ينتقل هذا المنشور إلى مساحة فائقة الديناميكية لموفري السحابة - الذكاء الاصطناعي والتعلم الآلي. يجمع الذكاء الاصطناعي (AI) والتعلم الآلي (ML) بين معالجة البيانات الضخمة مع قوة حوسبة غير محدودة تقريبًا ونموذج اقتصادي يدفع فقط مقابل ما تحتاجه. لمعرفة كيفية تكديس خدمات الذكاء الاصطناعي والتعلم الآلي في AWS و Azure و GCP ، استمر في القراءة.
هل الذكاء الاصطناعي والتعلم الآلي هما نفس الشيء؟
غالبًا ما تستخدم الوسائط السائدة الذكاء الاصطناعي والتعلم الآلي بالتبادل. لكنهم ليسا نفس الشيء. الذكاء الاصطناعي هو سعينا لمحاكاة الفكر البشري واتخاذ القرار بطريقة آلية. كما أوضح آرثر صموئيل (الذي صاغ المصطلح في عام 1959) ، فإن ML هو "مجال الدراسة الذي يمنح أجهزة الكمبيوتر القدرة على التعلم دون أن تتم برمجتها بشكل صريح." بمعنى آخر ، ML هي إحدى الطرق التي يمكننا استخدامها لمحاولة تحقيق الذكاء الاصطناعي.
ما هي مكونات التعلم الآلي؟
إذن ، ما هي المكونات الأساسية اللازمة لبدء نظام ML؟
شيء صغير:
- الكثير من البيانات.
- طريقة لتطبيق الحساب أو الخوارزميات على تلك البيانات.
- المعرفة (لمعرفة ما تفعله).
منذ وقت ليس ببعيد ، كانت القدرات على التعلم الآلي عالية التخصص ومكلفة للغاية. فقط الحكومات وقليل من الجامعات تستطيع تحمل تكاليفها.
لكن الحوسبة السحابية تمكنت من جعل هذه الأدوات في متناول أي شخص متصل بالإنترنت. اليوم ، يمكنك إدارة كميات هائلة من البيانات والاستفادة من قوة الحوسبة الهائلة باستخدام أدوات التأشير والنقر التي أنشأها مقدمو الخدمات السحابية. والأفضل من ذلك كله ، أنك تدفع فقط مقابل الأجزاء المحددة التي تحتاجها. أنشأ مقدمو الخدمات السحابية أيضًا بعض خدمات TurnKey التي تتيح لنا الاستفادة من تقنية ML قوية جدًا من خلال استدعاء بسيط لواجهة برمجة التطبيقات.
سنقوم بمقارنة عروض الذكاء الاصطناعي والتعلم الآلي الخاصة بـ AWS و Azure و GCP عبر ثلاثة مجالات مختلفة: خدمات بناء التعلم الآلي ومنصات التعلم الآلي والبنية التحتية للتعلم الآلي .
خدمات بناء التعلم الآلي
اللبنات الأساسية للتعلم الآلي هي الخدمات التي يمكنك استخدامها دون الحاجة إلى معرفة الكثير عن التعلم الآلي في المقام الأول. يبدأ معظم الأشخاص باستخدام اللبنات الأساسية للتعلم الآلي لأن حاجز الدخول منخفض جدًا.
تتوفر هذه الكتل إما كاستدعاء API أو باستخدام SDK من موفر السحابة. جميع مقدمي الخدمة الذين سنتحدث عنهم أدناه يقدمون بقية واجهات برمجة التطبيقات لخدمات التعلم الآلي الخاصة بهم.
دعونا نرى ما يجلبه كل منهما إلى الطاولة:
الكلام إلى النص والنص إلى كلام
لتحويل الكلام إلى نص ، تمتلك AWS خدمة تسمى Amazon Transcribe . يسمي كل من Azure و GCP عروضهما (ربما من الواضح) الكلام إلى نص.
لتحويل النص إلى كلام مسموع ، فإن اسم خدمة AWS هو Amazon Polly ، بينما Azure و GCP لديهما Text to Speech.
روبوتات المحادثة
سواء أعجبك ذلك أم لا ، أصبحت برامج الدردشة الآلية شائعة باعتبارها السطر الأول من دعم العملاء. يقوم مقدمو الخدمات السحابية بدورهم لمساعدة روبوتات المحادثة على تقديم تجربة أفضل (أو على الأقل تكون أقل إحباطًا) من خلال إنشاء خدمات لدعمها وتحسينها.
تستدعي AWS خدمة صندوق الدردشة Amazon Lex ، و Azure لديها فهم اللغة ، ويقدم GCP Dialogflow .
