خطرات مهندسی بیش از حد سیستم های هوش مصنوعی مولد

سیستم‌های هوش مصنوعی مولد مبتنی بر ابر که از منابع بسیار زیادی استفاده می‌کنند، بسیار پیچیده و گران هستند. در اینجا نحوه جلوگیری از این موضوع آمده است.

ابر ساده ترین راه برای ساختن سیستم های هوش مصنوعی مولد است. به همین دلیل است که درآمدهای ابری سر به فلک کشیده است. با این حال، بسیاری از این سیستم ها بیش از حد مهندسی شده اند که باعث پیچیدگی و هزینه های غیر ضروری می شود. مهندسی بیش از حد یک مسئله آشنا است. ما سال‌هاست که در حال فکر کردن و ساخت بیش از حد سیستم‌ها، دستگاه‌ها، ماشین‌ها، وسایل نقلیه و غیره بوده‌ایم. چرا ابر متفاوت است؟

Overengineering طراحی یک محصول یا راه حل غیر ضروری پیچیده با ترکیب ویژگی ها یا عملکردهایی است که ارزش قابل توجهی اضافه نمی کند. این عمل منجر به استفاده ناکارآمد از زمان، پول و مواد می شود و می تواند منجر به کاهش بهره وری، هزینه های بالاتر و کاهش انعطاف پذیری سیستم شود.

مهندسی بیش از حد هر سیستمی، چه هوش مصنوعی یا ابری، از طریق دسترسی آسان به منابع و بدون محدودیت در استفاده از آن منابع اتفاق می افتد. یافتن و تخصیص سرویس‌های ابری آسان است، بنابراین برای یک طراح یا مهندس هوش مصنوعی وسوسه‌انگیز است که چیزهایی را اضافه کند که ممکن است بیشتر از «نیاز به داشتن» به عنوان «خوب بودن» تلقی شوند. اتخاذ مجموعه‌ای از این تصمیم‌ها منجر به ایجاد پایگاه‌های اطلاعاتی، لایه‌های میان‌افزار، سیستم‌های امنیتی و سیستم‌های حاکمیتی بسیار بیشتر از نیاز می‌شود.

سهولتی که شرکت‌ها می‌توانند با آن به سرویس‌های ابری دسترسی پیدا کنند و ارائه کنند، هم به یک مزیت و هم به ضرر تبدیل شده است. ابزارهای پیشرفته مبتنی بر ابر، استقرار سیستم‌های پیشرفته هوش مصنوعی را ساده می‌کنند، اما دریچه‌ای را برای مهندسی بیش از حد نیز باز می‌کنند. اگر مهندسان مجبور به انجام یک فرآیند تدارکات، از جمله خرید سخت‌افزار تخصصی برای خدمات محاسباتی یا ذخیره‌سازی خاص شوند، به احتمال زیاد نسبت به زمانی که فقط با یک کلیک ساده ماوس نیاز است، محدودتر خواهند بود.

خطرات تامین آسان

پلت‌فرم‌های ابری عمومی دارای مجموعه‌ای از خدمات چشمگیر هستند که برای پاسخگویی به هر نیاز احتمالی هوش مصنوعی مولد طراحی شده‌اند. از ذخیره سازی و پردازش داده ها گرفته تا مدل های یادگیری ماشینی و تجزیه و تحلیل، این پلتفرم ها ترکیب جذابی از قابلیت ها را ارائه می دهند. در واقع، به فهرست پیشنهادی چند ده سرویسی که ارائه‌دهندگان ابری آن‌ها را «ضروری» برای طراحی، ساخت و استقرار یک سیستم هوش مصنوعی مولد می‌دانند، نگاه کنید. البته، به خاطر داشته باشید که شرکتی که لیست را ایجاد می کند، خدمات را نیز می فروشد.

GPU ها بهترین مثال برای این موضوع هستند. من اغلب می بینم که خدمات محاسباتی پیکربندی شده توسط GPU به معماری هوش مصنوعی مولد اضافه شده است. با این حال، GPU ها برای محاسبات نوع “پشت دستمال” مورد نیاز نیستند، و سیستم های مجهز به CPU با اندکی هزینه به خوبی کار می کنند.

به دلایلی، رشد انفجاری شرکت‌هایی که پردازنده‌های گرافیکی می‌سازند و می‌فروشند، بسیاری از مردم را بر این باورند که GPU یک الزام است، و نیست. هنگامی که پردازنده های تخصصی برای یک مشکل خاص نشان داده شده اند، GPU مورد نیاز است. این نوع مهندسی بیش از حد برای شرکت ها بیش از سایر اشتباهات مهندسی بیش از حد هزینه دارد. متأسفانه، توصیه به اینکه شرکت شما از استفاده از پردازنده‌های سطح بالاتر و گران‌تر خودداری کند، اغلب شما را به جلسات معماری بعدی دعوت نمی‌کند.

حفظ بودجه

هزینه‌های فزاینده مستقیماً به پیچیدگی لایه‌ای و سرویس‌های ابری اضافی مرتبط است، که اغلب به دلیل انگیزه‌ای برای دقیق‌بودن یا اثبات آینده گنجانده می‌شوند. وقتی توصیه می‌کنم یک شرکت از منابع کمتر یا منابع کم‌هزینه‌تر استفاده کند، اغلب با این جمله مواجه می‌شوم که «ما باید رشد آینده را در نظر بگیریم»، اما اغلب می‌توان با تعدیل معماری در حین تکامل آن را مدیریت کرد. هرگز نباید به این معنی باشد که از همان ابتدا برای مشکلات پول پرتاب کنید.

این تمایل به گنجاندن خدمات بیش از حد، بدهی فنی را نیز افزایش می‌دهد. نگهداری و ارتقاء سیستم های پیچیده به طور فزاینده ای دشوار و پرهزینه می شود. اگر داده‌ها در سرویس‌های ابری مختلف تکه‌تکه و پنهان شوند، می‌تواند این مشکلات را بیشتر تشدید کند و یکپارچه‌سازی و بهینه‌سازی داده‌ها را به یک کار دلهره‌آور تبدیل کند. شرکت‌ها اغلب خود را در چرخه‌ای گرفتار می‌بینند که در آن راه‌حل‌های هوش مصنوعی مولد آن‌ها نه تنها بیش از حد مهندسی شده‌اند، بلکه نیاز به بهینه‌سازی بیشتری دارند که منجر به کاهش بازده سرمایه‌گذاری می‌شود.

راهبردهایی برای کاهش مهندسی بیش از حد

برای جلوگیری از این مشکلات، رویکردی منظم نیاز است. در اینجا چند استراتژی است که من استفاده می کنم:

• نیازهای اصلی را اولویت بندی کنید. روی عملکردهای ضروری مورد نیاز برای دستیابی به اهداف اولیه خود تمرکز کنید. در برابر وسوسه باد کردن آنها مقاومت کنید.
• به طور کامل برنامه ریزی و ارزیابی کنید. در مرحله برنامه ریزی برای تعیین اینکه کدام خدمات ضروری هستند، زمان سرمایه گذاری کنید.
• کوچک شروع کنید و به تدریج مقیاس کنید. با یک محصول حداقل قابل دوام (MVP) با تمرکز بر عملکردهای اصلی شروع کنید.
• یک تیم معماری AI مولد عالی را گرد هم بیاورید. مهندسی هوش مصنوعی، دانشمندان داده، متخصصان امنیت هوش مصنوعی و غیره را انتخاب کنید، کسانی که رویکرد استفاده از آنچه مورد نیاز است، اما نه بیش از حد، را به اشتراک می گذارند. شما می توانید مشکلات مشابه را به دو تیم مختلف معماری هوش مصنوعی مولد ارسال کنید و طرح هایی را دریافت کنید که هزینه آنها ۱۰ میلیون دلار است. کدام یک اشتباه کرده است؟ معمولاً تیمی که به دنبال بیشترین هزینه است.

قدرت و انعطاف‌پذیری پلت‌فرم‌های ابری عمومی دلیلی است که ما در وهله اول از ابر استفاده می‌کنیم، اما برای جلوگیری از دام مهندسی بیش از حد سیستم‌های هوش مصنوعی مولد احتیاط ضروری است. برنامه ریزی متفکرانه، انتخاب عاقلانه خدمات، و بهینه سازی مستمر کلید ساخت راه حل های مقرون به صرفه هوش مصنوعی هستند. با پایبندی به این اصول، شرکت‌ها می‌توانند از پتانسیل کامل هوش مصنوعی مولد استفاده کنند، بدون اینکه طعمه پیچیدگی‌ها و هزینه‌های یک سیستم بیش‌مهندسی شوند.