Annabelle Stephenson
כשחברות מקבלות את הפוטנציאל של המודל המלאכותי (AI) לצורך פעולות העסק, נוף העבודות בתחום המליאה מתרחש כמהלך משמעותי. מסורתית, העבודות בתחום המליאה עברו עיבוד במרכזי הנתונים, הדורשים חומרה מתוחזקת ויקרה לצורך הכשרת המודלים. במידה והתחום של AI מתבגר, ישנה מגמה שואפת ללמידה לפי הערכה ואופטימיזציה של המודלים הקיימים. השינוי הזה מפתח הזדמנויות חדשות עבור AI כשירות, המוצעת על ידי ספקי שירותי ענן גדולים.
במרכזי הנתונים, תופס תודעה חדשנית לניצול של שרתים מסורתיים לעבודות AI. המעבר לפתרונות יעילים כלכלית יותר משתנה כבנה של יתרון ספיר לשחקנים מוכרים בתחום המרכז לנתונים. כמתודולוגיות דמיון חדשות יזמוטו, שרתים מסורתיים יכולים לטפל בעבודות אלו ביחס עלות/ביצועים מרבי נאה וזמינות חישובית גדולה יותר. זה מסיר את הצורך ביצירת השקעות ראשיות על חומרה יקרה שדרויג התייחסות בלבד לצורך הכשרה.
בינתיים, החישוב המשולב מוכן להפוך ליעד ראשי עבור העבודות AI בעתיד הקרוב. הקצה מכיל מגוון רחב של מערכות ויכולות עיבוד, ממערכות חיישנים קטנות ועד רכבים אוטונומיים ואבחון רפואי. המעבר הזה למערכות על בסיס הקצה מציע יתרונות רבים, כולל איחורים נמוכים יותר, אבטחה משופרת ויעילות גדולה יותר.
על מנת לתמוך באקוסיסטמה שואפת של החישוב על הקצה, נודע צפה כי פלטפורמות פתוחות מקור וסביבות פיתוח ישמשו תפקיד קריטי. להבדל מפתרונות פוטנצייאליים, כגון CUDA של Nvidia, אקוסיסטמה פתוחה ותואמת כגון Arm ו-x86 נותנת תאמות עבור צורך מחשבים שונים. הגמישות הזו מאפשרת התאמה קלה והעברה של פתרונות, קלועת אפשרות של יחידים בגודל קטן ועד סביבות מחשוב בגודל גדול.
