درباره رایانش توزیع شده در هوش مصنوعی بیشتر بدانید

هوش مصنوعی (AI) و یادگیری ماشینی (ML) بر تمام صنایع سایه افکنده‌اند و این تنها بخشی از کاربردهای گسترده‌ آن‌هاست. ایان استویکا، مدیر اجرایی و رئیس Anyscale، معتقد است که آینده‌ هوش مصنوعی در رایانش توزیع‌شده خلاصه می‌شود. به عبارت دیگر، رایانش توزیع شده در هوش مصنوعی  یکی از تحولات بزرگی است که در فناوری هوش مصنوعی اتفاق خواهد افتاد. در رایانش توزیع‌شده، اجزای سیستم‌های نرم‌افزاری میان کامپیوترها به اشتراک گذاشته شده و به‌عنوان یک سیستم واحد عمل می‌کنند؛ بدین ترتیب، کارآیی و عملکرد ارتقاء می‌یابد.

با این‌ حال، علی‌رغم ضرورت و اهمیت رایانش توزیع‌شده، نوشتن نرم‌افزارهای توزیع‌شده کار آسانی نیست. به عقیده‌ استویکا، این کار نسبت به گذشته سخت‌تر هم شده است. در واقع، ادغام رایانش توزیع شده در هوش مصنوعی  و یادگیری ماشینی چالش‌های فراوانی دارد. میزان دشواری پیاده‌سازی سیستم‌های توزیع‌شده با یکدیگر تفاوت زیادی دارند؛ از سوی دیگر، مهندسان باید تمام جنبه‌های شبکه و دستگاه، از جمله باگ‌های احتمالی، را آزمایش کنند.

به همین دلیل است که شرکت‌هایی از قبیل Anyscale مجموعه‌ ابزاری ارائه می‌دهند که در امر ساخت، اجرا و مدیریت نرم‌افزارهای توزیع‌شده به توسعه‌گرها کمک می‌کنند.

بنیان‌گذاران شرکت Anyscale یک چارچوب متن‌باز هوش مصنوعی توزیع‌شده به نام Roy خلق کرده‌اند که مقیاس‌بندی بار کاری هوش مصنوعی به فضای ابری را ساده‌تر می‌کند. Ray به کاربران اجازه می‌دهد کدهای متوالی پایتون را با کمترین تغییر ممکن، به یک نرم‌افزار توزیع‌شده تبدیل کنند.

ساخت نرم‌افزارها با استفاده از سیستم توزیع‌شده

محصول Anyscale به سرور نیازی ندارد و از فضای ابری نیز مستقل است. به‌علاوه، هم از محاسبات بدون حالت و هم از محاسبات حالت‌دار پشتیبانی می‌کند. این ابزار، سرورها و خوشه‌ها را از معادله خارج می‌کند و امکان مقیاس‌بندی خودکار را فراهم می‌آورد. طبق توضیحات استویکا، میزان محاسبات موردنیاز برای آموزش مدل‌های تحول‌آفرین هوش مصنوعی به صورت نمایی رو به افزایش است. برای نمونه، مدل PaLM گوگل 530 میلیارد پارامتر دارد. شمار پارامترهای برخی مدل‌ها به بیش از یک تریلیون نیز می‌رسند.

در حال حاضر، بین ملزومات نرم‌افزارها و قابلیت‌های یادگیری ماشینی پردازشگرها یا سرورها شکاف بزرگی وجود دارد. استویکا نیز خاطرنشان می‌کند که در سال 2014، هنگام انتشار مدل Apach Spark، همه‌ ماشین‌ها همگن در نظر گرفته می‌شدند؛ اما این مفروضه برای مدل‌های کنونی صدق نمی‌کند.

در خصوص رایانش توزیع شده در هوش مصنوعی  این سخن استویکا حائز اهمیت است که می‌گوید: «هیچ راهی برای پشتیبانی از این بار کاری سنگین وجود ندارد، مگر توزیع. ساخت نرم‌افزارهای یادگیری ماشینی چندین گام دارد، از جمله برچسب‌گذاری، آموزش وابسته به داده، تنظیم و آموزش تقویتی. هر یک از این مراحل را باید مقیاس‌بندی کرد و بدین منظور، برای هر مرحله احتمالاً باید سیستم توزیع‌شده متفاوتی به کار برد.»

ساخت روال‌های پردازشی یکپارچه به اتصال سیستم‌هایی از این دست و مدیریت و توسعه‌ مجدد نیاز دارد که امری زمان‌بر است. استویکا در مورد Anyscale و Ray می‌گوید: «هدف ما آسان‌تر کردن رایانش توزیع‌شده و کاهش این بار کاری بوده است.»

جایگاه فعلی هوش مصنوعی در کجاست؟

با توجه به مقیاس گسترده‌ هوش مصنوعی و یادگیری ماشینی، می‌توان گفت که Ray کاربردهای بی‌شماری دارد؛ از جمله می‌توان به صنایع مالی، بازرگانی، تولید و حتی سرگرمی اشاره کرد. یکی از کاربردهای Ray در آزمایش بازی‌هاست؛ در بازی‌های آنلاین، معمولاً نفرات کافی در یک اتاق یا منطقه‌ خاص برای تعامل حضور ندارند.

استویکا در مورد جایگاه فعلی هوش مصنوعی، به تدریجی بودن فرایند پیشرفت اشاره می‌‌کند و معتقد است که جایگاه هوش مصنوعی در حال حاضر مانند موقعیت کلان‌داده در ده سال قبل است. وی باور دارد که بلوغ این فناوری به زمان نیاز دارد، چون فقط به توسعه ابزار خلاصه نمی‌شود و آموزش متخصصان را نیز در بر می‌گیرد.

دانشگاه‌ها و مؤسسات آموزشی تنها چند سال است که مدارک علوم داده را ارائه می‌دهند؛ اما در حال حاضر، تعداد دوره‌های آموزشی در حوزه‌ هوش مصنوعی بیشتر شده است و این روند رو به افزایش ادامه هم خواهد داشت.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید