データを保存するのに最適な場所はどこですか? AIはユーザーにパブリッククラウドの使用を強制する

特にインテリジェント テクノロジーの需要が高い業界では、クラウド上で AI アプリケーションがますます増えています。 AIによってパブリッククラウドへの移行を余儀なくされているとも言え、もともとプライベートクラウドを利用していた企業ユーザーもプライベートクラウドからハイブリッドクラウドへと移行している。

データとコンピューティング能力は AI を支える 2 つの主要要素であり、従来のコンピューティング環境ではこの 2 つの急激な成長に追いつくことができません。たとえば、データ型は、構造化データ、非構造化データ、半構造化データに大まかに分けられます。データは、生成から実装まで、収集、送信、分析、取得、マイニングなどの段階を経る必要があります。機械に人間のようにデータを「見る」ようにさせたい場合、分析を完了するには一生かかるかもしれません。

Hadoop クラスターや Spark などの一般的なコンピューティング エンジン、またはクラウド内の Storm などのコンピューティング フレームワークを使用すると、データを複数の部分に分割し、各部分のデータを分析し、結果を要約して、複数回の計算を通じて結果をフィルター処理することができます。機械学習の場合、いくつかの新しい特徴を発見し、それらの特徴を要約して新しい椅子を識別する可能性があります。このプロセスでは、コンピューターが学習するために、多数の異なる椅子の写真が必要になります。これらすべては、データセンターの膨大な計算能力がなければ実現できません。

人工知能がクラウドに移行すると、開発者は最初の受益者になるだけでなく、クラウド サービス プロバイダーの手に渡る中核的なリソースにもなります。 Microsoft は、AI 分野における 20 年以上の調査結果を Azure クラウド上のコグニティブ サービスに統合し、API の形で開発者に公開しています。開発者は、コグニティブ サービス API を呼び出して対応する機能を取得し、Windows、iOS、Android などのデバイスやプラットフォーム全体にその機能を適用するために、数行のコードのみを必要とします。これらの API には、顔認識 API、感情認識 API、コンピューター ビジョン API などが含まれます。感情認識を例に挙げてみましょう。開発者は、顔 API を使用して、画像内の各顔の感情セットの検出信頼度と顔の範囲ボックスを返すことができます。検出される感情は、幸福、悲しみ、驚き、怒り、恐怖、軽蔑、嫌悪、または中立です。

[[252665]]

さらに、Microsoft が GitHub を買収し、Google が TensorFlow をオープンソース化するために費用を惜しみなかったのと同様に、コア開発者グループまたはコミュニティは数万のアプリケーション リソースを提供しています。これらすべてのデータ リソースが Azure または Google Cloud Platform 上で実行されると、Microsoft と Google のクラウド ビジネスの発展に大きく貢献するはずです。

現在人気の AI チップ TPU ソリューションと同様に、Google が独自に開発したディープラーニング加速専用の人工知能チップとして、TensorFlow 専用に設計された TPU 2.0 チップが AlphaGo に使用されています。 TPU 3.0 では、その計算能力は最大 100PFlops に達し、これは TPU 2.0 の 8 倍以上です。機械学習モデルのトレーニングと実行をより高速化するために、Google は Cloud TPU もリリースしました。単一の Cloud TPU には、180 兆回の浮動小数点演算の計算能力と 64 GB の高帯域幅メモリがあり、クラウド スーパーコンピューティングの基盤を築きます。

業界に関して言えば、クラウド インテリジェンスで先進的な従来の企業は深い感銘を受けています。物流を例にとると、物流会社はもはや車両数や保管スペースのみで競争するのではなく、ビッグデータ、モノのインターネット、AI技術を活用して、あらゆるリンクでスマートな物流プラットフォームを構築することを学んでいます。このプロセスでは、クラウド コンピューティングが重要な役割を果たします。これまで、完全な物流システムを構築するには、研究開発、運用・保守、セキュリティ、ネットワークなど複数の部門から人材を動員する必要がありました。昨今注目すべき現象は、何千台もの車両を管理する運用責任者が、アルゴリズムを専攻する若者である可能性があるということです。なぜこのような変化が起きたのでしょうか?その理由は、これらの人々がアルゴリズムを使用してビッグデータを処理し、輸送リンクを最適化することで物流業務の効率を向上させることができるからです。

物流企業では毎日何億ものデータが生成されており、膨大な情報を処理するにはクラウドコンピューティングが不可欠です。具体的には、実際のシナリオでは、車載機器によって位置測位、燃料消費センサー、温度、速度から収集されたデータがクラウドに引き渡され、処理されます。たとえば、IoT コンポーネントは、ルール エンジン コンポーネントに SQL のようなステートメントを記述することで、ビッグ データ スイートにシームレスに接続し、車両ルート、車両計画、ドライバー スケジューリングなどを最適化できます。MySQL プロトコルと構文と互換性のある Tencent Cloud 分散型クラウド データベース DCDB は、自動水平分割を備えた高性能分散型データベースもサポートしています。つまり、ビジネスは完全な論理テーブルとして表示され、データは複数のシャードに均等に分割されます。各シャードはデフォルトでマスタースレーブアーキテクチャを採用しており、災害復旧、回復、監視、ノンストップ拡張をカバーする完全なソリューションセットを提供できます。

もちろん、すべての従来型企業が最初にパブリック クラウドを試すわけではありませんが、フルスタックの AI 機能を取得するために部分的にクラウドに移行しようとする企業も出てくるでしょう。産業インターネット時代に生成されるデータの量は、従来の情報化時代の数千倍、あるいは数万倍にもなり、リアルタイム、高頻度、高密度で収集されます。動的データ モデルはいつでも変更でき、歩留まり率がわずかに変化しただけでもデータ モデルが再構築されます。このように、産業データをリアルタイムで更新できない場合、インテリジェントな製造は不可能になります。

Fuyao Glass を例に挙げると、同社は IBM クラウド プラットフォームの助けを借りてエンドツーエンドの入札プロセスを再構築し、オープン API を通じて顧客が注文の実行状況をリアルタイムで確認できるようにし、ERP、CRM、調達、材料など数十のシステムに分散していたコスト要因をインテリジェントに分析しました。また、クラウド上に1:1 3Dビジュアル仮想工場を構築し、研究開発、プロセス、生産、製造、最適化、シミュレーション、サービスなどの状況を3次元モデリングの形でリアルタイムにシミュレートします。将来的には、品質、効率、コストの問題の 80% を仮想側で解決できるようになると予想されています。機密データをローカルに保存し、資産集約型のビジネスをクラウドで処理して迅速に処理する機能や、ハイブリッド クラウド環境でマイクロサービス、コンテナー、API を活用してビジネス インテリジェンスを獲得する機能も、AI によって推進されています。

あらゆる分野でデータが急激に増加したことにより、人々は情報の処理方法を再考するようになりました。これをインテリジェントにすることは現在、これを実現するための重要な方法の 1 つであり、その背後にある基本的なサポートはクラウド コンピューティングと切り離せません。企業のインテリジェントな変革に対する切実なニーズがクラウド コンピューティングの発展を推進したとも言えます。