که دست خود اکنون که سال 2024 است، نمی‌توانیم تأثیر عمیقی را که هوش مصنوعی (AI) بر عملیات ما در سراسر مشاغل و بخش‌های بازار می‌گذارد نادیده بگیریم. تحقیقات دولتی نشان داده است که از هر شش سازمان بریتانیا، یک سازمان حداقل یک فناوری هوش مصنوعی را در جریان کار خود پذیرفته است و انتظار داریم که این تعداد تا سال 2040 افزایش یابد.
با افزایش پذیرش هوش مصنوعی و هوش مصنوعی (GenAI)، آینده نحوه تعامل ما با وب به توانایی ما در مهار قدرت استنتاج بستگی دارد. استنباط زمانی اتفاق می‌افتد که یک مدل هوش مصنوعی آموزش‌دیده از داده‌های زمان واقعی برای پیش‌بینی یا تکمیل یک کار استفاده می‌کند و توانایی خود را برای استفاده از دانش به‌دست‌آمده در طول آموزش آزمایش می‌کند. این لحظه حقیقت است که مدل هوش مصنوعی نشان می‌دهد که چقدر می‌تواند اطلاعات را از آموخته‌هایش اعمال کند. چه در بخش مراقبت های بهداشتی، تجارت الکترونیک یا فناوری کار کنید، توانایی بهره گیری از بینش های هوش مصنوعی و دستیابی به شخصی سازی واقعی برای تعامل با مشتری و موفقیت تجاری آینده بسیار مهم است.
استنتاج: کلید شخصی سازی واقعی
کلید شخصی‌سازی در استقرار استراتژیک استنتاج با کوچک‌سازی خوشه‌های استنتاج نزدیک‌تر به موقعیت جغرافیایی کاربر نهایی نهفته است. این رویکرد تضمین می‌کند که پیش‌بینی‌های مبتنی بر هوش مصنوعی برای درخواست‌های کاربر ورودی دقیق هستند و با حداقل تأخیر و تأخیر کم ارائه می‌شوند. کسب‌وکارها باید از پتانسیل GenAI برای باز کردن توانایی ارائه تجربیات کاربر سفارشی‌شده و شخصی‌شده استفاده کنند.
کسب‌وکارهایی که اهمیت ابر استنتاج را پیش‌بینی نکرده‌اند در سال 2024 پشت سر خواهند ماند. منصفانه است که بگوییم سال 2023 سال آزمایش هوش مصنوعی بود، اما ابر استنتاج امکان تحقق نتایج واقعی با GenAI را در سال 2024 فراهم می‌کند. می تواند نوآوری را در مدل های زبان بزرگ (LLM) منبع باز باز کند و شخصی سازی واقعی را با استنتاج ابری به واقعیت تبدیل کند.
مدیر ارشد بازاریابی در Vultr.
یک وب اپلیکیشن جدید
قبل از ورود GenAI، تمرکز بر ارائه محتوای از قبل موجود بدون شخصی سازی نزدیک به کاربر نهایی بود. اکنون، همانطور که شرکت‌های بیشتری تحت تحول GenAI قرار می‌گیرند، ما شاهد ظهور استنتاج در لبه خواهیم بود - جایی که LLMهای فشرده می‌توانند محتوای شخصی‌سازی شده را بر اساس درخواست‌های کاربران ایجاد کنند.
برخی از کسب و کارها هنوز فاقد یک استراتژی لبه قوی هستند - خیلی کمتر از یک استراتژی لبه GenAI. آنها باید اهمیت آموزش به صورت متمرکز، استنباط محلی و استقرار در سطح جهانی را درک کنند. در این مورد، ارائه استنتاج در لبه به سازمان‌ها نیاز دارد که یک پشته واحد پردازش گرافیکی (GPU) توزیع شده برای آموزش و تنظیم دقیق مدل‌ها در برابر مجموعه داده‌های محلی داشته باشند.
پس از تنظیم دقیق این مجموعه داده‌ها، مدل‌ها سپس در سراسر مراکز داده به‌منظور انطباق با قوانین حاکمیت داده‌ها و حریم خصوصی محلی، مستقر می‌شوند. شرکت‌ها می‌توانند با استفاده از این فرآیند، تجربه مشتری بهتر و شخصی‌تری را با ادغام استنتاج در برنامه‌های وب خود ارائه دهند.
GenAI به قدرت پردازش گرافیکی نیاز دارد، اما پردازنده‌های گرافیکی اغلب به دلیل هزینه‌های بالا برای اکثر شرکت‌ها دور از دسترس هستند. هنگام استقرار GenAI، کسب‌وکارها باید به جای مراکز داده بزرگ مقیاس، به LLMهای کوچکتر و منبع باز نگاه کنند تا از انعطاف‌پذیری، دقت و کارایی هزینه اطمینان حاصل کنند. شرکت‌ها می‌توانند از سرویس‌های پیچیده و غیر ضروری، رویکردی که سفارشی‌سازی را محدود می‌کند و قفل فروشنده که انتقال حجم کاری به محیط‌های دیگر را دشوار می‌کند، اجتناب کنند.
GenAI در سال 2024: کجا هستیم و به کجا می رویم
صنعت می تواند انتظار تغییر چشم انداز برنامه های وب را تا پایان سال 2024 با ظهور اولین برنامه های کاربردی با مدل های GenAI داشته باشد.
آموزش مدل های هوش مصنوعی به طور متمرکز امکان یادگیری جامع از مجموعه داده های گسترده را فراهم می کند. آموزش متمرکز تضمین می‌کند که مدل‌ها برای درک الگوهای پیچیده و تفاوت‌های ظریف به خوبی مجهز هستند و پایه محکمی برای پیش‌بینی‌های دقیق فراهم می‌کند. پتانسیل واقعی آن زمانی دیده می‌شود که این مدل‌ها در سطح جهانی به کار گرفته شوند و به کسب‌وکارها این امکان را می‌دهد تا از طیف متنوعی از بازارها و رفتارهای کاربر استفاده کنند.
نکته اصلی در مولفه استنتاج محلی نهفته است. استنباط محلی شامل نزدیک‌تر کردن قدرت پردازش به کاربر نهایی است که گامی مهم در به حداقل رساندن تأخیر و بهینه‌سازی تجربه کاربر است. همانطور که ما شاهد ظهور محاسبات لبه هستیم، استنتاج محلی به طور یکپارچه با توزیع وظایف محاسباتی نزدیک‌تر به جایی که مورد نیاز است، هماهنگ می‌شود، و از پاسخ‌های بلادرنگ و بهبود کارایی اطمینان می‌دهد.
این رویکرد پیامدهای قابل توجهی برای صنایع مختلف از تجارت الکترونیک گرفته تا مراقبت های بهداشتی دارد. در نظر بگیرید که آیا یک پلتفرم تجارت الکترونیک از GenAI برای توصیه های شخصی سازی شده محصول استفاده می کند. پلتفرم با استنباط محلی، ترجیحات کاربر را در زمان واقعی تجزیه و تحلیل می‌کند و پیشنهادات متناسب با نیازهای فوری آنها را ارائه می‌دهد. همین مفهوم در مورد کاربردهای مراقبت های بهداشتی نیز صدق می کند، جایی که استنتاج محلی با ارائه بینش های سریع و دقیق در مورد داده های بیمار، دقت تشخیصی را افزایش می دهد.
این حرکت به سمت استنتاج محلی همچنین به نگرانی های مربوط به حریم خصوصی داده ها و انطباق می پردازد. با پردازش داده‌ها نزدیک‌تر به منبع، کسب‌وکارها می‌توانند به الزامات نظارتی پایبند باشند و در عین حال اطمینان حاصل کنند که اطلاعات حساس در محدوده‌های جغرافیایی تعیین‌شده توسط قوانین حفاظت از داده‌ها باقی می‌مانند.
عصر استنباط فرا رسیده است
سفر به سمت آینده برنامه های کاربردی وب مبتنی بر هوش مصنوعی با سه استراتژی مشخص می شود - آموزش مرکزی، استقرار جهانی و استنتاج محلی. این رویکرد نه تنها قابلیت‌های مدل هوش مصنوعی را افزایش می‌دهد، بلکه صرف نظر از پلتفرم رایانش ابری یا ارائه‌دهنده خدمات هوش مصنوعی، آگونیست فروشنده است. با ورود به عصر جدیدی از عصر دیجیتال، کسب و کارها باید نقش محوری استنتاج در شکل دادن به آینده برنامه های کاربردی وب مبتنی بر هوش مصنوعی را بشناسند. در حالی که تمایل به تمرکز بر آموزش و استقرار وجود دارد، نزدیک کردن استنتاج به کاربر نهایی به همان اندازه مهم است. تأثیر جمعی آنها فرصت های بی سابقه ای را برای نوآوری و شخصی سازی در صنایع مختلف ارائه می دهد.
ما بهترین ابزار بهره وری را فهرست کرده ایم .
این مقاله به عنوان بخشی از کانال Expert Insights TechRadarPro تهیه شده است که در آن بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز را معرفی می کنیم. نظرات بیان شده در اینجا نظرات نویسنده است و لزوماً نظرات TechRadarPro یا Future plc نیست. اگر علاقه مند به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/news/submit-your-story-to-techradar-pro
ارسال نظر