ترجمة
لحسن الحظ ، قطعت خدمات الترجمة شوطًا طويلاً منذ Babel Fish (يوجد الآن رد اتصال في التسعينيات!). هم الآن عرض قياسي للغاية. أسماء خدمات الترجمة لموفري السحابة واضحة جدًا: AWS لديها Amazon Translate ، Azure تتضمن Translator ، و GCP توفر الترجمة .
تحليلات النص
تأخذ خدمات تحليلات النص لغة طبيعية (الطريقة التي نتحدث بها بانتظام مع بعضنا البعض) وتستخرج منها موضوعات وموضوعات ومشاعر معينة منها. خدمة تحليلات النصوص من AWS هي Amazon Comprehend ، و Azure''s هي Text Analytics ، بينما GCP هي لغة طبيعية .
تحليل الوثيقة
تطور تحليلات النص هو تحليل المستندات. في تحليل المستندات ، يتم استخدام التعلم الآلي لتلخيص المقالات أو الكشف عن المعلومات في النماذج. يُطلق على عرض AWS اسم Amazon Textract ، ويحتوي Azure على تحليلات النص ومُعرف النماذج لاستخراج البيانات ، ويحتوي GCP على مستند AI .
تحليل الصور والفيديو
يمكن لهذه الخدمات التعرف على الأشياء والأشخاص في الصور أو خريطة الوجوه أو اكتشاف المحتوى الذي يحتمل أن يكون مرفوضًا.
تجمع AWS كلاً من تحليل الصور والفيديو ضمن منتج Rekognition الخاص بهم . وفي الوقت نفسه ، يقدم Azure خدمات مفهرس الوجه Azure و Computer Vision . يطلق GCP على خدمات الصور والفيديو الخاصة بهم Vision و Video ، على التوالي.
إكتشاف عيب خلقي
أجهزة الكمبيوتر جيدة جدًا في اكتشاف الحالات التي تكون فيها الأمور خارجة عن المألوف ، ولكن عليك عادةً إخبارهم بما يجب مراقبته. يستخدم موفرو السحابة التعلم الآلي لإنشاء خدمات يمكنها مشاهدة تدفق الأحداث أو البيانات ومعرفة ما هو مختلف داخل مجموعة البيانات. تسمى هذه العملية باكتشاف الشذوذ.
ستجد هذه الإمكانية في AWS عبر مجموعة خدمات Amazon Lookout وكاشف الاحتيال . في Azure ، هذه الخدمات هي كاشف الشذوذ ومستشار المقاييس ، وإصدار GCP هو Cloud Inference .
إضفاء الطابع الشخصي
أصبحت محركات التوصية إضافة شائعة لمواقع التجارة الإلكترونية. لا عجب أن موفري الخدمات السحابية حاولوا القيام ببعض الأعمال الثقيلة هنا.
تقدم AWS خدمة Amazon Personalize بناءً على نفس التكنولوجيا التي طوروها لموقعهم التجاري. وفي الوقت نفسه ، لدى Azure أداة تخصيص ، ولدى GCP توصيات AI .
هناك شيء واحد يجب مراعاته: ستكون توصياتك جيدة مثل البيانات التي يمكنك إدخالها في نظامك.
في الواقع ، هذا ينطبق على جميع الخدمات المذكورة أعلاه. إذا كانت بيانات المصدر الخاصة بك سطحية ، فمن المحتمل أن تكون النتائج النهائية مخيبة للآمال تمامًا!
منصات التعلم الآلي (Machine learning platforms)
عندما نتحدث عن منصات التعلم الآلي ، فإننا نشير إلى طاولة العمل والأدوات التي يستخدمها ممارسو التعلم الآلي. إنه مشابه لمطور يستخدم IDE وبعض المكتبات لكتابة التعليمات البرمجية الخاصة بهم.
بالنسبة للتعلم الآلي ، فإن Jupyter Notebook هو طاولة العمل الفعلية لعلماء البيانات. ليس من المستغرب أن يقدم جميع موفري السحابة الثلاثة أجهزة Jupyter Notebooks أو بعض الإصدارات التي تم تغيير علامتها التجارية قليلاً كجزء من أنظمتهم الأساسية.
هناك اتساق آخر في جميع المجالات وهو دعم أطر التعلم الآلي الرئيسية ، بما في ذلك TensorFlow و MXNet و Keras و PyTorch و Chainer و SciKit Learn وغيرها الكثير. يدمج موفرو السحابة ميزات مثل الأمان والتعاون وإدارة البيانات في أنظمتهم الأساسية.
تطوير النموذج الموجه (Guided model development)
لأولئك منكم الذين بدأوا للتو رحلة تعلم الآلة ، استثمر مقدمو الخدمات السحابية في بعض المقدمات اللطيفة. على سبيل المثال ، تسمى خدمة "البدء للتو" الخاصة بـ AWS باسم SageMaker Autopilot ، وتملك Azure ML آليًا وأداة سحب وإفلات تسمى مصمم Azure Machine Learning ، ولدى GCP مجموعة من أدوات إنشاء النماذج الموجهة التي يسمونها AutoML .
طاولة عمل ML كاملة (Full ML workbench)
إذا كنت محترفًا متمرسًا ولا تحتاج إلى عجلات التدريب ، فإن AWS تقدم SageMaker Studio ، ولدى Azure دفاتر تعلم الآلة ، ويوفر GCP النظام الأساسي للذكاء الاصطناعي .
MLOps
هناك ميزة أخرى حظيت باهتمام كبير مؤخرًا وهي MLOps ، وهي مكافئة لـ DevOps للتعلم الآلي. تطلق AWS عليها اسم SageMaker MLOps ، أما Azure فهي ببساطة MLOps ، و GCP لديها خطوط أنابيب .
الذكاء الاصطناعي المعزز (Augmented AI)
تمتلك AWS أيضًا الذكاء الاصطناعي المعزز (Amazon A2I) ، وهو شيء لم نشهده بعد على المنصات الأخرى (على الرغم من أنها بالتأكيد مسألة وقت). يُعد الذكاء الاصطناعي المعزز طريقة لتجنيد قوة البشر الحقيقيين الحي والمتنفسين للمساعدة في تحسين خدمة التعلم الآلي الخاصة بك.
إليك مثال عملي للغاية :
لنفترض أنك حددت أن نموذج التعلم الآلي الخاص بك دقيق بنسبة 95٪ في تحديد صور ابن مقرض غاضبًا ، ولكنك تحتاج إلى دقة بنسبة 100٪. بالنسبة للحالات التي تكون فيها ثقة نموذج ML منخفضة ، يمكنك توجيه صورة النمس المعنية إلى إنسان حي ، والذي يمكنه بعد ذلك تحديد ما إذا كان النمس غاضبًا أم لا.
[هل تريد إضافة صورة Angry Ferret من حلقة Scott''s ACG Projects؟]
البنية التحتية لتعلم الآلة
يحب جميع موفري السحابة حقًا الحاويات لمنصات التعلم الآلي الخاصة بهم ، ولسبب وجيه. الحاويات خفيفة الوزن نسبيًا ومحمولة ويمكن تبديلها دون أي متاعب.
يقدم جميع الموفرين الثلاثة نشر حاوية بضغطة زر لإصدارات محددة من أطر عمل التعلم الآلي ، محسّنة للتدريب والتحقق والاستدلالات. إذا كنت أكثر من شخص يعمل في مجال DIY ، فإن جميع مقدمي الخدمة لديهم أجهزة افتراضية مُحسّنة للنظام الأساسي لجميع الأطر الرئيسية أيضًا. هذا الأخير هو ما يستخدمه معظم الناس إذا كان لديهم بالفعل نموذجًا تم تدريبه محليًا.
المعدات
هناك القليل من سباق التسلح لمزود الخدمات السحابية مع التعلم الآلي. يميل الثلاثة جميعًا إلى الأجهزة المحسّنة ، حيث يدعي كل مزود أداءً واقتصادًا فائقًا. يقدم جميع مقدمي الخدمة مستويات مختلفة من أنواع الأجهزة الافتراضية لوحدة المعالجة المركزية ووحدة معالجة الرسومات. بالإضافة إلى ذلك ، استثمر البعض أيضًا في الأجهزة المتخصصة في شكل دوائر متكاملة خاصة بالتطبيقات (ASIC) ومصفوفات بوابة قابلة للبرمجة (FPGA).
كما هو الحال دائمًا ، هناك مقايضة. تعتبر منصات الأجهزة المتخصصة هذه جيدة حقًا في مهام التعلم الآلي ، ولكن من الناحية الاقتصادية ، فهي ليست مفيدة جدًا لأي شيء آخر. تعد الأجهزة التي تعتمد على وحدة المعالجة المركزية ووحدة معالجة الرسومات أكثر مرونة ، وهي عمومًا ما يستخدمه الناس أولاً أثناء تطويرهم لنماذج ML الخاصة بهم وتحسينها.
إمكانية شرح التعلم الآلي والتحيز
على الرغم من كل الآمال والفرص الكامنة ، فإن تطوير نماذج ML عالية الجودة أمر صعب حقًا. إذا حدث أنك أخطأت في الأمر ، فإن القرارات الناتجة عن غسل الأموال يمكن أن تتراوح في أي مكان من كونها محرجة قليلاً إلى غير أخلاقية تمامًا ، وذلك لأسباب أخلاقية وأحيانًا تنظيمية.
نحتاج إلى أن نكون قادرين على شرح كيفية اتخاذ نموذج ML الخاص بنا قراراته. يسمي الممارسون هذا التفسير ، ولحسن الحظ ، يمتلك مقدمو الخدمات السحابية أدوات للمساعدة في ذلك: