3 Xu hướng của Machine Learning năm 2018

Năm 2017 chứng kiến sự phát triển nhanh chóng của trí tuệ nhân tạo (AI) và máy học (Machine Learning ML). Từ các nhà cung cấp nền tảng lớn đến các công ty mới khởi nghiệp, AI và ML trở thành những lĩnh vực trọng tâm. Các nhà đầu tư đã đổ hàng tỷ đô la để tài trợ cho các startup AI. Các công ty đang phát triển về AI và những khóa học về ML liên tục được mở ra, tương lai sẽ không có ngành nào không bị ảnh hưởng bởi xu thế này.

Amazon, Apple, IBM, Google, Facebook và Microsoft đang cạnh tranh với nhau để làm cho ML có thể tiếp cận gần hơn các nhà phát triển. Số lượng kiến thức cũng như những website về chủ đề này tăng nhanh chóng trong năm vừa qua.

Dưới đây sẽ là 3 xu hướng của AI và Machine Learning trong năm 2018.

DevOps cho khoa học dữ liệu

Một nhà khoa học dữ liệu được định nghĩa là một cá nhân giỏi thống kê hơn một lập trình viên trung bình và một lập trình viên giỏi hơn so với một nhà thống kê trung bình. Các nhà khoa học dữ liệu tập trung vào việc tìm kiếm mẫu ẩn trong bộ dữ liệu. Họ áp dụng mô hình thống kê đã được chứng minh cho bộ dữ liệu hiện đại để giải quyết các vấn đề kinh doanh.

Mặc dù các nhà khoa học dữ liệu đối phó với Python, R và Julia để tạo ra các mô hình học máy, nhưng chúng không được trang bị để xử lý cơ sở hạ tầng và môi trường cần thiết để phát triển và triển khai các mô hình ML. Trong giai đoạn phát triển, các mô hình ML sẽ được chuyển qua lại giữa các môi trường phát triển địa phương và các môi trường đào tạo dựa trên đám mây, nơi các máy ảo dựa trên GPU được sử dụng phát triển quy mô. Các nhà khoa học dữ liệu cần một cơ chế đơn giản để thực hiện việc đi lại giữa môi trường địa phương và môi trường dựa trên đám mây.

Cuối cùng, một mô hình được đào tạo là một đoạn mã khác cần được xử lý giống như bất kỳ ứng dụng quan trọng khác. Họ cần được triển khai trong các môi trường an toàn, có giá trị, khả năng mở rộng và đáng tin cậy.

Trong quá trình đào tạo và lập luận, có khá nhiều hệ thống ống nước phục vụ cơ sở hạ tầng cần thiết cho các nhà khoa học dữ liệu. Hệ thống ống nước này tính đến việc thiết lập hệ thống phát triển môi trường tốt nhất, sắp xếp mã như những hình ảnh của thùng chứa. Mở rộng các thùng chứa trong quá trình đào tạo và suy luận, tạo lên các mô hình hiện đại, cấu hình một đường ống để nâng cấp các mô hình với các phiên bản mới hơn liền mạch, và nhiều nhiệm vụ DevOps điển hình khác.

Khi khoa học dữ liệu trở thành xu hướng chủ đạo, DevOps cho rằng khao học dữ liệu trở nên quan trọng hơn. 2018 sẽ chứng kiến DevOps hoàn thiện và sắp xếp hợp lý phương thức dành riêng cho khoa học dữ liệu.

Amazon SageMaker and Azure ML Workbench là những người dẫn đầu cho xu hướng này. Cả 2 hệ thống này đều tập trung vào DevOps của khoa học dữ liệu.

Suy luận ở Edge

Edge computing tính toán gần hơn với các ứng dụng. Mỗi vị trí bên cạnh làm theo đám mây công cộng bằng cách phơi bày một bộ dịch vụ và điểm cuối tương thích mà các ứng dụng có thể tiêu thụ. Nó là tất cả các thiết lập để xác định lại cơ sở hạ tầng doanh nghiệp.

Vứt bỏ các lớp bên cạnh cho phép các nhà phát triển tính toán, lưu trữ và phát triển mạng. Thông thường, máy tính bên cạnh chạy trên nền tảng cơ sở hạ tầng có nhiều trở ngại, có thể không đủ mạnh để chạy những máy ảo và thùng chứa. Đây là nơi serverless đóng vai trò quan trọng để phát triển hệ thống tính toán.

Sau quá trình ảo hóa và container hóa, serverless nổi lên như một làn sóng tiếp theo của các dịch vụ tính toán. Các chức năng như một dịch vụ (FaaS), một mô hình phân phối không có máy chủ, cố gắng đơn giản hóa trải nghiệm của nhà phát triển bằng cách giảm thiểu chi phí hoạt động trong việc triển khai và quản lý mã.

Mô hình học máy hiện đại được đào tạo chi tiết trong đám mây thì được triển khai bên cạnh cùng những suy luận. Việc nâng lên nặng nề xảy ra ở đám mây công cộng trong khi mô hình được tối ưu ở bên cạnh. Mô hình suy luận mới được phơi bày như một hàm được triển khai trong môi trường tính toán không máy chủ.

Nếu lớp cạnh tính toán chạy trên phần cứng mạnh mẽ có khả năng chạy container, các mô hình suy luận ML được đóng gói và triển khai như là thùng chứa.

Ống kính sâu AWS và Cổng Azure IoT là những ví dụ về cách thức các mô hình suy luận được triển khai cùng. AWS Deep Lens chạy mô hình ML được viết bằng Python như một hàm Lambda. Trong Azure IoT Edge, các mô-đun ML được đóng gói như thùng chứa và được đẩy đến lớp cạnh.

Học máy sẽ trở thành động lực chính để thúc đẩy việc áp dụng tạo ra máy tính tiên tiến

Ứng dụng công nghệ AI trong lĩnh lực công nghệ thông tin.

Các ứng dụng hiện đại và cơ sở hạ tầng đang tạo ra dữ liệu nhật ký được thu thập để đánh chỉ số, tìm kiếm và phân tích. Bộ dữ liệu lớn thu được từ phần cứng, hệ điều hành, phần mềm máy chủ và phần mềm ứng dụng có thể được tổng hợp và tương quan để tìm ra những hiểu biết và kiểu mẫu. Khi các mô hình học máy được áp dụng cho các bộ dữ liệu này, các hoạt động CNTT chuyển từ phản ứng sang tiên đoán.

Khi sức mạnh của AI được áp dụng cho các hoạt động, nó sẽ xác định lại cách quản lý cơ sở hạ tầng.

Việc áp dụng ML và AI trong hoạt động CNTT và DevOps sẽ cung cấp thông tin mật thiết cho các tổ chức. Nó sẽ giúp các nhóm ops thực hiện phân tích nguyên nhân chính xác và hiệu quả. Các mô hình nâng cao có thể giúp ngăn chặn sự gián đoạn và gián đoạn của CNTT thông qua phân tích trước. Phát hiện xâm nhập bất thường có thể được bổ sung với ML để tăng cường bảo mật. Có rất nhiều tình huống khi ứng dụng ML vào CNTT sẽ dẫn đến hoạt động thông minh.

Amazon Macie và Azure Log Analytics là những ví dụ đầu tiên của AIOps. Ngoài AWS và Azure, nhiều công ty mới thành lập đang đầu tư vào các Chiến dịch do AI điều khiển.

0 Comments

Leave a reply

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *

*