W jaki sposób plan transformacji branży IBM wykorzystuje sztuczną inteligencję, 5G i współpracę
Sztuczna inteligencja i wykresy mają kilka cech wspólnych: są wieloaspektowe, wszechobecne w swoich zastosowaniach i odnotowują szybki wzrost w 2020 roku.
Sztuczna inteligencja ma wiele przejawów, od sprzętu po zastosowania w dziedzinach takich jak opieka zdrowotna, od futurystycznych modeli po etykę
W duchu ostatnich kilku lat dokonujemy przeglądu zmian w tym, co zidentyfikowaliśmy jako kluczowe czynniki technologiczne w latach 2020. w świecie baz danych, zarządzania danymi i sztucznej inteligencji. Patrzymy wstecz na rok 2021, próbując zidentyfikować wzorce, które będą kształtować rok 2022.
Dzisiaj zaczynamy od miejsca, w którym zaczęliśmy, w pierwszej części naszej recenzji, aby omówić sztuczną inteligencję i wykresy wiedzy.
Wiele twarzy sztucznej inteligencji: sprzęt, brzeg sieci, metodyka MLOps, modele językowe, przyszłe architektury i etyka
Z założenia staramy się podchodzić do AI holistycznie. Brać pod uwagę pozytywy i negatywy, od błyszczących po przyziemne, od sprzętu po oprogramowanie. Przez ostatnie kilka lat sprzęt był ciągłą historią w ramach szerszej historii sztucznej inteligencji i uważamy, że jest to dobre miejsce na rozpoczęcie naszej wycieczki.
Od kilku lat obserwujemy rosnącą listę dostawców "chipów AI", czyli firm, które postanowiły opracować od podstaw nowe architektury sprzętowe, przeznaczone specjalnie dla obciążeń związanych ze sztuczną inteligencją. Wszyscy oni chcą zdobyć kawałek pozornie stale rosnącego tortu: wraz z rozwojem sztucznej inteligencji rośnie wspomniane obciążenia, a ich obsługa tak szybko i ekonomicznie, jak to tylko możliwe, jest oczywistym celem.
Nvidia nadal dominuje na tym rynku. Nvidia była już na rynku na długo przed tym, jak obciążenia AI zaczęły się rozwijać i miała przenikliwość i refleks, aby to wykorzystać, budując ekosystem sprzętu i oprogramowania. Jego posunięcie z 2020 roku, aby uczynić Arm częścią tego ekosystemu, jest pod kontrolą regulacyjną. Jednak Nvidia nie pozostała bezczynna w 2021 roku.
Z wielu ogłoszeń wygłoszonych na wydarzeniu GTC firmy Nvidia w listopadzie 2021 roku. te, które przynoszą coś nowego na poziomie sprzętowym, mają związek z tym, co naszym zdaniem charakteryzuje skupienie się sztucznej inteligencji w 2021 roku: wnioskowanie i krawędź. Nvidia wprowadziła szereg ulepszeń dla serwera Triton Inference Server. Wprowadzono również procesor graficzny Nvidia A2 Tensor Core, akcelerator o niskim poborze mocy i niewielkich rozmiarach do wnioskowania AI na brzegu sieci, który według Nvidii oferuje do 20 razy większą wydajność wnioskowania niż procesory.
A co z nowicjuszami? SambaNova twierdzi, że jest teraz "najlepiej finansowanym na świecie startupem AI" po ogromnym finansowaniu serii D w wysokości 676 mln USD, przekraczając 5 mld USD wyceny. Filozofią SambaNova jest oferowanie "AI jako usługi", teraz obejmującej modele językowe GPT, i wygląda na to, że rok 2021 był dla nich w zasadzie rokiem wejścia na rynek.
Xilinx ze swojej strony twierdzi, że osiągnął dramatyczne przyspieszenie sieci neuronowych w porównaniu z procesorami graficznymi Nvidia. Cerebras twierdzi, że "absolutnie dominuje" w wysokiej klasy obliczeniach i zdobył również spore fundusze. Graphcore konkuruje z Nvidią (i Google) w wynikach MLPerf. Tenstorrent zatrudnił legendarnego projektanta chipów Kellera. Blaize zebrał 71 mln USD, aby wprowadzić sztuczną inteligencję do zastosowań przemysłowych. Flex Logix zdobył 55 milionów dolarów wsparcia typu venture, zwiększając swój całkowity zaciąg do 82 milionów dolarów. Wreszcie, co nie mniej ważne, mamy nowego konia w wyścigu w NeuReality, sposoby mieszania i dopasowywania wdrożeń w ONNX i TVM oraz obietnicę wykorzystania sztucznej inteligencji do projektowania chipów AI. Jeśli to nie jest dynamicznie rozwijająca się innowacja, to nie wiemy, co nią jest.
