan beszél angolul, németül, franciául, spanyolul és olaszul az Aleph Alpha által. A Wudao egy kínai LLM, amely egyben a legnagyobb LLM 1,75 billió paraméterrel, a HyperCLOVA pedig egy koreai LLM 204 milliárd paraméterrel. Ráadásul mindig vannak más, valamivel régebbi/kisebb nyílt forráskódú LLM-ek, mint például a GPT2 vagy a BERT és annak számos változata.

Az LLM-eken túl mind a DeepMind, mind a Google forradalmi architektúrákra utalt az AI-modellek számára, a Perceiverrel , illetve a Pathways-szel. A Pathways-t kritizálták, mert meglehetősen homályosak. Azonban megkockáztatnánk, hogy feltételezzük, hogy az Észlelőn alapulhat. De mivel a jövő technológiai területén vagyunk, kihagyás lenne nem megemlíteni a DeepMind neurális algoritmikus érvelését, egy kutatási irányt, amely azt ígéri, hogy a klasszikus számítástechnikai algoritmusokat mély tanulással házasítja össze.

Egyetlen mesterséges intelligencia túra, bármennyire is tömörített, nem lenne teljes a mesterséges intelligencia etikájának tiszteletbeli említése nélkül. A mesterséges intelligencia etikája 2021-ben is a legfontosabb, és láttuk, hogy az FTC biztosaitól  kezdve az iparági szakemberekig minden ember megpróbálja a maga módján kezelni a mesterséges intelligencia etikáját. És ne feledkezzünk meg az AI-alkalmazások folyamatos fellendüléséről az egészségügyben, egy olyan területről, ahol az etikának kiemelt prioritásnak kell lennie mesterséges intelligenciával vagy anélkül.

Tudásgráfok, gráfadatbázisok és grafikonok AI

Régóta lelkes támogatói vagyunk mindenféle formájú és méretű grafikonnak - tudásgrafikonoknak, gráfadatbázisoknak, gráfelemzésnek, adattudománynak és mesterséges intelligenciának. Tehát vegyes érzésekkel tudósítunk erről a frontról. Egyrészt nem sok innovációt láttunk, kivéve talán egy területet - a gráf neurális hálózatokat. A DeepMind neurális algoritmikus érvelése a GNN-eket is kihasználja.

Másrészt ez nem feltétlenül rossz dolog, két okból. Először is, a technológia jelentős elterjedése van a mainstreamben. 2025-re a gráftechnológiákat az adat- és elemzési innovációk 80%-ában fogják használni, szemben a 2021-es 10%-kal, ami megkönnyíti a gyors döntéshozatalt - jósolja a Gartner. A BMW, az IKEA, a Siemens Energy, a Wells Fargo és az UBS felhasználási eseteiről való tudósítás már nem újdonság, és ez jó dolog. Igen, vannak kihívások a tudásgráfok felépítésével és karbantartásával kapcsolatban, de ezek a kihívások többnyire jól érthetők.

Mint megjegyeztük, a tudásgrafikonok gyakorlatilag egy 20 éves technológia , amelynek ideje a rivaldafénybe került. A tudásgráfok felépítésének módjai jól ismertek, valamint az azokban rejlő kihívások. Nem véletlen, hogy a tudásgráfok legkeresettebb készségei és fejlesztési területei a természetes nyelvi feldolgozás és a vizuális felületek használata a tudásgráfok felépítéséhez és karbantartásához, valamint az egyfelhasználósról a többfelhasználós forgatókönyvekre való kiterjesztés módjai.

És hogy ezt a beszélgetést összekapcsoljuk a mesterséges intelligencia tágabb képével, ahová tartozik, úgy tűnik, hogy a közös kihívások az operacionalizálás és a megfelelő szakértelem kiépítése körül forognak a csapatokban, mivel ezekre a készségekre nagyon nagy a kereslet. Egy másik fontos érintkezési pont a hibrid mesterséges intelligencia iránya, amely a tudás gépi tanulásba való beépítéséről szól. Az olyan vezetők, mint az Intel Gadi Singer, a LinkedIn Mike Dillinger és a Hybrid Intelligence Centre Frank van Harmelen mind rámutatnak a tudásszervezés fontosságára tudásgrafikonok formájában a mesterséges intelligencia jövője szempontjából.

A tudásgráfok, a gráfadatbázisok és a grafikonok mesterséges intelligenciája mind konvergálnak

Van egy másik fontos érintkezési pont is a mesterséges intelligencia tágabb képe és a tudásgrafikonok között: az adathálók és az adatszövetek. Elnézést kapsz, ha összekevered ezt a 2-t és a rengeteg adattal kapcsolatos kifejezést, amelyek manapság repkednek. Leegyszerűsítve tegyük fel, hogy az adatszövet célja, hogy technikai hordozóként szolgáljon a decentralizált adatkezelés adatháló-fogalmához a szervezetekben. Ez valójában nagyon jól illeszkedik a tudásgráf technológiához, és néhány gyártó ezen a téren azonosította ezt, és ennek megfelelően pozícionálta magát. Úgy tűnik, még az Informatica is észrevette.

És mi a helyzet a tudásgráfok építésének szubsztrátumával, nevezetesen a gráfadatbázisokkal? A 2021-es évet a grafikonadatbázisok számára a "go to market" szó jellemzi. Jó év volt ez a gráfadatbázisok számára. Egy gráfadatbázis - a Neo4j - 1. alkalommal került be a DB Engines Top 20-ba. A Neo4j bejelentette az Aura által kezelt felhőszolgáltatásának általános elérhetőségét is, és 325 millió dolláros F sorozatú finanszírozási kört gyűjtött össze, amely az adatbázis történetében a legnagyobb, így értéke meghaladja a 2 milliárd dollárt.

A gráfadatbázis-térben egy sor finanszírozási forduló és egy közelgő IPO volt. A TigerGraph 105 millió dolláros C sorozatot, a Katana Graph 28,5 millió dolláros A sorozatot, a Memgraph 9,34 millió dolláros magvető finanszírozást és a TerminusDB 3,6 millió eurót ért el. Időközben a Bitnine, az Agens Graph készítői elkezdtek dolgozni az IPO-n - az első a piacon. A Bitnine most a KOSDAQ-on, a koreai elektronikus tőzsdén szerepel

Technikai fronton a GraphQL elfogadása továbbra is növekszik, akár egy szélesebb ökoszisztéma részeként , akár az adatarchitektúra központi összetevőjeként . A két gráfadatbázis-világ áthidalása a modellek, az RDF és az LPG tekintetében még folyamatban van, de 2021-ben érdekes fejleményeket mutatott .

Nem számítunk arra, hogy a világ mézeshete grafikonokkal és grafikonadatbázisokkal örökké tart, és a hype után valamikor elkerülhetetlenül kiábrándultság következik. De biztosak vagyunk abban, hogy ez a technológia alapvető, és a csuklás ellenére is megtalálja a helyét.