אינטל הודיעה כי Stability AI - החברה שמאחורי מודל Stable Diffusion טקסט-לתמונה - תהיה אחד הלקוחות הגדולים ביותר עבור מחשב-על בינה מלאכותית הבנוי כולו על טכנולוגיית אינטל, אינטל מאיצי חומרה של Gaudi2 AI ומעבדי Intel Xeon.
הצטרפו לקבוצה שלנו בווטסאפ כדי לקבל עדכון מרוכז עם ידיעות כמו זאת: wa.dwh.co.il
ככל שעומסי העבודה של בינה מלאכותית (AI) ממשיכים להתפתח ולהיות מורכבים יותר, חברות כמו Stability AI חושבות מחדש כיצד לענות על הדרישה הגוברת של הארגון למחשוב בינה מלאכותית. בפוסט בבלוג, החברה דנה בסיבות שהיא הייתה צריכה לחקור חלופות לצרכי מחשוב ה-AI שלה ומדוע היא בחרה בטכנולוגיה של אינטל.
בסך הכל, השוק מחפש חלופות לטכנולוגיית מחשוב בינה מלאכותית. ישנם פתרונות תחרותיים ביותר זמינים כיום, הן בחומרה והן בתוכנה. אבל הם יכולים להיות קשים לגישה ויקרים. הרקורד המוכח של אינטל בעבודה עם המערכת האקולוגית הפתוחה ועם ספקי תוכנה עצמאיים כדי להרחיב טכנולוגיות מעניק למפתחים יותר בחירה ותאימות. זו הסיבה שלקוחות כמו Stability AI בוחרים בפתרונות האלטרנטיביים המוכחים של אינטל שיכולים להוזיל את עלויות המחשוב מבלי להתפשר על הביצועים.
האתגרים שמגיעים עם פריסת GenAI בייצור אינם ייחודיים ל-Stability AI. מחקרים מראים שמספר מדהים של חברות מתנסות ב-AI או GenAI (AI ש"יוצר" תוכן חדש על סמך שאילתות של נתונים קיימים), כאשר כ-10% מאלה כבר מעבירים את זרימות העבודה של GenAI לייצור.
אבל המציאות היא שארגונים רבים שרוצים להתחיל לאמץ את GenAI היום נתקעים בשלב הפיילוט או הוכחת הרעיון. הם לא יכולים להרחיב את הפתרון שלהם ולעשות את הקפיצה לתוך סביבת ייצור שבה העסק שלהם יכול לנצל אותו במלואו. הנה הסיבה שארגונים נתקעים ואילו שאלות הם צריכים לשאול כדי להגדיר את עצמם להצלחה.
כדי לעבור משלב הוכחת הרעיון לייצור, ארגונים צריכים את ארבעת ה-S: מהירות, קנה מידה, עלות בת קיימא ואבטחה. ארגונים צריכים את כל הארבעה כדי להצליח, אך לעתים קרובות מקריבים אחד למען השני מבלי להבין זאת.
מהירות וקנה מידה גדול
כדי להשיג מהירות, חברות רבות משתמשות בממשקי API לא יקרים שקשה להגדיל אותם לרמה הדרושה ללקוחות ארגוניים. או, במרדף אחר קנה מידה גדול הם מנסים לבנות מודלים גדולים של שפה (LLM) משלהם, שדורשים הרבה מאוד עבודה, זמן ומומחים, שקשה למצוא. בעשור האחרון חלה סטנדרטיזציה מועטה של פיתוח בינה מלאכותית ארגונית, ולכן ארגונים רבים מרגישים שהם חייבים להקריב מהירות ולהשקיע את הזמן והעבודה בבניית ה-LLMs שלהם.
אבל זה כבר לא המצב. כיום, רוב הארגונים אינם צריכים להעסיק צבא של מדעני נתונים מכיוון שהם יכולים לשתף פעולה עם קהילת הבינה המלאכותית כדי לקחת פתרון פתוח ולהתאים אותו לצרכיהם. החלק החסר הזה עוזר להאיץ במידה ניכרת פרויקטים של GenAI וארגונים צריכים לוודא שהם לא מבזבזים זמן בבניית משהו בעצמם מאפס.
עלות בת קיימא
ארגונים רבים גם מתפתים למודלים של תמחור "שלם כפי שאתה הולך" מספקים מסוימים כשהם מתחילים לבנות פיילוטים. אמנם גישה זו עשויה להציע דרך זולה וקלה להתחיל, העלות הופכת במהירות ללא קיימא. פרויקט עשוי לעלות רק עשרות דולרים לבדיקה, אך כאשר חברה עוברת מהוכחת קונספט לסביבת ייצור, העלות יכולה להרקיע במהירות שחקים למיליוני דולרים.
לעומת זאת, חוזה שנתי לרישיון ארגוני עם ספק אחר עשוי להיראות יקר מחוץ לשער, אבל המחיר הזה לא ישתנה בעת מעבר מפיילוט לייצור. עם הזמן, החיסכון מצטבר. העלות של שימוש בשירות "שלם לפי צריכה" עשויה להסתכם ב-$3 עד $5 לכל שאילתה, בעוד שפריסת מערכת ברמה ארגונית בסביבה שלך יכולה לעלות רק 0.1 סנט לכל שאילתה.
אנלוגיה טובה כאן היא שכירות מול קניית רכב. אם אתה רוצה לנהוג ברכב רק מדי פעם, אז שכור. אם אתה רוצה את המכונית הזו זמינה כל יום ומתכננת לשים עליה כמה מיילים רציניים, קנייה היא אפשרות טובה יותר.
בִּטָחוֹן
לפני המעבר לייצור, ארגונים חייבים גם להבין כיצד הנתונים שלהם מאובטחים, לאן הם הולכים (במיוחד אם הם עובדים עם שותף), ולוודא שהם עומדים בהתחייבויות שהם התחייבו ללקוחות שלהם ובכל התקנות החלות עליהם. .
שימוש בבינה מלאכותית גנרטיבית
בינה מלאכותית היא שינוי טקטוני עבור התעשייה. הייתי משווה את הרגע הנוכחי בבינה מלאכותית לשנת 1996 עבור האינטרנט: הפוטנציאל ברור, אבל ההשפעה האמיתית אינה ידועה.
בהשוואה לאבולוציות אחרות, AI רואה אימוץ מהיר להפליא וזמן להעריך. עדיין מוקדם מדי להבין את כל ההזדמנויות ש-AI יפתח - או את ההשלכות שלה במורד הזרם - אבל האפשרויות הן מדהימות.
המקור בלינק הזה.
הצטרפו לקבוצה שלנו בווטסאפ כדי לקבל עדכון מרוכז עם ידיעות כמו זאת: wa.dwh.co.il