Według raportu Linux Foundation State of the Edge , firmy zajmujące się cyfrową opieką zdrowotną, produkcją i handlem detalicznym są szczególnie skłonne do rozszerzenia wykorzystania przetwarzania brzegowego do 2028 roku. Nic dziwnego, że mnożą się również sprzęt, frameworki i aplikacje AI skierowane do brzegu sieci.
TinyML, sztuka i nauka tworzenia modeli uczenia maszynowego wystarczająco oszczędnych, aby działać na brzegu sieci, odnotowuje szybki wzrost i buduje ekosystem. Edge Impulse, startup, który chce wprowadzić uczenie maszynowe na brzegu sieci dla wszystkich, właśnie ogłosił finansowanie serii B w wysokości 34 mln USD. Nadchodzą aplikacje brzegowe, a sztuczna inteligencja i jej sprzęt będą tego dużą częścią.
Coś, co nazwaliśmy w 2020 roku, było widoczne w 2021 roku i będzie z nami przez kolejne lata, to tak zwane MLOps - wprowadzenie uczenia maszynowego do produkcji. W 2021 roku próbowano m.in. nadać nazwy różnym zjawiskom związanym z MLOps, pokroić i pokroić domenę MLOps na kawałki, zastosować kontrolę wersji danych i ciągłe uczenie maszynowe, a także odpowiednik test-driven development dla danych . Nacisk przesuwa się z nowych, błyszczących modeli na być może bardziej przyziemne, ale praktyczne aspekty, takie jak jakość danych i zarządzanie potokiem danych oraz MLOps, będą nadal rosły.
Inną rzeczą, która prawdopodobnie będzie nadal rosła, zarówno pod względem rozmiaru, jak i liczby, są duże modele językowe (LLM). Niektórzy uważają , że LLM mogą internalizować podstawowe formy języka, niezależnie od tego, czy jest to biologia, chemia czy język ludzki, a wkrótce zobaczymy wzrost niezwykłych zastosowań LLM. Inni nie tak bardzo. Tak czy inaczej, LLM się rozprzestrzeniają.
Oprócz "zwykłych podejrzanych" - OpenAI ze swoim GPT3, DeepMind z najnowszym RETRO LLM, Google ze swoim stale powiększającym się wachlarzem LLM - Nvidia połączyła siły z Microsoftem w Megatron LLM. Ale to nie wszystko.
Niedawno EleutherAI, kolektyw niezależnych badaczy sztucznej inteligencji, udostępnił na licencji open source swój model GPT-j z 6 miliardami parametrów. Ponadto, jeśli interesują Cię języki inne niż angielski, mamy teraz duży europejski model językowy biegle posługujący się językiem angielskim, niemieckim, francuskim, hiszpańskim i włoskim autorstwa Aleph Alpha. Wudao to chiński LLM, który jest również największym LLM z 1,75 biliona parametrów, a HyperCLOVA to koreański LLM z 204 miliardami parametrów. Ponadto zawsze istnieją inne, nieco starsze/mniejsze LLM typu open source, takie jak GPT2 lub i jego wiele odmian.
Poza LLM, zarówno DeepMind, jak i Google zasugerowały rewolucyjne architektury dla modeli AI, odpowiednio z Perceiver i Pathways. Ścieżki były krytykowane za to, że są raczej niejasne. Zaryzykowalibyśmy jednak spekulacje, że może być oparty na Perceiverze. Ale ponieważ jesteśmy na terytorium technologii przyszłości, pominięciem byłoby nie wspomnieć o neuronalnym rozumowaniu algorytmicznym DeepMind, kierunku badawczym, który obiecuje połączenie klasycznych algorytmów informatycznych z głębokim uczeniem.
Żadna wycieczka po sztucznej inteligencji, jakkolwiek skondensowana, nie byłaby kompletna bez choćby honorowego wyróżnienia na temat etyki sztucznej inteligencji. Etyka sztucznej inteligencji pozostała na pierwszym miejscu w 2021 r. i widzieliśmy, jak ludzie, od komisarzy FTC po praktyków z branży, próbują zająć się etyką sztucznej inteligencji na swój własny sposób. Nie zapominajmy też o trwającym boomie na zastosowania sztucznej inteligencji w opiece zdrowotnej, obszarze, w którym etyka powinna być najwyższym priorytetem, niezależnie od tego, czy chodzi o sztuczną inteligencję, czy bez niej.
Grafy wiedzy, grafowe bazy danych i grafowa sztuczna inteligencja
Od dawna jesteśmy zagorzałymi zwolennikami wykresów o różnych kształtach i rozmiarach - wykresów wiedzy, grafowych baz danych, analizy grafów, nauki o danych i sztucznej inteligencji. Z mieszanymi uczuciami informujemy o tym froncie. Z jednej strony, nie zaobserwowaliśmy zbyt wielu innowacji, może z wyjątkiem jednej dziedziny - grafowych sieci neuronowych. Neuronowe rozumowanie algorytmiczne DeepMind wykorzystuje również GNN.
