AI как необходимость и необходимое для AI

27 января 2021 г.

Российскому каналу предстоит массово поставлять специализированное оборудование с расширенными возможностями AI-вычислений, а интеграторам — внедрять решения с AI-элементами в возрастающих количествах разнообразных кейсов. Напомним, что специализированные чипы AI-ускорителей включены CRN в список наиболее значимых восходящих технологий по итогам 2020 наряду с 3D-печатью, «дополненной реальностью», SASE и т. д. Сейчас они начнут добираться до продуктов, которые будут востребованы в бизнес-системах. Почему так случилось: бум AI идет уже который год, но именно сейчас нужно обращать особое внимание на специализированное оборудование такого типа? Что поменялось в индустрии и на рынке?

Почему сейчас?

Рынок глобально «распробовал» возможности AI, растет количество прикладных задач, увеличивается их сложность. Соответственно, растут требования к вычислительным мощностям для исполнения и, главное, для разработки. Нейросети прекрасно работают на процессорах общего назначения. Наличие графического ускорителя в составе аппаратного комплекса позволяет существенно увеличить скорость работы программ на основе нейросетей. Наличие специализированного нейроускорителя позволяет получить заметный выигрыш в скорости при выполнении приложений рассматриваемого нами типа.

Напомним, что сегодня «искусственным интеллектом» (AI — Artificial intelligence) чаще всего называют машинное обучение нейросетей (ML — Machine Learning), что представляет собой с точки зрения бизнеса и технологий способ программирования, радикально отличный от привычного написания кода. В общем случае понятие AI много шире, но до «универсального искусственного интеллекта» (AGI, Artificial General Intelligence), работающего подобно человеческому мышлению, еще довольно далеко, да и не все готовые разработки добрались до внедрений на массовом рынке. Заметим также, что работа с нейросетями имеет две стороны: обучение новых и работа с уже обученными. Обучение требует огромных вычислительных мощностей, так как в этом процессе задействованы «большие данные», которые нужно обрабатывать обучаемой нейросети.

Остро встает вопрос об актуальности специализированных аппаратных средств, которые будут способны радикально увеличить скорость работы нейропрограмм — для исполнения готовых это приятно, для обучения новых это необходимо. Про необходимость большие мощностей при обучении говорит Евгений Колесников, руководитель Центра машинного обучения «Инфосистемы Джет», отмечающий, что на этапе эксплуатации AI-решений потребность в вычислительных мощностях много меньше, поэтому заказчики даже в прошлом году обычно не нуждались в приобретении специального аппаратного парка. Но ситуация развивается, и потребности в специализированных вычислительных мощностях быстро растут и на стороне заказчиков.

Симфония AI и бизнеса

Процесс «распробования» участниками рынка возможностей нейросетей все еще продолжается, но общие тренды уже очевидны. Результаты применения AI превосходят ожидания и обеспечивают значительные конкурентные преимущества, как показало проведенное в середине прошлого лета исследование «Emerging Technologies: Driving Financial and Operational Efficiency», в котором принял участие Oracle. Заметим, что сказанное оказалось также справедливо и для других новых технологий — блокчейна, IoT, «цифровых помощников» и пр. — но в данном случае мы опять приходим к использованию AI, только к косвенному: две последние технологии для использования в реальных задачах настоятельно требуют инструментов с «искусственным интеллектом».

AI-инструменты влияют на бизнес-показатели, причем это влияние уже крайне серьезно: например, число ошибок при выполнении заказов уменьшается на 25%, дефицит складских запасов — на 30%, а продолжительность простоев при производстве падает на 26%, по данным исследования Oracle. Заметим, что к AI проявляют все больший интерес как корпорации, так и предприятия из сегмента SMB — им тоже надо оптимизировать складские запасы и снижать время простоев на производстве.

Однако заметим, что кроме задач, в которых «искусственный интеллект» дает выигрыш и способствует «цифровой трансформации», есть множество задач, в которых без AI уже не обойтись. Есть большое количество ниш, задачи в которых уже никак не решить ни «вручную», ни традиционной автоматизацией, требуются элементы на основе AI. Количество таких ниш стремительно увеличивается.

Применение AI может быть самым неожиданным. Например, интересные решения появляются в сегменте EdTech. «Рынок EdTech растет ударными темпами, и на сегодняшний день это направление можно назвать одним из самых перспективных», — говорит Виктор Орловский, основатель и управляющий партнер Fort Ross Ventures.

Например, недавно Тамканский университет, развивая «образовательную среду будущего», внедрил решение ViewSonic myViewBoard Sens, «компьютерное зрение» анализирует эмоциональное состояние студентов и определяет обстановку в аудитории. «Мы используем искусственный интеллект в образовательной среде для анализа реакций студентов и обстановки в аудитории в реальном времени», — говорит Джеймс Чу, председатель совета директоров и генеральный директор ViewSonic.

ИТ: людей мало — задач много

По мере быстрого развития возникает дефицит квалифицированных кадров, который, судя по всему, будет лишь усиливаться. Это уже хорошо заметно как в отдельных нишах, так и на целых рынках. Про AI в технологических стеках мы говорили прошлой осенью. Однако в ряде случаев AI оказывается необходим для штатного функционирования как ИТ-инфраструктур, так и целых вертикальных рынков.

