رونق زیرساخت های هوش مصنوعی روی پایه های چینی ایستاده است

ممکن است هوش مصنوعی در سطح یکپارچه به نظر برسد، اما در زیر آن، جستجو و تجزیه و تحلیل هنوز در جهات مختلف هستند.

وقتی به زیرساخت‌های هوش مصنوعی فکر می‌کنم تصویری وجود دارد که مدام به آن بازمی‌گردم – فیلی که روی پاهای چینی ایستاده است. سیستم‌هایی که در بالای لایه داده ساخته می‌شوند سنگین‌تر و جاه‌طلبانه‌تر می‌شوند، در حالی که پایه‌های زیر آن‌ها به مراتب کمتر مورد توجه قرار می‌گیرند. سرمایه‌گذاران و شرکت‌های فناوری دائما در مورد زیرساخت‌های هوش مصنوعی صحبت می‌کنند، اما منظور آنها معمولا تراشه‌ها، مدل‌ها و برنامه‌هایی است که روی آن‌ها ساخته شده‌اند.

اما زیرساخت هوش مصنوعی فراتر از این است. هر یک از این برنامه ها به یک لایه کمتر شیک در زیر آن بستگی دارد - سیستم هایی که داده های آن را پیدا، بازیابی و تجزیه و تحلیل می کنند.

در بسیاری از مشاغل، جستجو و تجزیه و تحلیل هنوز در سیستم های جداگانه زندگی می کنند. یکی اطلاعات مرتبط را در اسناد و سایر داده های بدون ساختار پیدا می کند. دیگری الگوها را محاسبه، مقایسه و شناسایی می کند. خطوط لوله اطلاعات را بین خود کپی و همگام می کنند، در حالی که مهندسان سیستم ها را با هم کار می کنند.

جدا کردن جستجو از تجزیه و تحلیل یک انتخاب طراحی احمقانه نبود. این تقسیم به وضعیت موجود تبدیل شد زیرا برای سؤالات، سخت افزار و کاربران آن زمان مناسب بود. با این حال، اکنون رابط های زبان طبیعی و عوامل هوش مصنوعی در حال افشای شکاف ها هستند.

یک شخص یک سوال معمولی می پرسد، اما زیرساخت ممکن است مجبور شود آن را به چندین جستجو، یک کار بازیابی، و یک پرس و جوی تحلیلی جداگانه تبدیل کند تا بتواند پاسخی ارائه دهد. آیا هوش مصنوعی این مشکل را ایجاد کرده است؟ نه. اما نادیده گرفتن آن را بسیار سخت کرده است…

یک سوال تبدیل به چند شغل می شود

یک عامل هوش مصنوعی می‌تواند یک درخواست انسانی را قبل از بازگرداندن پاسخ به چندین پرسش کوچکتر ماشین تبدیل کند. عامل ممکن است قسمت های مختلف درخواست را جداگانه جستجو کند، نتایج را رتبه بندی کند و تصمیم بگیرد که آیا شواهد کافی برای ادامه دارد یا خیر. بنابراین آنچه که برای کاربر یک عمل به نظر می رسد می تواند کار پایگاه داده مکرر ایجاد کند.

برخی از درخواست ها فقط نیاز به بازیابی دارند. برخی دیگر از سیستم می خواهند که شواهدی پیدا کند و با آن محاسبه کند. لحظه ای که یک کار به هر دو نیاز دارد، تمایز بین جستجو و تجزیه و تحلیل قابل مشاهده می شود: یک سیستم مواد مربوطه را مکان یابی می کند، در حالی که ممکن است از دیگری خواسته شود که مقادیر را جمع کند یا یک الگو را شناسایی کند.

زبان طبیعی به روشی که صنعت پایگاه داده خود را تقسیم کرده است احترام نمی گذارد. مردم وقتی از یک همکار درخواست پاسخ می کنند، «یافتن اسناد مربوطه» را از «معنای آنها را محاسبه کنید» جدا نمی کنند. نمایندگان هم این کار را نمی کنند. آنها یک هدف واحد را به هر دنباله ای از جستجوها و محاسبات مورد نیاز ترجمه می کنند.

فعالیت اضافی پایگاه داده حتی قبل از اینکه تصور کنیم یک عامل ازدحام می کند مهم است - گروهی از عوامل هوش مصنوعی که به موازات بخش هایی از یک وظیفه بزرگ تر کار می کنند. یک دستور ظاهرا ساده می‌تواند در حال حاضر بیشتر از آنچه کاربر می‌بیند، کار پایگاه داده ایجاد کند. هر انتقال بین سیستم‌ها زمان تأخیر، هزینه و مکان دیگری را اضافه می‌کند که زمینه را می‌توان از دست داد.

