• ثبت نام
  • ورود
  • 49624 - 021 تلفن
  • ثبت نام
  • ورود
  • 49624 - 021 تلفن

سرور ابری و هوش مصنوعی در سال ۲۰۱۹

سرور ابری و هوش مصنوعی در سال 2019

امروزه ، استفاده از سرور ابری و سرور مجازی به سرعت در حال افزایش است ، هوش مصنوعی سطوح بالادست و پایین دست سازمانی را به یکدیگر نزدیک کرده است و محیط data هر روز هوشمند تر می شود.

 

 

۱۰ ترند برتری که می توان در این دنیای هیجان انگیز می توان دید، عبارتند از :

ابر هیبریدی :

ابر هیبریدی امکان توسعه ی یکپارچه ی زیرساختهای درون سازمانی به سرور ابری عمومی و سرور اختصاصی و کنترل دقیق رایانش را با تغییرات ناگهانی بسیار جزئی فراهم می سازد . امروزه کوبرنتیز این امکان را برای شرکتها و موسسات فراهم کرده است که اپلیکیشنهای پرتابل را در محیط سرورهای ابری متفاوت و ناهمگن اجرا کنند.

خدمات ارائه شده از سوی عرضه کنندگان سرور ابری همچون Azure Stack, GKE On-prem و AWS به گونه ای طراحی شده است که به شرکتها و موسسات در اجرای اپلیکیشنهای هیبریدی در محدوده ی سرور ابری و سرور مجازی کمک کند. سرمایه گذاریهای فراوانی برای حل چالشهای موجود در ابر هیبریدی همچون نظارت متمرکز ، سیاستهای مدیریت متمرکز ، شناسایی سرویس ها و متعادل کننده ی هوشمند بار کاری ، انجام شده است .

 

رایانش serverless/ ارائه عملکردبه عنوان سرویس (FaaS) :

رایانش serverless نه تنها بار کاری زیرساختها و مدیریت را کاهش می دهد ، بلکه به سازمان کمک می کند که بر روی مشکلات تجاری متمرکز شود. رایانش serverless مزایای بسیاری دارد، مزایایی از قبیل قابلیت توسعه، پرداخت هزینه بر مبنای میزان استفاده و پشتیبانی چندزبانی، این رایانش به زودی به استاندارد عملی توسعه ی میکروسرویسهای رویداد محور تبدیل خواهد شد.

 

AutoML و گسترش یادگیری ماشینی ساده :

با اینکه مدتی است که AutoML در دسترس قرار گرفته است ، اما در میان مجموع پروژه های open source پروژه هایی نظیر Auto sklearn و Auto Keras سبب سریع تر شدن مرحله ی آزمایش هوش مصنوعی می شوند و به انتخاب سریع تر پارامترهای الگوریتم مدل آموزش داده های اصلی کمک می کنند. قالبهایی مانند Uber Ludwig و Tensorflow Estimators مدل یادگیری دقیق چرخه ی ساخت و توسعه را ساده تر و سریع تر می کنند. یکی از چالشهای اصلی ساخت Deep Neural Networks انتخاب ساختار پیکربندی و پارامترهای دقیق ایده آل برای آن است . تمرکز بیشتر صنعت بر روی انتخاب ساختار شبکه ی عصبی خودکار سبب بروز نوآوری بیشتر در این زمینه می شود و به چرخه ی ساخت هوش مصنوعی سرعت می بخشد.

 

Cognizant LEAF و Google AutoML دو نمونه از پروژه هایی هستند که توانسته اند با طراحی ساختارهای پیچیده و دقیق در یک زمینه ی خاص به صورت خودکار تحولی در ساخت سیستمهای یادگیری به وجود بیاورند.

 

ظهور پلتفرمهای هوش مصنوعی :

پلت سازمانها سرمایه گذاری بیشتری بر روی ساخت / خرید پلتفرمهای AI می کنند تا فرایند پردازش داده ها را آسان تر کنند. پلتفرمهای AI به سازمان کمک می کنند تا کارهای اصلی را به صورت خودکار انجام دهد، فعالیتهای مربوط به حفظ/ پردازش داده ها را تسهیل می کنند و به سازمان این امکان را می دهند که به صورت یکپارچه ازمدلها و مدلهای نظارتی استفاده کند. پلتفرم AI همچنین به سازمان امکان می دهد تا نحوه ی استفاده از قابلیتها و اشتراک گذاری این قابلیتها با ویژگیهای انبار مرکزی سازمان را مدیریت کند.

 

همگرایی کانتینرها و هوش مصنوعی :

امروزه کانتینرها بهترین روش دسته بندی مدلهای یادگیری ماشینی هستند که می توان بدون جابجایی کد و یا فرمان ، از اپلیکیشنهای خارجی نیز از آنها استفاده کرد. کانتینرها همچنین به دسته بندی خطوط ارتباطی و وابستگی محیطی یادگیری ماشینی ، توسعه ی سیستم در زمان افزایش ناگهانی ترافیک داده ها کمک می کنند و زمیه را برای انتقال تدریجی بار کاری بین سیستهای اصلی و ذخیره فراهم می کنند. پروژه ای همچون Kubeflow ایجاد ارتباط در یادگیری ماشینی و استفاده از شیوه ی یادگیری ماشینی را در زیرساختهای متفاوت ، آسان تر می کند.

 

یادگیری ماشینی در مدیریت اطلاعات و Data Ops :

امروزه داده ها با سرعت بی سابقه ای جمع آوری می شوند ، شناسایی مسیر این حجم انبوه داده با قوانین کسب و کار و قوانین ایستا مشکل است . تکنیکهای آماری و ML می توانند به ایجاد قوانین کیفی داده های پویا کمک کنند. علاوه بر این ، سازمان تمرکز بیشتری بر روی معرفی AI در تمام عملکردهای مربوط به مدیریت داده ها همچون امنیت داده ، مدیریت فرا داده و مدیریت داده های مهم و اصلی خواهد داشت. یادگیری ماشینی با فراهم آورن امکان به کار افتادن اپلیکیشنها قبل از افزایش ناگهانی احتمالی حجم کار و یا شناسایی مشکلات و واکنش نسبت به آنها به صورت خودکار و بلافاصله ، نقش مهمی در عملیات داده ها ایفا می کند.

 

افزایش استفاده از سرویس Mesh برای میکروسرویسها :

استفاده ی روز افزون از میکروسرویس ها در محصولات داده منجر به Service Mess می شود که فقط Mesh می تواند این کار را به صورت موثر انجام دهد. سرویس Mesh سبب تسهیل در مدیریت ترافیک داده ها ، امنیت ، تعادل حجم کاری ، هدایت داده ها ، مدیریت صحت داده ها و بسیاری از قابلیتهای دیگر می شود. سرویس Mesh چهارچوبی برای کاهش پیچیدگی عملیات در اپلیکیشن میکروسرویسهای جدید فراهم می کند.

 

با این حساب Mess می خواهید یا Mesh ؟

Istio یک پروژه ی Open source است که با قایلیتهای فراوان به بازار عرضه شده است تا استفاده از سرویس Mess را متوقف کند . این پروژه با اقبال گسترده ی سازمانها و موسسات روبرو شد.

 

Voice و متن ابزار جدید هوش تجاری در سازمانها هستند :

با دسترسی آسان به ApI سرور ابری و سرور مجازی از طریق تبدیل گفتار به متن و شناخت زبان طبیعی ، شاهد افزایش بازیابی اطلاعات تجاری شرکتها هستیم که از طریق پرسش سوالات به زبان طبیعی انجام می شوند. هوش مصنوعی با هوش تجاری هم راستا می شود تا محیط را آماده کند و واقعیات موجود در این هوش تجاری هدایت شده را بیابد.

 

تمرکز و تحقیق بیشتر بر روی تفسیر و تعبیر AI :

صنعت تلاش می کند تا هنر نمونه سازی – قابلیت توضیح مدلهای پیچیده ی جعبه سیاه را فرابگیرد. با اینکه پیشرفت چندانی در تفسیر یادگیری عمیق به وجود نیامده است ، اما مدل لاادری و شیوه ی تفسیر جهانی فعلی به موسسات کمک می کنند که مدلهای یادگیری عمیق را برای فرایندهای پیچیده و نظام مند کسب و کار را به صورت نمونه و آزمایشی اجرا کنند.

 

عرضه کنندگان سرور ابری خدمات درون سازمانی خود را گسترش خواهند داد :

واضح است که عرضه کنندگان سرور ابری و سرور مجازی به دنبال حضور در بازارهای درون سازمانی هستند که بتواند موسسات را قادر سازد تا اپلیکیشنهای ثابت و مناسب سرور ابری بسازند.

نوشته مشابه

ثبت نظر