Z drugiej strony, niekoniecznie jest to zła rzecz, z dwóch powodów. Po pierwsze, mamy do czynienia z dużym rozpowszechnieniem tej technologii w głównym nurcie. Gartner przewiduje, że do 2025 r. technologie grafowe będą wykorzystywane w 80% innowacji w zakresie danych i analiz, w porównaniu z 10% w 2021 r., co ułatwi szybkie podejmowanie decyzji. Doniesienia o przypadkach użycia takich firm jak BMW, IKEA, Siemens Energy, Wells Fargo i UBS nie są już nowością i to dobrze. Tak, istnieją wyzwania związane z tworzeniem i utrzymywaniem wykresów wiedzy, ale te wyzwania są w większości dobrze zrozumiałe.
Jak już zauważyliśmy, wykresy wiedzy to praktycznie 20-letnia technologia , której czas w świetle reflektorów wydaje się nadejść. Sposoby budowania wykresów wiedzy są dobrze znane, podobnie jak wyzwania, które się z nimi wiążą. To nie przypadek, że niektóre z najbardziej pożądanych umiejętności i obszarów rozwoju w grafach wiedzy dotyczą przetwarzania języka naturalnego i interfejsów wizualnych do tworzenia i utrzymywania wykresów wiedzy, a także sposobów rozszerzenia ze scenariuszy dla jednego użytkownika do scenariuszy dla wielu użytkowników.
Aby powiązać tę rozmowę z szerszym obrazem sztucznej inteligencji, do której należy, wspólne wyzwania wydają się dotyczyć operacjonalizacji i budowania odpowiedniej wiedzy specjalistycznej w zespołach, ponieważ na te umiejętności jest bardzo duże zapotrzebowanie. Kolejnym ważnym punktem styku jest kierunek hybrydowej sztucznej inteligencji, który polega na wprowadzaniu wiedzy do uczenia maszynowego. Liderzy, tacy jak Gadi Singer z Intela, Mike Dillinger z LinkedIn i Frank van Harmelen z Hybrid Intelligence Center, wskazują na znaczenie organizacji wiedzy w postaci wykresów wiedzy dla przyszłości sztucznej inteligencji.
Grafy wiedzy, grafowe bazy danych i grafowa sztuczna inteligencja są zbieżne
Istnieje również inny ważny punkt styczny między szerszym obrazem sztucznej inteligencji a grafami wiedzy: siatki danych i struktury danych. Można by wybaczyć pomieszanie tych 2 i mnóstwa terminów związanych z danymi, które krążą w dzisiejszych czasach. Upraszczając, powiedzmy, że struktura danych ma służyć jako techniczny substrat dla koncepcji siatki danych zdecentralizowanego zarządzania danymi w organizacjach. Jest to w rzeczywistości bardzo dobre dopasowanie do technologii grafów wiedzy, a kilku dostawców w tej przestrzeni zidentyfikowało to i odpowiednio się ustawiło. Wydaje się, że nawet Informatica to zauważyła.
A co z podłożem do budowania grafów wiedzy, czyli grafowymi bazami danych? Słowo, które wydaje się charakteryzować rok 2021 dla grafowych baz danych, to "wejść na rynek". To był dobry rok dla grafowych baz danych. Grafowa baza danych -- Neo4j -- po raz pierwszy znalazła się w Top 20 w DB Engines . Neo4j ogłosił również ogólną dostępność zarządzanej usługi chmurowej Aura i pozyskał rundę finansowania serii F o wartości 325 milionów dolarów, największą w historii baz danych, podnosząc wycenę do ponad 2 miliardów dolarów.
Przestrzeń grafowej bazy danych była świadkiem serii rund finansowania i zbliżającego się IPO. TigerGraph zdobył 105 mln USD w serii C, Katana Graph 28,5 mln USD w serii A, Memgraph 9,34 mln USD finansowania zalążkowego , a TerminusDB 3,6 mln EUR. W międzyczasie Bitnine, twórcy Agens Graph, rozpoczęli prace nad swoim IPO - pierwszym na rynku. Bitnine jest teraz notowany na KOSDAQ, koreańskiej elektronicznej giełdzie papierów wartościowych
Na froncie technicznym GraphQL wciąż zyskuje na popularności, zarówno jako część szerszego ekosystemu , jak i jako centralny komponent architektury danych. Połączenie dwóch światów grafowych baz danych pod względem modeli, RDF i LPG, jest nadal w toku, ale w 2021 roku doczekało się kilku interesujących zmian.
Nie spodziewamy się, że światowy miesiąc miodowy z wykresami i grafowymi bazami danych będzie trwał wiecznie, a po szumie w pewnym momencie nieuchronnie nastąpi rozczarowanie. Jesteśmy jednak przekonani, że ta technologia jest fundamentalna i znajdzie swoje miejsce pomimo problemów.