جستجو و تجزیه و تحلیل از هم جدا شدند

عوامل هوش مصنوعی این موارد را افشا می کنند زیرا سیستم های جستجو و پایگاه های داده تحلیلی به طور جداگانه توسعه یافته اند. موتورهای جستجو برای یافتن اطلاعات مرتبط در متن، گزارش‌ها و اسناد نامرتب طراحی شده‌اند، حتی زمانی که کاربر نمی‌تواند پاسخ را دقیقا توصیف کند. پایگاه داده های تحلیلی برای کار با داده های ساختاریافته ساخته شده اند - جمع آوری مجموعه های داده بزرگ، پیوستن به رکوردها، محاسبه میانگین ها و شناسایی روندها.

جدایی بین جستجو و تجزیه و تحلیل زمانی معنا پیدا کرد که کسب و کارها عمدتا از یک سیستم می خواستند اطلاعات را بیابد و دیگری را برای محاسبه با آن. وقتی یک سوال به هر دو نیاز داشته باشد، مشکل ساز می شود.

جستجو ممکن است مجموعه مناسبی از اسناد را شناسایی کند، اما اغلب به سیستم دیگری برای خرد کردن اعداد درون آنها نیاز است. ابزارهای تحلیلی می‌توانند به سرعت محاسبه کنند، اما معمولا زمانی بهترین کار را انجام می‌دهند که کاربر از قبل بداند داده‌های مربوطه کجا قرار دارند و ساختار آن چگونه است.

برای ترکیب جستجو با تجزیه و تحلیل، کسب‌وکارها کپی‌های اضافی از داده‌ها، خطوط لوله استخراج و تبدیل، کارهای همگام‌سازی و کد برنامه می‌سازند. جستجوی برداری می تواند یک سیستم تخصصی دیگر را به زنجیره اضافه کند. سپس مهندسان داده زمان خود را صرف حفظ آن لوله کشی می کنند، نه به این دلیل که لوله کشی ارزش خود را ایجاد می کند، بلکه به این دلیل که مشاغل اساسی از هم جدا می مانند.

برخی از محصولات جستجو و تحلیلی در حال حاضر در حال عبور از حوزه دیگر هستند. با وجود این، بسیاری از کسب و کارها هنوز سیستم های جداگانه ای را اجرا می کنند و زیرساختی را که آنها را به هم متصل می کند حفظ می کنند.

امروزه سیستم های جداگانه هزینه هایی را ایجاد می کنند

حفظ سیستم های جستجو و تجزیه و تحلیل جداگانه به معنای پرداخت هزینه برای نسخه های اضافی از داده ها، خطوط لوله بین آنها و مهندسانی است که همه چیز را کار می کنند. با تغییر داده های منبع، فهرست های جستجو باید به روز شوند. فروشگاه های تحلیلی ممکن است نسخه دیگری از همان اطلاعات را در خود نگه دارند، در حالی که جستجوی برداری می تواند لایه تخصصی دیگری را معرفی کند.

معماری دقیق متفاوت است، اما هر کپی اضافی فضای ذخیره‌سازی را مصرف می‌کند، هر کار همگام‌سازی نیاز به نظارت دارد، و هر دست‌آفی مکان دیگری را ایجاد می‌کند که در آن داده‌ها می‌توانند قدیمی شوند یا سرعت جستجو کند شود. این هزینه ها قبل از افزایش حجم درخواست توسط عوامل هوش مصنوعی وجود دارد. عامل ها نادیده گرفتن آنها را سخت تر می کنند زیرا یک اقدام کاربر ممکن است چندین عملیات را در یک زنجیره از سیستم ها آغاز کند.

فرمت های باز اقتصاد را تغییر می دهد

یکی از راه‌های کاهش این تکرار، نگهداری داده‌های زیربنایی در ذخیره‌سازی شی و استفاده از فرمت‌های باز است تا ابزارهای مختلف بتوانند با آن کار کنند. در عمل، داده‌ها ممکن است در آمازون S3، سرویس ذخیره‌سازی اشیاء از خدمات وب آمازون، به‌عنوان فایل‌های پارکت آپاچی در جداول با Apache Iceberg قرار بگیرند.

