Bagaimana cetak biru IBM untuk transformasi industri memanfaatkan AI, 5G, dan kolaborasi

AI dan grafik memiliki beberapa kesamaan: mereka multi-segi, ada di mana-mana dalam aplikasinya, dan melihat pertumbuhan pesat pada tahun 2020-an.

AI memiliki banyak manifestasi, mulai dari perangkat keras hingga aplikasi dalam domain seperti perawatan kesehatan, dan dari model futuristik hingga etika

Dalam semangat beberapa tahun terakhir, kami meninjau perkembangan dalam apa yang telah kami identifikasi sebagai pendorong teknologi utama untuk tahun 2020-an di dunia database, manajemen data, dan AI. Kami melihat kembali tahun 2021, mencoba mengidentifikasi pola yang akan membentuk tahun 2022.

Hari ini kami mengambil dari tempat kami memulai dengan bagian pertama dari ulasan kami, untuk membahas AI dan grafik pengetahuan.

Banyak wajah AI: Perangkat keras, tepi, MLOps, model bahasa, arsitektur masa depan, dan etika

Pada prinsipnya, kami mencoba mendekati AI secara holistik. Untuk memperhitungkan positif dan negatif, dari yang mengkilap hingga yang biasa, dan dari perangkat keras ke perangkat lunak. Perangkat keras telah menjadi cerita yang sedang berlangsung dalam cerita AI yang lebih luas selama beberapa tahun terakhir, dan kami merasa ini adalah tempat yang baik untuk memulai tur kami.

Selama beberapa tahun terakhir, kami telah mengawasi daftar vendor "chip AI" yang terus bertambah, yaitu perusahaan yang telah berangkat untuk mengembangkan arsitektur perangkat keras baru dari bawah ke atas, yang ditujukan khusus untuk beban kerja AI. Semuanya ingin mendapatkan sepotong kue yang tampaknya terus berkembang: karena AI terus berkembang, beban kerja tersebut terus berkembang, dan melayani mereka secepat dan seekonomis mungkin adalah tujuan yang jelas.

Nvidia terus mendominasi pasar ini. Nvidia sudah ada di pasar jauh sebelum beban kerja AI mulai booming dan memiliki ketajaman dan refleks untuk memanfaatkannya dengan membangun ekosistem perangkat keras dan perangkat lunak. Langkahnya pada tahun 2020 untuk menjadikan Arm sebagai bagian dari ekosistem ini berada di bawah pengawasan peraturan. Namun, Nvidia tidak tetap menganggur pada tahun 2021.

Dari banyak pengumuman yang dibuat di acara GTC Nvidia pada November 2021. yang membawa sesuatu yang baru di tingkat perangkat keras ada hubungannya dengan apa yang menurut kami mencirikan fokus AI pada tahun 2021 pada umumnya: inferensi dan keunggulan. Nvidia memperkenalkan sejumlah peningkatan untuk Server Inferensi Triton. Ini juga memperkenalkan GPU Nvidia A2 Tensor Core, akselerator berdaya rendah, jejak kecil untuk inferensi AI di tepi yang diklaim Nvidia menawarkan kinerja inferensi hingga 20X lebih banyak daripada CPU.

Dan bagaimana dengan pemula? SambaNova mengklaim sekarang menjadi "startup AI yang didanai terbaik di dunia" setelah pendanaan Seri D sebesar $676 juta, melampaui $5 miliar dalam valuasi. Filosofi SambaNova adalah menawarkan "AI sebagai layanan", sekarang termasuk model bahasa GPT, dan sepertinya tahun 2021 pada umumnya adalah tahun masuk ke pasar bagi mereka.

Xilinx, pada bagiannya, mengklaim dapat mencapai percepatan dramatis jaringan saraf versus GPU Nvidia. Cerebras mengklaim 'benar-benar mendominasi' komputasi kelas atas dan mencetak beberapa pendanaan yang besar juga. Graphcore bersaing dengan Nvidia (dan Google) dalam hasil MLPerf. Tenstorrent mempekerjakan perancang chip legendaris Keller. Blaize mengumpulkan $71 juta untuk membawa AI edge ke aplikasi industri. Flex Logix mencetak $55 juta dalam dukungan ventura, sehingga total pengangkutannya menjadi $82 juta. Last but not least, kami memiliki kuda baru dalam perlombaan di NeuReality, cara untuk mencampur dan mencocokkan penerapan di ONNX dan TVM, dan janji menggunakan AI untuk merancang chip AI. Jika itu bukan inovasi yang sedang booming, kita tidak tahu apa itu.

Menurut laporan State of the Edge Linux Foundation, bisnis perawatan kesehatan digital, manufaktur, dan ritel sangat mungkin untuk memperluas penggunaan komputasi edge mereka pada tahun 2028. Tidak heran jika perangkat keras, kerangka kerja, dan aplikasi AI yang ditujukan untuk edge juga berkembang biak.

TinyML, seni dan ilmu memproduksi model pembelajaran mesin yang cukup hemat untuk bekerja di tepi, melihat pertumbuhan yang cepat dan membangun ekosistem. Edge Impulse, sebuah startup yang ingin menghadirkan pembelajaran mesin di edge untuk semua orang, baru saja mengumumkan pendanaan Seri B senilai $34 juta. Aplikasi edge akan datang, dan AI serta perangkat kerasnya akan menjadi bagian besar dari itu.

Sesuatu yang kami sebut pada tahun 2020, menonjol pada tahun 2021 dan akan bersama kami selama bertahun-tahun mendatang adalah apa yang disebut MLOps -- membawa pembelajaran mesin ke produksi. Pada tahun 2021, orang-orang mencoba memberi nama pada berbagai fenomena yang berkaitan dengan MLOps, mengiris dan memotong domain MLOps, menerapkan kontrol versi data dan pembelajaran mesin berkelanjutan, serta setara dengan pengembangan berbasis pengujian untuk data antara lain. Penekanannya bergeser dari model baru yang mengkilap ke mungkin lebih biasa, tetapi aspek praktis seperti kualitas data dan manajemen pipa data, dan MLOps akan terus berkembang.

Hal lain yang kemungkinan akan terus berkembang, baik dalam hal ukuran maupun jumlah, adalah model bahasa besar (LLM). Beberapa orang berpikir bahwa LLM dapat menginternalisasi bentuk dasar bahasa, apakah itu biologi, kimia, atau bahasa manusia, dan kita akan melihat aplikasi LLM yang tidak biasa tumbuh. Yang lain, tidak begitu banyak. Either way, LLM berkembang biak.

Selain "tersangka biasa" - OpenAI dengan GPT3, DeepMind dengan RETRO LLM terbarunya, Google dengan rangkaian LLM yang terus berkembang - Nvidia kini telah bekerja sama dengan Microsoft di Megatron LLM. Tapi itu belum semuanya.

Baru-baru ini, EleutherAI, kolektif peneliti AI independen, membuka sumber model GPT-j 6 miliar parameter mereka. Selain itu, jika Anda tertarik dengan bahasa di luar bahasa Inggris, kami sekarang memiliki model bahasa Eropa besar yang fasih berbahasa Inggris, Jerman, Prancis, Spanyol, dan Italia oleh Aleph Alpha. Wudao adalah LLM Cina yang juga merupakan LLM terbesar dengan 1,75 triliun parameter, dan HyperCLOVA adalah LLM Korea dengan 204 miliar parameter. Plus, selalu ada LLM open source lain yang sedikit lebih tua/lebih kecil seperti GPT2 atau BERT dan banyak variasinya.

Di luar LLM, baik DeepMind dan Google telah mengisyaratkan arsitektur revolusioner untuk model AI, masing-masing dengan Perceiver dan Pathways. Pathways telah dikritik karena agak kabur. Namun, kami akan berani berspekulasi bahwa itu bisa didasarkan pada Perceiver. Tetapi karena kita berada di wilayah teknologi masa depan, akan menjadi kelalaian belum lagi Penalaran Algoritmik Saraf DeepMind , arah penelitian yang menjanjikan untuk mengawinkan algoritma ilmu komputer klasik dengan pembelajaran mendalam.

Tidak ada tur AI, betapapun dipadatkan, akan lengkap tanpa penyebutan kehormatan tentang etika AI. Etika AI tetap menjadi prioritas utama pada tahun 2021, dan kami telah melihat orang-orang mulai dari komisaris FTC hingga praktisi industri masing-masing mencoba mengatasi etika AI dengan cara mereka sendiri. Dan jangan lupakan ledakan aplikasi AI yang sedang berlangsung dalam perawatan kesehatan, area di mana etika harus menjadi prioritas utama dengan atau tanpa AI.

Grafik pengetahuan, database grafik, dan grafik AI

Kami telah menjadi pendukung setia grafik dari semua bentuk dan ukuran -- grafik pengetahuan, database grafik, analitik grafik, ilmu data, dan AI -- untuk waktu yang lama. Jadi dengan perasaan campur aduk kami melaporkan dari depan ini. Di satu sisi, kita belum melihat banyak inovasi, kecuali mungkin di satu area - jaringan saraf graf. Penalaran Algoritmik Saraf DeepMind juga memanfaatkan GNN.

Di sisi lain, itu belum tentu hal yang buruk, karena dua alasan. Pertama, ada penyerapan besar teknologi di arus utama. Pada tahun 2025, teknologi grafik akan digunakan dalam 80% inovasi data dan analitik, naik dari 10% pada tahun 2021, memfasilitasi pengambilan keputusan yang cepat, Gartner memprediksi. Melaporkan kasus penggunaan dari orang-orang seperti BMW, IKEA, Siemens Energy, Wells Fargo, dan UBS bukan lagi berita, dan itu hal yang baik. Ya, ada tantangan yang terkait dengan membangun dan memelihara grafik pengetahuan, tetapi tantangan ini, sebagian besar, dipahami dengan baik.

Seperti yang telah kami catat, grafik pengetahuan praktis adalah teknologi berusia 20 tahun yang waktunya di pusat perhatian tampaknya telah tiba. Cara membangun grafik pengetahuan sudah terkenal, serta tantangan yang ada di dalamnya. Bukan kebetulan bahwa beberapa keterampilan dan area yang paling diminati untuk pengembangan dalam grafik pengetahuan adalah seputar penggunaan Pemrosesan Bahasa Alami dan antarmuka visual untuk membangun dan memelihara grafik pengetahuan, serta cara untuk memperluas dari skenario pengguna tunggal ke multi-pengguna.

Dan untuk mengaitkan percakapan ini dengan gambaran yang lebih luas tentang AI di mana ia berada, tantangan umum tampaknya seputar operasionalisasi dan membangun keahlian yang tepat dalam tim, karena keterampilan tersebut sangat diminati. Titik kontak penting lainnya adalah arah AI hibrida, yaitu tentang menanamkan pengetahuan dalam pembelajaran mesin. Para pemimpin seperti Gadi Singer dari Intel, Mike Dillinger dari LinkedIn, dan Frank van Harmelen dari Hybrid Intelligence Centre semuanya menunjuk pada pentingnya organisasi pengetahuan dalam bentuk grafik pengetahuan untuk masa depan AI.

Grafik Pengetahuan, Database Grafik, dan AI Grafik semuanya menyatu

Ada juga titik kontak penting lainnya antara gambaran yang lebih luas dalam AI dan grafik pengetahuan: jala data dan struktur data. Anda akan dimaafkan untuk mencampuradukkan 2 itu dan sejumlah besar istilah terkait data yang beredar akhir-akhir ini. Secara sederhana, katakanlah bahwa struktur data dimaksudkan untuk berfungsi sebagai substrat teknis untuk gagasan mesh data manajemen data terdesentralisasi dalam organisasi. Itu sebenarnya sangat cocok untuk teknologi grafik pengetahuan, dan beberapa vendor di ruang itu telah mengidentifikasinya dan memposisikan diri mereka sesuai dengan itu. Bahkan Informatica tampaknya telah menyadarinya.

Dan bagaimana dengan substrat untuk membangun grafik pengetahuan, yaitu database grafik? Kata yang tampaknya menjadi ciri tahun 2021 untuk database grafik adalah "pergi ke pasar". Ini adalah tahun yang baik untuk database grafik. Sebuah database grafik - Neo4j - masuk 20 Teratas di DB Engines untuk pertama kalinya. Neo4j juga mengumumkan ketersediaan umum layanan cloud terkelola Aura dan mengumpulkan putaran pendanaan Seri F senilai $325 juta, yang terbesar dalam sejarah database, sehingga valuasinya menjadi lebih dari $2 miliar.

Ruang basis data grafik melihat serangkaian putaran pendanaan dan IPO yang akan datang. TigerGraph mencetak $105 juta Seri C, Katana Graph $28,5 juta Seri A, Memgraph $9,34 juta pendanaan awal dan TerminusDB €3,6 juta. Sementara itu, Bitnine, pembuat Agens Graph, mulai mengerjakan IPO-nya - yang pertama di pasar. Bitnine sekarang terdaftar di KOSDAQ, pasar saham elektronik Korea

Di sisi teknis, GraphQL masih tumbuh dalam adopsi, baik sebagai bagian dari ekosistem yang lebih luas atau sebagai komponen sentral dalam arsitektur data. Menjembatani dua dunia database grafik dalam hal model, RDF dan LPG, masih dalam proses, tetapi telah melihat beberapa perkembangan menarik pada tahun 2021.

Kami tidak mengharapkan bulan madu dunia dengan grafik dan basis data grafik akan berlangsung selamanya, dan setelah hype, kekecewaan pasti akan menyusul di beberapa titik. Tetapi kami yakin bahwa teknologi ini adalah dasar dan akan menemukan tempatnya meskipun ada cegukan.