การจัดการโปรเจกต์แอปพลิเคชันประดิษฐ์และการเรียนรู้ของเครื่องนั้นเป็นเรื่องของการปรับตำแหน่งที่ข้อมูลและแอปพลิเคชันอยู่อย่างละเอียด ศูนย์ข้อมูลเทียบกับระบบคลาวด์มีความสำคัญน้อยกว่าเรื่องความสามารถในการพกพาระหว่างศูนย์ข้อมูล ระบบคลาวด์และการประมวลผลที่ขอบ ซึ่งสอดคล้องกับความพร้อมใช้งานที่เหมาะสมที่สุดและการควบคุมต้นทุน ดังนั้นจึงเป็นเรื่องสำคัญที่หน่วยงานต่างๆ จะใช้ความพยายามในการวางแผนโครงสร้างพื้นฐานสำหรับระบบที่โฮสต์ข้อมูลการพัฒนาและการฝึกอบรม AI รวมถึงแอปพลิเคชัน AI ที่ปรับใช้ได้
ในยุคคลาวด์ ข้อกำหนดด้านการจัดการนี้ขยายไปถึงหน่วยงาน
คลาวด์เชิงพาณิชย์ที่ใช้เป็นส่วนประกอบในสภาพแวดล้อมการประมวลผลแบบไฮบริด ด้วยแนวทางร่วมสมัยสำหรับระดับพื้นที่จัดเก็บข้อมูล การตัดสินใจในการโฮสต์แอปพลิเคชัน และการค้นหาและอัปเดตศูนย์ข้อมูลของหน่วยงาน เจ้าหน้าที่ไอทีสามารถค้นพบประสิทธิภาพที่ช่วยให้สามารถพัฒนา AI ได้อย่างคุ้มค่า
สำหรับความคิดล่าสุดบางอย่าง Federal News Network ได้พูดคุยกับ Nic Perez หัวหน้าเจ้าหน้าที่ฝ่ายเทคโนโลยีสำหรับการปฏิบัติบนระบบคลาวด์ที่ ThunderCat Technology; และ Al Ford ผู้จัดการพันธมิตรด้านปัญญาประดิษฐ์ของ Dell Technologies
Perez กล่าวว่าการพัฒนาแอปพลิเคชัน AI ที่เคยต้องใช้สภาพแวดล้อมการประมวลผลประสิทธิภาพสูงที่ดำเนินการโดยเอเจนซี่และเครื่องมือซอฟต์แวร์ที่เกี่ยวข้องนั้นกำลังหาทางไปสู่ระบบคลาวด์เชิงพาณิชย์
“ข้อดีประการหนึ่งของคลาวด์คือหน่วยงานสามารถใช้ประโยชน์จากการประมวลผลและพลังที่มีอยู่ในผู้ให้บริการคลาวด์เหล่านี้” เปเรซกล่าว “ย้ายข้อมูลของคุณ แล้วเพิ่มพลังการประมวลผลให้เต็มที่”
คลาวด์ที่แตกต่างกันมีชุดเครื่องมือที่แตกต่างกัน
ช่วยให้ผู้ปฏิบัติงานในหน่วยงานมีความยืดหยุ่นในระดับของระบบอัตโนมัติที่พวกเขาต้องการในการจัดเตรียมและฝึกอบรมแอปพลิเคชัน AI เปเรซกล่าวว่าในช่วงปีที่ผ่านมา เขาเห็นหน่วยงานจำนวนมากที่ย้ายการวิเคราะห์ข้อความ คำพูด และข้อมูลวิดีโอไปยังคลาวด์ และใช้งาน AI กับข้อมูลที่นั่น
ในกรณีอื่นๆ ฟอร์ดกล่าวว่า การฝึกอบรมและปรับใช้แอปพลิเคชันปัญญาประดิษฐ์ไม่ว่าจะในระบบคลาวด์หรือในศูนย์ข้อมูลอาจสมเหตุสมผล แต่ควรอยู่ในสภาพแวดล้อมการประมวลผลแบบเอดจ์
ตัวอย่างเช่น “อาจเป็นได้ว่าคุณเป็นส่วนหนึ่งของการสำรวจทางธรณีวิทยา และคุณมียานพาหนะที่ถือกล้องถ่ายรูป และคุณจำเป็นต้องเข้าถึงยานพาหนะนั้น ดังนั้นขอบสามารถออกไปใช้งานได้จริง” ฟอร์ดกล่าว รถบรรทุก เครื่องบิน Humvees – ทั้งหมดสามารถใช้เป็นตำแหน่ง Edge Computing ได้ เขากล่าวว่าเวิร์กโหลดแบบไฮเปอร์คอนเวอร์เจนและคอนเทนเนอร์นั้นสามารถเคลื่อนย้ายได้ง่ายระหว่างทรัพยากรคอมพิวเตอร์ที่คุณรวบรวมข้อมูล ในกรณีเช่นนี้ ฟอร์ดกล่าวว่าหน่วยงานอาจพบว่ามีประโยชน์ในการเพิ่มชุดซอฟต์แวร์ลงในคลาวด์ ซึ่งพวกเขาสามารถสื่อสารไปยังเอดจ์ได้ ซึ่งปัญญาประดิษฐ์กำลังเกิดขึ้น
มิฉะนั้น Ford กล่าวว่า แอปพลิเคชันที่รันชุดข้อมูลขนาดใหญ่ในทรัพยากร Edge มักจะได้ประโยชน์จากการเพิ่มตัวเร่งความเร็ว GPU ในเครื่อง สิ่งเหล่านี้ช่วยเพิ่มประสิทธิภาพในขณะที่ช่วยให้หน่วยงานหลีกเลี่ยงค่าใช้จ่ายบางส่วนที่เกี่ยวข้องกับการย้ายปริมาณข้อมูลขนาดใหญ่และปริมาณงานเข้าและออกจากระบบคลาวด์เชิงพาณิชย์
หน่วยงานอาจพบว่าด้วยวิธีการนี้ พวกเขาอาจต้องการเพียงถ่ายโอนผลลัพธ์ของแอปพลิเคชันซึ่งเป็นผลการตัดสินใจของ AI ผ่านเครือข่ายของตนเท่านั้น ข้อมูล แอปพลิเคชัน และการคำนวณจะอยู่ในเครื่อง
อีกทางเลือกหนึ่งคือการให้ผู้ขายเป็นเจ้าของและดำเนินการจำลองศูนย์ข้อมูลของหน่วยงาน แต่ในสถานที่ที่ปลอดภัย “ในกรง” ซึ่งดูแลโดยผู้ขาย ข้อดี ได้แก่ การมีอำนาจในการคำนวณเชิงกลยุทธ์ทางภูมิศาสตร์โดยไม่ต้องใช้เงินลงทุนขนาดศูนย์ข้อมูล
“คุณกำลังใช้อุปกรณ์เดิมๆ เทคโนโลยีเดิมๆ การศึกษาและการลงทุนเดิมๆ ที่คุณเคยมีมาเป็นเวลาหลายปี” เปเรซกล่าว “ตอนนี้คุณกำลังก้าวเข้าสู่ขั้นต่อไปและสามารถทำได้เร็วขึ้นและเร็วขึ้น” และในรูปแบบต้นทุนการบริโภคที่คาดการณ์ได้
Perez และ Ford กล่าวว่าสิ่งสำคัญคือต้องแยกแยะระหว่างระยะเวลาการฝึกอบรมของ AI และการปรับใช้ ในแง่ของตำแหน่งและสถาปัตยกรรมที่ดีที่สุด แต่ละคนอาจต้องการการตั้งค่าคอมพิวเตอร์ที่แตกต่างกันเพื่อประสิทธิภาพสูงสุด โดยทั่วไปการฝึกอบรมจะมีประสิทธิภาพมากกว่าในระบบคลาวด์ ในขณะที่การปรับใช้มักต้องการแนวทางแบบรวมศูนย์
“อย่างมีประสิทธิภาพ federated แทนที่จะนำข้อมูลจากเอดจ์กลับมาหาคุณ ทำไมไม่ส่งการวิเคราะห์เหล่านั้นในคอนเทนเนอร์เสมือนจริงนั้นไปที่เอดจ์ เพื่อที่คุณจะได้ไม่ต้องย้ายข้อมูล” ฟอร์ดกล่าว “จากนั้น เมื่อคุณได้ผลลัพธ์ที่คำนวณที่ขอบแล้ว คุณจะส่งผลลัพธ์กลับมาเท่านั้น”