این رویکرد فضای ذخیره سازی را از پایگاه های داده و سرورهایی که داده ها را پردازش می کنند جدا می کند. ابزارهای جستجو و تجزیه و تحلیل می توانند به جای نیاز به کپی کامل در داخل هر محصول، از همان اطلاعات اساسی کار کنند. یک شاخص و یک لایه محاسباتی هنوز مورد نیاز است، و برخی از بارهای کاری برای توجیه سیستم های تخصصی ادامه خواهند داشت، اما دیگر نیازی به تکرار پیش فرض نیست.

در سراسر صنعت، جستجو و تجزیه و تحلیل شروع به همگرایی می کنند زیرا کسب و کارها کنترل بیشتری بر محل زندگی داده های خود به دست می آورند. هنگامی که یک بار کاری جدید ظاهر می شود، آنها می توانند به جای افزودن خودکار پایگاه داده دیگر، کپی دیگر و خط لوله دیگر از همان داده های اساسی استفاده کنند.

عوامل بیشتر باعث افزایش فشار می شود

کاهش داده‌های تکراری و خطوط لوله ارزشمندتر می‌شود زیرا کسب‌وکارها به عوامل هوش مصنوعی کار بیشتری می‌دهند. ازدحام گسترده و همزمان نمایندگان هنوز یک واقعیت تولید روزمره نیست، اما نمایندگان در حال حاضر در حال تغییر حجم کاری پایگاه داده هستند. یک درخواست زبان طبیعی می تواند به چندین عملیات پایگاه داده زیربنایی تبدیل شود و یک عامل می تواند آن فرآیند را به طور مداوم، بدون ساعات کاری یا مکثی که استفاده انسان را شکل می دهد، تکرار کند.

از آنجایی که نمایندگان کارهای بیشتری را انجام می دهند، حجم درخواست ها ممکن است به جای تعداد کارمندان، فعالیت نرم افزار را دنبال کنند. بعید است که اولین نشانه های این تقاضای اضافی یک فروپاشی ناگهانی پایگاه داده باشد. آنها به احتمال زیاد به صورت صف، پاسخ‌های آهسته‌تر، زمان‌بندی، افزایش صورت‌حساب زیرساخت‌ها و فشار بیشتر بر خطوط لوله بین سیستم‌ها ظاهر می‌شوند.

کسب‌وکارها برای توجیه بازبینی لایه داده نیازی به این فرض ندارند که انبوهی قریب‌الوقوع است. زیرساخت های تکراری و هزینه های عملیاتی در حال حاضر وجود دارد. عوامل بیشتر هر دو را افزایش می دهد.

وضعیت موجود رقیب واقعی است

یک لایه داده ساده تر هنوز باید زیرساخت هایی را که کسب و کارها از قبل می شناسند و به آن اعتماد دارند، شکست دهد. میراث اغلب به عنوان یک توهین استفاده می شود، اما منظور من به معنای واقعی کلمه - وضعیت موجود است. سیستم های موجود به این دلیل مسلط شدند که مشکلات مهمی را حل کردند و در بسیاری از موارد به خوبی به حل آنها ادامه می دهند.

کسب‌وکارها نباید زیرساخت‌های کاری را صرفا به این دلیل که هوش مصنوعی مد است، خراب کنند. آنها باید سوالات کاربردی بیشتری بپرسند. چه تعداد از سیستم های کامل، نسخه هایی از همان داده ها را در خود دارند؟ چند خط لوله فقط برای انتقال اطلاعات بین آنها وجود دارد؟ پاسخ به سوالی که شواهد بدون ساختار را با تحلیل عددی ترکیب می کند چقدر طول می کشد؟ چقدر زمان متخصص برای عملیاتی نگه داشتن آن مسیر صرف می شود؟

اگر پاسخ ها ساده و مقرون به صرفه بمانند، معماری فعلی ممکن است کاملا مناسب باشد. اگر هر ویژگی جدید هوش مصنوعی به فروشگاه دیگری، کپی دیگر و لایه دیگری از چسب نیاز دارد، فونداسیون شایسته توجه بیشتر است.

فیل در حال سنگین‌تر شدن است و پاهایش به همان اندازه سزاوار توجه هستند که همه چیز بالای آنها ساخته شده است. با این حال، تغییر آن پایه ها آسان نخواهد بود. هیچ رقیبی سرسخت تر از وضعیت موجود وجود ندارد.

ما بهترین ابزار هوش مصنوعی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit