هوش مصنوعی مبتنی بر گرافیک وارد جریان اصلی Enterprise می شود


Graphics AI برای مبارزه با کلاهبرداری ، نظارت بر خلق و خو ، تقسیم بازار و سایر برنامه هایی که باید الگوهای پیچیده به سرعت شناسایی شوند ، اساسی می شود.

هوش مصنوعی (AI) یکی از بلند پروازانه ترین ، بی شکل و جامع ترین چشم اندازهای تاریخ سیستم های اطلاعاتی خودکار است.

به طور کلی ، رویکرد اصلی هوش مصنوعی مدل سازی هوش است – یا نمایش دانش – به طوری که می توان آن را به صورت الگوریتمی در معماری های کاربردی عمومی یا تخصصی محاسبه کرد. توسعه دهندگان هوش مصنوعی معمولاً برنامه ها را از طریق یک فرایند تکراری در ساخت و آزمایش مدل های نمایندگی دانش ایجاد می کنند تا آنها را برای نتایج خاص بهینه کنند.

تصویر: DIgilife - stock.adobe.com

تصویر: DIgilife – stock.adobe.com

پیشرفت هوش مصنوعی در امواج گسترده تاریخی نوآوری در حال حرکت است و ما در آستانه دیگری هستیم. با شروع اواخر دهه 1950 ، اولین نسل هوش مصنوعی اساساً در قوانین تعیین کننده ای برای مجموعه محدودی از کاربردهای سیستم های خبره در زمینه های راه حل کاملاً مشخص گنجانده شد. در سال های اولیه این قرن ، نسل بعدی هوش مصنوعی بر اساس مدل های آماری – به ویژه یادگیری ماشین (ML) و یادگیری عمیق (DL) – که هوش را از همبستگی ها ، ناهنجاری ها و الگوهای دیگر در داده های پیچیده خارج می کند ، مورد توجه قرار گرفت. مجموعه ها

داده های گرافیکی ستون اصلی “هنجار جدید” پس از همه گیری است

با ارتقا و جایگزینی نکردن این دو موج اول ، آینده هوش مصنوعی بر روی مدل سازی گرافیک متمرکز است. نمودارها هوش را در قالب مدل هایی رمزگذاری می کنند که زمینه های مرتبطی را که در آن راه حل های هوشمند اجرا می شوند ، توصیف می کنند. آنها می توانند روابط متغیر بین کاربران ، گره ها ، برنامه ها ، دستگاه های نهایی و سایر اشیا را روشن کنند.

داده های گرافیکی ستون فقرات وجود “طبیعی جدید” ما را تشکیل می دهند. مشکلات تجاری گرافیکی هر سناریویی را شامل می شود که در آن فرد بیشتر از اینکه با اشیا individual منفرد سروکار داشته باشد ، با روابط بین اشیا سروکار دارد. مدل سازی گرافیکی برای روابط پیچیده ای که مسطح ، یکپارچه و توزیع شده اند و نه مدل سلسله مراتبی ، مناسب است.

AI Graphics برای کنترل تقلب ، تجزیه و تحلیل تأثیر ، نظارت بر احساسات ، تقسیم بازار ، بهینه سازی تعامل و سایر برنامه های کاربردی که مدل های پیچیده باید به سرعت شناسایی شوند ، اساسی می شود.

ما برنامه های هوش مصنوعی گرافیکی را هر کجا که مجموعه داده هایی وجود داشته باشند که به طور پیچیده ای به هم متصل شده و به زمینه حساس هستند ، پیدا می کنیم. مثالهای متداول عبارتند از:

  • داده های تحرک که نمودارها می توانند “لبه هوشمند” تغییر روابط بین کاربران متصل ، دستگاه ها ، برنامه ها و منابع توزیع شده را ترسیم کنند.
  • داده های شبکه اجتماعی که نمودارها می توانند ارتباطات بین افراد ، گروه ها و سایر مطالب و منابع مشترک را برجسته کنند.
  • داده های معاملات مشتری ، که نمودارها می توانند تعاملات بین مشتریان و اقلام را به منظور توصیه محصولات مورد علاقه و همچنین تشخیص تغییر الگوهای تأثیر در خانواده ها ، دوستان و سایر گروه های وابستگی نشان دهند.
  • داده های ثبت شده در شبکه و سیستم که پیوندهای بین آدرس IP مبدا و مقصد برای آنها به بهترین وجهی تجسم یافته و به عنوان ساختارهای گرافیکی پردازش می شود ، باعث می شود این فناوری برای مبارزه با کلاهبرداری ، شناسایی نفوذ و سایر برنامه های امنیت سایبری بسیار مفید باشد.
  • داده های مدیریت محتوای شرکتی که گرافیک معنایی و فراداده مربوطه می توانند دانش را در بین تیم های مجازی توزیع شده ضبط و مدیریت کنند.
  • داده های علمی که نمودارها می توانند قوانین فیزیکی ، ساختارهای مولکولی ، فعل و انفعالات بیوشیمیایی ، خواص متالورژی و سایر مدل های مورد استفاده در مهندسی رباتیک هوشمند و سازگار را نشان دهند.
  • اینترنت اشیا ((اینترنت اشیا) ، که برای آن گرافیک می تواند توصیف کند که چگونه “چیزها” خود – به عنوان نقاط پایان حسی برای مصارف مصرفی ، صنعتی و سایر موارد – در شبکه های غیر سلسله مراتبی با پیچیدگی باورنکردنی پیکربندی شده اند.

هوش گرافیکی به سرعت در حال تجزیه و تحلیل داده های شرکت است

نمودارها بیانگری زیادی را در مدل سازی فراهم می کنند ، اما همچنین منجر به پیچیدگی محاسباتی قابل توجه و مصرف منابع می شوند. ما بیشتر محیط های تجزیه و تحلیل داده های سازمانی را مشاهده می کنیم که برای پشتیبانی از تجزیه و تحلیل گرافیکی در مقیاس شدید طراحی و بهینه شده اند.

پایگاه داده های گرافیکی ستون اصلی این خط جدید است. آنها رابط های برنامه نویسی برنامه (API) ، زبانها و سایر ابزارهایی را فراهم می کنند که مدل سازی ، پرس و جو و نوشتن پیوندهای داده ای مبتنی بر گرافیک را تسهیل می کنند. و آنها طی دو سه سال گذشته وارد معماری ابر سازمانی شده اند ، خصوصاً از زمانی که AWS به ترتیب Neptune و Microsoft Azure و Cosmos DB را راه اندازی کرد و هرکدام تجزیه و تحلیل داده های گرافیکی را در پایگاه داده های سرویس گیرنده ابری خود قرار دادند.

بر اساس پذیرش پایگاه داده های گرافیکی ، شبکه های عصبی گرافیکی (GNN) یک رویکرد نوظهور است که از الگوریتم های آماری برای پردازش مجموعه داده های گرافیکی استفاده می کند. با این حال ، GNN ها از نظر تحقیق و توسعه کاملاً جدید نیستند. تحقیقات در این زمینه از اوایل دهه 1990 با تمرکز بر کاربردهای اساسی علم داده در پردازش زبان طبیعی و سایر زمینه های دارای ساختار داده های پیچیده ، بازگشتی و انشعابی ادامه یافته است.

GNN را نباید با نمودارهای محاسباتی ، که بعضاً “تنسور” شناخته می شوند ، اشتباه گرفت ، الگوریتم های ML / DL که از آنها تشکیل شده است. در یک روند جذاب که در آن AI به ساخت AI کمک می کند ، از ابزارهای ML / DL مانند آموزش جستجوی معماری عصبی و آموزش تقویت به طور فزاینده ای برای بهینه سازی گرافیک محاسباتی برای استقرار دستگاه های نهایی و سایر سیستم عامل های هدف استفاده می شود. در حقیقت ، احتمالاً فقط زمان لازم است که از GNN ها برای بهینه سازی ساختارها ، وزنها و ابر پارامترهای GNN استفاده شود تا نمایش دقیق تر ، سریع و کارآمد داده های نمودار را مدیریت کند.

در دنیای جدید از ابر تا انتها ، سیستم عامل های AI به طور فزاینده ای برای بارهای کاری GNN طراحی می شوند که کاملاً موازی ، توزیع شده ، در حافظه و زمان واقعی هستند. GNN اکنون برخی از برنامه های تجاری قدرتمند را مدیریت می کند.

به عنوان مثال ، علی بابا GNN را برای خودکار کردن توصیه های محصول و جستجوی شخصی در سیستم تجارت الکترونیکی خود پیاده سازی کرده است. اپل ، آمازون ، توییتر و سایر شرکت های فناوری ML / DL را برای داده های نمودار دانش برای پاسخ به س questionsالات و جستجوی معنایی اعمال می کنند. مدل های Google PageRank جستجوی متناسب با مجموعه ای از صفحات وب مرتبط را که به عنوان گرافیک مدل شده اند ، آسان تر می کند. و ماژول DeepMind گوگل با استفاده از GNN به برنامه های دید رایانه ای اجازه می دهد بدون نیاز به رمزگذاری قوانین فیزیک ، در چند فریم از یک صحنه ویدئو اتفاقات طولانی مدت را پیش بینی کنند.

یک لحظه مهم در ادغام GNNs ، راه اندازی Neptune ML در دسامبر سال 2020 در AWS بود. این سرویس ابری جدید ، مدلسازی ، آموزش و استقرار شبکه های عصبی مصنوعی را در مجموعه داده های گرافیکی به صورت خودکار انجام می دهد. این به طور خودکار بهترین مدل بار کاری ML را انتخاب و آموزش می دهد و به توسعه دهندگان اجازه می دهد تا تولید پیش بینی های مبتنی بر ML را روی داده های گرافیکی تسریع کنند. با صرفه جویی در توسعه دهندگان نیاز به تجربه در ML ، Neptune ML از توسعه آسان مدل های عفونت برای طبقه بندی و پیش بینی گره ها و پیوندها در داده های گرافیکی پشتیبانی می کند.

Neptune ML حتی در هنگام پردازش مجموعه داده های گرافیکی شامل میلیاردها اتصال ، برای سرعت بخشیدن به بارهای کاری GNN طراحی شده است. از کتابخانه Deep Graph Library (DGL) ، یک کتابخانه منبع باز که AWS همراه با پلتفرم علوم داده ابری خود SageMaker راه اندازی کرد ، استفاده می کند. DGL برای اولین بار در دسامبر 2018 در Github راه اندازی شد ، یک کتابخانه منبع باز پایتون برای مدل سازی سریع ، آموزش و ارزیابی مجموعه داده های GNN به صورت گرافیکی است.

هنگام استفاده از Neptune ML ، مشتریان AWS فقط هزینه منابع ابری مورد استفاده را می پردازند ، مانند سکوی علمی داده آمازون SageMaker ، پایگاه داده های گرافیکی آمپول آمپول ، برنامه نظارت بر آمازون CloudWatch و ابزار نظارت بر زیرساخت و سرویس آمازون آمازون. S3.

Graphics AI به سهم فزاینده ای از منابع رایانش ابری نیاز دارد

تجزیه و تحلیل گرافیکی هنوز از محدوده پایگاه های تجزیه و تحلیل سنتی خارج است و حتی از توانایی بسیاری از پایگاه های داده Hadoop و NoSQL فراتر است. پایگاه داده های گرافیکی یک بخش جوان اما بالقوه عظیم از معماری های تجزیه و تحلیل داده های بزرگ سازمانی است.

با این حال ، این بدان معنا نیست که شما برای انجام تجزیه و تحلیل نمودار نیاز به تهیه یک پایگاه داده جدید دارید. می توانید به درجات مختلف ، مدل های گرافیکی را در طیف گسترده ای از پایگاه های اطلاعاتی موجود شرکتها اجرا کنید. این دلیل مهمی است که باعث می شود مشاغل بدون نیاز به استفاده سریع از معماری ابری کاملاً جدید یا معماری پایگاه داده ، اکنون بتوانند با GNN بازی کنند. یا آنها می توانند Neptune ML و سایر راه حلهای GNN Aptu را امتحان کنند که انتظار داریم رایانه های ابری قدرتمند دیگری امسال راه اندازی شوند.

اگر شما توسعه دهنده ML / DL سنتی هستید ، GNN می تواند یک رویکرد جدید هیجان انگیز اما چالش برانگیز برای کار باشد. خوشبختانه ، پیشرفت های مداوم در معماری شبکه ، محاسبات موازی و تکنیک های بهینه سازی ، همانطور که توسط توسعه AWS در نپتون پیشنهادی آن ثابت می شود ، یک GNN کاملتر را به جریان اصلی AI وارد می کند.

طی دو تا سه سال آینده ، GNN به یک ویژگی استاندارد در اکثر چارچوب های AI و خطوط لوله DevOps تبدیل خواهد شد. با این حال به خاطر داشته باشید که از آنجا که هوش مصنوعی مبتنی بر گرافیک توسط کسب و کار در همه جا به عنوان چالش برانگیزترین ابتکارات خود تصور می شود ، ثابت می کند که این یک ماده عالی خوک است.

GNN در حال حاضر در مقیاس وسیعی کار می کند. بسته به میزان داده ، پیچیدگی مدل ها و دامنه کاربردها ، GNN ها می توانند به راحتی به کاربران عظیمی از پردازش ، ذخیره سازی ، پهنای باند I / O و سایر منابع بستر بزرگ داده تبدیل شوند. اگر شما نتایج پردازش گرافیک را در برنامه های زمان واقعی مانند ضد تقلب هدف قرار داده اید ، به یک پایگاه داده از گرافیک های کم پایان و تأخیر کم احتیاج دارید.

اندازه GNN مطمئناً با جهش و افزایش افزایش می یابد. این بدان دلیل است که ابتکارات AI گرافیکی شرکتی بدون شک پیچیده تر خواهد شد ، دامنه منابع داده های گرافیکی به گسترش خود ادامه می دهند ، بارهای کاری به ترتیب بزرگتر جهش می یابد و نیازهای تأخیر کم نیز سخت تر می شود.

اگر جدی هستید که در عصر گرافیک هوش مصنوعی خود را به یک شرکت تبدیل کنید ، باید وسط محاسبات ابری را در هر قسمت مقیاس بندی کنید. به زودی اجرای گرافیک متشکل از تریلیون ها گره و لبه برای GNN معمول می شود. معماری پایگاه داده موازی عظیمی بر روی نمودار پایگاه داده وجود خواهد داشت سخت گیری برای کاربردهای AI گرافیکی. ساختارهای پایگاه داده ابری به گونه ای تکامل یافته اند که امکان کشف ، پردازش ، پرس و جو و تجزیه و تحلیل سریعتر ، کارآمدتر دامنه ای را که به طور مداوم در حال گسترش است ، از انواع داده ها و قالب های گرافیکی گسترش می دهد.

این امکان وجود دارد که با در دسترس قرار گرفتن سیستم عامل های هوش مصنوعی کوانتومی در طی این دهه ، GNN بتواند به برنامه های ویترین آنها تبدیل شود.

این مقالات جیمز کوبلوس را دنبال کنید:

پیش بینی هوش مصنوعی برای سال 2021

پیش بینی اینکه چگونه بایدن از پس سیاست های فناوری برآید

فناوری Deepfake

جیمز کوبلوس یک تحلیلگر ، مشاور و نویسنده مستقل در صنعت فناوری است. در اسکندریه ، ویرجینیا زندگی می کند. بیوگرافی کامل را مشاهده کنید

ما از نظرات شما در مورد این موضوع در کانال های رسانه های اجتماعی خود استقبال می کنیم [contact us directly] با س questionsال در مورد سایت.

مقالات بیشتر




منبع: tasiveh-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>