Про такую ситуацию в отдельных сегментах современного телекома говорит Антон Палагин, руководитель направления глобальной стратегии IBM Hybrid Cloud в области 5G/EDGE, где сейчас складываются уникальные возможности для трансформации, формируются мощные драйверы «для моделей, которые мы еще не встретили», но где без AI не справиться. Быстрый рост количества небольших региональных ЦОДов приводит к росту запросов на администраторов с профильной квалификацией, которых в регионах по понятным причинам дефицит. Конечно, можно привлекать команды «на удаленке», покупать Data-center Management as a Service, но людей все равно не будет хватать, нагрузка на специалистов окажется высокой. Как уверен Артур Хашимов, старший менеджер по решениям ЦОД в российском представительстве Huawei, для эффективной работы потребуются специализированные инструменты на основе AI.

Аналогичных примеров можно приводить много — высоконадежные сервисы требуют обработки большого количества данных. Компании строят экосистемы, для которых собирают данные со всего мира, но для «конвертации» данных в информацию требуется AI. Например, ЦОДам нужен не набор «точечных» сервисов по отдельным компонентам, а обслуживание в рамках единой экосистемы, отмечал Алексей Соловьев, технический директор подразделения Secure Power в Schneider Electric. Для этого, напомним, Schneider Electric создал и продвигает EcoStruxure — единую платформу для управления инфраструктурой ЦОДов разного размера Обеспечиваемая при ее внедрении «цифровая прозрачность» всей инфраструктуры позволяет понимать, что происходит и будет происходить с каждым элементом, что существенно снижает риски. Однако для работы проактивных и рекомендательных сервисов нужен анализ огромного количества данных, собираемых по всему миру с ЦОДов, подключенных к EcoStruxure, а аналитика такого уровня невозможна без AI.

Другой пример, также связанный с высоконадежными сервисами: Hewlett Packard Enterprise обеспечивает надежность Nimble — интеллектуального самоуправляемого флэш-хранилища для ЦОДов и «облаков» — на уровне 99,9999%, по заявлению компании, что составляет всего 32 секунды простоя в год. Для обеспечения такой надежности нужны как конструктивные особенности, так и собственная мини-экосистема, включающая подсистему прогнозной аналитики, использующую AI. По данным НРЕ, такая система выполняет постоянный мониторинг состояния хранилищ по всему миру и, как показывает практика, может превентивно решать до 89% возникающих проблем, причем 54% таковых оказывается за пределами СХД.

Дефицит кадров — во всех сегментах

Похожие ситуации существуют как в ИТ/ телекоме, но и в других сегментах экономики. В этот перечень попадает медицина — медработников тоже не хватает, поэтому чтобы снизить нагрузки на врачей и на средний персонал создают системы компьютерного зрения для анализа снимков, рекомендательные сервисы, решения для распознавания голоса, облегчающие заполнение документов, и т. д. Система для голосового заполнения медицинской документации экономит до 20% времени врача, говорит Андрей Хрулев, директор по бизнес-развитию направления биометрических систем в группе компаний ЦРТ.

Другой пример — нарастающий недостаток квалифицированных кадров в сельском хозяйстве заставляет внедрять автопилотируемую технику для полей, роботов для ферм, «умные системы» для управления теплицами и т. д. И этот список вертикальных рынков разного размера, где необходим AI, можно продолжать еще долго.

Есть и более узкоспециализированные задачи, требующие AI. Заметим, что все цифровые помощники" с рекомендательными сервисами — в том числе, для ИТ-администраторов, для врачей или для агрономов — используют элементы «искусственного интеллекта». Цифровые помощники повышают производительность труда в среднем на 36%, по данным упомянутого выше исследования Oracle.

Системы компьютерного зрения актуальны для анализа рентгеновских снимков и данных МРТ, когда они экономят время врача, и совершенно необходимы для решений видеонаблюдения, которые сегодня не смогут работать без видеоаналитики, помогающей операторам в отслеживании проблемных и/или потенциально опасных ситуаций.

«С помощью видеоаналитики следят за правильностью применения средств индивидуальной защиты (СИЗ) на работниках, контролируют доступ в запретные зоны, анализируют состояние водителей, выявляют открытый огонь, задымление, прорыв трубопровода и другие опасные ситуации, которые могут привести к травмам или авариям на производстве», — говорит Иван Попков, руководитель направления прикладных решений для промышленности в компании КРОК.

Заметим, что перечень ситуаций, которые можно и нужно отслеживать видеоаналитикой с AI, гораздо шире, тут доступно распознавание заезда транспортного средства за стоп-линию при красном сигнале светофора, поиск в толпе лиц, находящихся в розыске, определение мошеннических действий персонала (например, продажа «из-под прилавка») и т. д.

Промежуточные итоги

Решения на основе AI становятся остро востребованы массовым рынком. Разработка подобных систем в ряде случаев — обучение нейросетей — оказывается проще и быстрее, чем традиционное программирование. Однако и для процесса обучения, и для исполнения созданных решений нужны дополнительные вычислительные мощности, оптимизированные для соответствующих нагрузок. Компоненты для AI-вычислений производят ведущие компании — Nvidia, Intel, Huawei и многие другие — на основе этих модулей создают компьютеры, пригодные для локального использования, «облаков», EDGE и других применений. Но о «железе», присутствующем в канале, и о прочем, что необходимо для «искусственного интеллекта» в современных условиях, мы поговорим в следующий раз.

Источник: Александр Маляревский, внештатный обозреватель CRN/RE