AWS 6 روند کلیدی را نام می برد که باعث نوآوری و پذیرش یادگیری ماشین می شود


جلسات درخواستی از اجلاس Low-Code/No-Code را بررسی کنید تا بیاموزید چگونه با ارتقاء مهارت و مقیاس‌بندی توسعه‌دهندگان شهروند، نوآوری موفقیت‌آمیز و دستیابی به کارایی داشته باشید. الان ببین.


یادگیری ماشینی (ML) در سال‌های اخیر، تحت تأثیر عوامل متعددی، دستخوش تحول و پذیرش شده است.

در مورد اینکه چرا هوش مصنوعی (AI) و ML در حال رشد هستند، نظرات کمی وجود ندارد. گزارش اخیر مک کینزی، صنعتی کردن ML و استفاده از هوش مصنوعی را به عنوان یکی از روندهای برتر آن در سال شناسایی کرد. در جلسه ای در کنفرانس AWS re:Invent این هفته، براتین ساها، معاون و مدیر عامل هوش مصنوعی و یادگیری ماشینی در آمازون، شش روند کلیدی را که غول ابری در حال مشاهده است و به نوآوری و پذیرش در سال 2022 و پس از آن کمک می کند، تشریح کرد.

AWS ادعا می کند که بیش از 100000 مشتری برای خدمات AI/ML خود دارد. این خدمات در سه سطح پخش می شوند: خدمات زیرساخت ML، سازمان ها را قادر می سازد تا مدل های خود را بسازند. SageMaker، که ابزارهایی را برای ساخت برنامه‌ها فراهم می‌کند. و خدمات هدفمند برای موارد استفاده خاص، مانند رونویسی.

ساها در این جلسه گفت: «یادگیری ماشین از یک فعالیت خاص به تبدیل شدن به بخش جدایی ناپذیر نحوه انجام کسب و کار شرکت ها تبدیل شده است.

رویداد

اجلاس امنیت هوشمند

نقش حیاتی AI و ML در امنیت سایبری و مطالعات موردی خاص صنعت را در 8 دسامبر بیاموزید. امروز برای پاس رایگان خود ثبت نام کنید.

اکنون ثبت نام کنید

روند 1: پیچیدگی مدل در حال رشد است

ساها گفت که در سال های اخیر افزایش تصاعدی در پیچیدگی مدل های ML وجود داشته است. استفاده او از اصطلاح «نمای» نیز مبهم نیست.

یکی از راه‌های اندازه‌گیری پیچیدگی مدل‌های یادگیری ماشین، شمارش تعداد پارامترهای درون آن‌ها است. ساها توضیح داد که پارامترها را می توان به عنوان متغیرهایی از مقادیر در نظر گرفت که در مدل های ML تعبیه شده اند. ساها گفت در سال 2019، مدل های پیشرفته ML در آن زمان تقریباً 300 میلیون پارامتر داشتند. به زودی تا سال 2022 و بهترین مدل ها اکنون بیش از 500 میلیارد دارند.

ساها گفت: «به عبارت دیگر، تنها در سه سال، پیچیدگی مدل‌های یادگیری ماشین 1600 برابر افزایش یافته است.

این مدل‌های عظیم همان‌هایی هستند که امروزه معمولاً به عنوان مدل‌های پایه نامیده می‌شوند. با رویکرد مدل پایه، یک مدل ML را می توان یک بار آموزش داد، با یک مجموعه داده عظیم، سپس دوباره استفاده کرد و برای انواع وظایف مختلف تنظیم کرد. بنابراین، شرکت‌ها می‌توانند با رویکردی آسان‌تر، از پیچیدگی بیشتر بهره ببرند.

“[Foundation models] ساها گفت: هزینه و تلاش انجام یادگیری ماشینی را با یک مرتبه بزرگ کاهش دهید.

روند 2: رشد داده ها

افزایش حجم داده ها و انواع مختلف داده ها برای آموزش مدل های ML استفاده می شود. این دومین روند کلیدی است که ساها شناسایی کرده است.

سازمان‌ها اکنون در حال ساخت مدل‌هایی هستند که بر روی منابع داده ساختاریافته مانند متن و همچنین انواع داده‌های بدون ساختار از جمله صدا و تصویر آموزش دیده‌اند. داشتن توانایی دریافت انواع داده های مختلف در مدل های ML منجر به توسعه چندین سرویس در AWS برای کمک به مدل های آموزشی شده است.

یکی از ابزارهایی که ساها برجسته کرده است SageMaker Data Wrangler است که به کاربران کمک می کند تا داده های بدون ساختار را با استفاده از رویکردی که آن را برای آموزش ML کاربردی می کند پردازش کنند. AWS همچنین این هفته در کنفرانس re:Invent پشتیبانی جدیدی از داده‌های مکانی را در SageMaker اضافه کرد.

روند 3: صنعتی سازی یادگیری ماشینی

AWS همچنین شاهد روند افزایش صنعتی شدن ML است. این به معنای استانداردسازی بیشتر ابزارها و زیرساخت‌های ML است که سازمان‌ها را قادر می‌سازد تا برنامه‌ها را آسان‌تر بسازند.

ساها گفت که صنعتی‌سازی ML مهم است زیرا به سازمان‌ها کمک می‌کند توسعه را خودکار کرده و آن را قابل اعتمادتر کنند. زمانی که سازمان ها مدل های بیشتری را می سازند و به کار می گیرند، یک رویکرد صنعتی و رایج برای مقیاس بندی بسیار مهم است.

ساها گفت: «حتی در آمازون، ما از SageMaker برای صنعتی‌سازی و توسعه یادگیری ماشینی استفاده می‌کنیم. برای مثال، پیچیده‌ترین مدل‌های گفتار الکسا اکنون در SageMaker آموزش داده می‌شوند.

روند 4: برنامه های مجهز به ML برای موارد استفاده خاص

ML همچنین به دلیل برنامه های کاربردی ساخته شده برای موارد استفاده خاص در حال رشد است.

ساها گفت که مشتریان AWS از فروشنده خواسته اند موارد استفاده رایج ML را خودکار کند. به عنوان مثال، AWS (و سایر فروشندگان) اکنون خدماتی مانند رونویسی صدا، ترجمه، تبدیل متن به گفتار و تشخیص ناهنجاری را ارائه می دهند. اینها به سازمان ها راه آسان تری برای استفاده از خدمات مبتنی بر ML می دهد.

به عنوان مثال، تجزیه و تحلیل احساسات در تماس‌های صوتی زنده، یک مورد جدید و پیچیده استفاده است که AWS اکنون با قابلیت‌های تجزیه و تحلیل تماس بلادرنگ سرویس Amazon Transcribe خود پشتیبانی می‌کند. ساها گفت که این ویژگی از مدل‌های تشخیص گفتار برای درک احساسات مشتری استفاده می‌کند.

گرایش 5: هوش مصنوعی مسئول

همچنین یک روند رو به رشد و نیاز به هوش مصنوعی مسئول وجود دارد.

ساها گفت: «با این رشد در هوش مصنوعی و ML متوجه می‌شویم که باید مسئولانه از آن استفاده کنیم.

از دیدگاه AWS، هوش مصنوعی مسئول باید چندین ویژگی کلیدی داشته باشد. یک سیستم باید منصفانه باشد و برای همه کاربران بدون در نظر گرفتن نژاد، مذهب، جنسیت و سایر ویژگی‌های کاربر یکسان عمل کند. سیستم‌های ML نیز باید قابل توضیح باشند، بنابراین سازمان‌ها نحوه عملکرد یک مدل را درک می‌کنند. همچنین مکانیزم های حاکمیتی برای اطمینان از اجرای هوش مصنوعی مسئول مورد نیاز است.

گرایش 6: دموکراتیک سازی ML

آخرین روند کلیدی که ML را به جلو می برد، دموکراتیزه کردن فناوری، در دسترس ساختن ابزارها و مهارت ها برای افراد بیشتری است.

ساها گفت: «مشتریان به ما می گویند که … اغلب در استخدام تمام استعدادهای علوم داده ای که به آن نیاز دارند، مشکل دارند.

پاسخ به چالش دموکراسی‌سازی، از نظر ساها، در ادامه توسعه کم‌کد و استفاده از ابزارهای مورد محور، و آموزش است.

ساها گفت: “AWS همچنین در حال سرمایه گذاری در آموزش مجموعه بعدی توسعه دهندگان یادگیری ماشین است.” آمازون متعهد شده است که تا سال 2025 به بیش از 29 میلیون نفر کمک خواهیم کرد تا مهارت های فنی خود را از طریق آموزش رایگان مهارت های رایانش ابری بهبود بخشند.

ماموریت VentureBeat این است که یک میدان شهر دیجیتال برای تصمیم گیرندگان فنی باشد تا دانشی در مورد فناوری سازمانی متحول کننده کسب کنند و معامله کنند. جلسات توجیهی ما را کشف کنید.