كيف يوجه الذكاء الاصطناعي الطريق إلى معيار ذهبي جديد لتحليلات البيانات الضخمة

إذا كانت البيانات هي الذهب الجديد ، فإن “الذهب” اليوم يأتي في شكل رؤى لا تقدر بثمن في الاتجاهات وسلوكيات العملاء للمنظمات الساعية لتحقيق النمو. لكن امتلاك وفرة من البيانات – على الرغم من كونها محظوظة – لا يزال يمثل مشكلة ، على الأقل في الوقت الحالي.

لماذا؟

تمتلك معظم المؤسسات قدرًا هائلاً من البيانات المتاحة في متناول يدها ، ولكن ليس لديها البنية التحتية أو المعدات اللازمة لمعالجة كل ذلك. يتم حاليًا إنشاء 2.5 كوينتيليون بايت من البيانات يوميًا ، وهي تتسارع جنبًا إلى جنب مع انتشار تقنيات إنترنت الأشياء من جهة ، والخدمات السحابية المركزية التي تلبي مليارات المستخدمين يوميًا على الطرف الآخر. وصلت رقائق الكمبيوتر القياسية اليوم – وحدات المعالجة المركزية (CPU) – إلى سقف الأداء حيث تفوق تكلفة الحوسبة الفوائد.

كما يتضح من اندفاع الذهب الشهير في القرن التاسع عشر ، هناك ميل طبيعي لاتباع مسارات مألوفة ، حتى على حساب تسلق منحدر حاد وتحقيق نتائج أقل من مثالية. قد يكون أداء العديد من عمال مناجم الذهب أفضل بكثير من خلال إنشاء مسارات جديدة. وبالمثل ، فإن صياغة مسار جديد نحو تحليل البيانات أمر ضروري في إيجاد المسار المثالي للذهب “الجديد”.

لا تخطئ – لقد أدت البيانات بالفعل إلى اختراقات لا حصر لها وقدمت فوائد لا تصدق. ولكن إذا أردنا حقًا استخراج كل القيمة من هذا الذهب الجديد ، فقد حان الوقت الآن لتجاوز وحدات المعالجة المركزية واستكشاف بدائل الجيل التالي التي تفتح عالمًا كاملاً من الرؤى بسرعات غير مسبوقة.

لفهم أين وكيف تقصر معالجة البيانات الضخمة حقًا ، يمكن أن يكون إلقاء نظرة على تطور الذكاء الاصطناعي (AI) مفيدًا للغاية.

الشرط المسبق لثورة الذكاء الاصطناعي

تعود أولى حالات الاستخدام البارزة للذكاء الاصطناعي إلى عقود من الزمن إلى مشاريع بحثية متنوعة استكشفت الخوارزميات وتطبيقاتها. واحدة من أقدم خوارزمية minimax المصممة للعب لعبة الداما. وقد تطورت منذ ذلك الحين لتلعب الشطرنج ، وأصبحت خصمًا هائلاً.

ولكن خارج نطاق ألعاب الطاولة ، سرعان ما أطلقت قائمة التطبيقات وحالات الاستخدام المتزايدة للذكاء الاصطناعي الإنجاز الثاني: انتشار خدمات الكيانات المكلفة إلى حد كبير بتحليل كميات وفيرة من بيانات المستخدم لمساعدة الشركات الكبيرة على فهم احتياجات العملاء بشكل أفضل.

ومع ذلك ، كانت هذه الخوارزميات والكيانات في النهاية جيدة فقط مثل معالجات الأغراض العامة التي تعمل عليها. على الرغم من تفوقهم في أعباء العمل المنطقية والذاكرة المكثفة ، إلا أن سرعات معالجتهم كانت بطيئة. ومع ذلك ، تغير هذا في عام 2009 ، عندما اكتشف باحثو ستانفورد أن وحدات معالجة الرسومات (GPUs) كانت أفضل بكثير من وحدات المعالجة المركزية في معالجة الشبكات العصبية العميقة بسبب زيادة درجة توازيها الحسابي – القدرة على تشغيل حسابات أو عمليات متعددة في وقت واحد. أطلقت هذه البنية التحتية للحوسبة الجديدة الإنجاز الثالث والأكثر حسماً للذكاء الاصطناعي ، عصر الشبكات العصبية العميقة.

لم تسرِّع وحدات معالجة الرسومات الطريقة التي تعمل بها خوارزميات الذكاء الاصطناعي فحسب. خلق التحول نحو الشبكات العصبية مستويات غير مسبوقة من أداء الخوارزميات التي فتحت عالمًا كاملًا من الفرص لخوارزميات جديدة كانت ، حتى ذلك الحين ، مستحيلة أو غير فعالة بسبب قيود وحدات المعالجة المركزية. وتشمل هذه النماذج اللغوية الكبيرة التي غيرت محركات البحث لدينا وخدمات الذكاء الاصطناعي التوليدية الشائعة الآن مثل DALL-E 2 و Imagen و Stable Diffusion و Midjourney. لقد أوضحت ثورة GPU أن أجهزة المعالجة الصحيحة كانت المفتاح لإشعال ثورة الذكاء الاصطناعي الحديثة.

العنصر المفقود في البيانات الضخمة

يمكن لتاريخ تطوير الذكاء الاصطناعي أن يلقي الكثير من الضوء على الحالة الحالية لتحليلات البيانات.

أولاً ، مثل الذكاء الاصطناعي ، أنتجت مشاريع أبحاث البيانات الضخمة في البداية مجموعة متنوعة من الخوارزميات وحالات الاستخدام. ثانيًا – مرة أخرى ، على غرار الذكاء الاصطناعي – تلا ذلك انتشار لخدمات جمع البيانات وتحليلها. على سبيل المثال ، هناك قدر لا يصدق من البنية التحتية المبنية حول تحليلات البيانات الضخمة من جميع مزودي السحابة الرئيسيين مثل Amazon و Google و Microsoft.

ولكن على عكس الذكاء الاصطناعي و “ثورة” وحدة معالجة الرسومات الخاصة بها ، لم تحاكي البيانات الضخمة الإنجاز الثالث للذكاء الاصطناعي بعد: اكتساب البنية التحتية للحوسبة الفريدة الخاصة بها.

حاليًا ، لا تزال وحدات المعالجة المركزية (CPU) تعمل كأساس لتحليلات البيانات على الرغم من معدل المعالجة غير الفعال ، ولكن على عكس الذكاء الاصطناعي ، فإن وحدات معالجة الرسومات ليست بديلاً مناسبًا. وهذا يعني أنه مع قيام الشركات بتجميع المزيد من البيانات ، فإنها عادة ما تأخذ المزيد من الخوادم للتعامل مع الحمل الثقيل – حتى تفوق تكلفة تحليل البيانات فوائدها.

اصنع مسارًا جديدًا

إذا تمكنا من إيجاد طريقة لتشغيل أعباء عمل تحليلات البيانات على معالجات مخصصة بكفاءة تعمل أحمال عمل الذكاء الاصطناعي الآن على وحدات معالجة الرسومات ومسرعات الأجهزة الأخرى ، فيمكننا إطلاق “ثورة” مماثلة ، مما يؤدي إلى فتح عالم البيانات الضخمة لإنشاء مستوى جديد . من الرؤى بسرعات لم يكن من الممكن الوصول إليها سابقًا. ولكن للقيام بذلك ، يجب علينا إعادة فحص الأجهزة التي نستخدمها.

سيؤدي الفشل في العثور على بنية تحتية مناسبة للحوسبة إلى منع المؤسسات من توسيع نطاق مرافق البيانات الخاصة بها ، مما يعيق قدرتها على تكوين رؤى جديدة وتعزيز الابتكارات الإضافية. من ناحية أخرى ، يمكن للنجاح أن يشجع حقبة جديدة كاملة من البيانات الضخمة.

كان سقوط العديد من المنقبين عن الذهب دافعًا مضللاً لاتباع المسارات المعروفة للذهب المكتشف سابقًا. من ناحية أخرى ، ابتعد باحثو الذكاء الاصطناعي عن المسار المشترك ووجدوا مسارًا جديدًا ، وهو الطريق نحو وحدات معالجة الرسومات والمسرعات الأخرى ، والتي لا تزال تمثل المعيار الذهبي للتعلم العميق. إذا تمكن باحثو البيانات الضخمة من شق طريقهم بأنفسهم ، فقد يصطدمون في يوم من الأيام بالذهب ويدفعوا حدود تحليلات البيانات الضخمة إلى ما هو أبعد من أي شيء يمكن لأي شخص أن يتخيله.

Adi Fuchs هو المهندس الأساسي الرئيسي في سبيداتا.