Yapay zeka, şirketlere ve insanlara birçok yarar sağlıyor. Öğrencilerin ödevlerine yardım edişi ile otomotiv dalında güvenlik sistemleri ve araç içi sesli komutlarda kullanılması bunun en kolay örnekleri ortasında gösterilebilir.
Ayrıca, üretimde kalite izleme ve perakende kesiminde ödeme süreçlerini kolaylaştırma üzere alanlarda da kullanılabilir. Ama bir müddettir AI gelişimi belli alanlara hapsolmuş üzere duruyor. AMD yöneticilerinden Matt Foley de yapay zekanın gerçek potansiyeline ulaşabilmesi için açık bir davette bulundu.
AMD, yapay zeka gerçeklerini ortaya döktü: Hakikaten yararlı işlerde kullanılmıyor!
Yapay zeka uygulamalarının tesirli olabilmesi için data akışı büyük değer arz ediyor. Kuruluşlar, genelde kendi bilgilerini kullanarak özelleştirilmiş yapay zeka tabanlı uygulamalar geliştiriyor. Doğal tıpkı vakitte SaaS tahlillerine dayanan yaklaşımlar da kullanılabilir.
Yapay zeka modellerinin eğitimi ve gelişim süreci için ise donanım ve yazılımın bir ekosistem üzere çalışabilmesi, yani entegrasyonu kritik değere sahip. Çünkü model eğitimi için büyük ölçüde data ve optimize edilmiş algoritmalar kullanılıyor.
CIO’ların ise yapay zeka uygulamalarına yatırım yaparken, süreç verimliliği, esneklik ve yararları ölçme üzere faktörleri göz önünde bulundurmaları gerekiyor. Lakin birebir vakitte, zımnilik yönetişimi düzenlemelerine ahenk ve data güvenliği üzere hususlara dikkat etmeliler.
AMD EMEA Saha Uygulama Mühendisliği Yöneticisi Matt Foley tarafından yapılan açıklama şu formda:
“Yapay zeka yıllarca gün yüzüne çıkmayı bekledikten sonra kamuoyunda tanınan bir bahis haline geldi ve ChatGPT ve DALL-E üzere hizmetlerin sunduğu imkanlar bu mevzuyu daha tanınan bir hale getirdi. Fakat Yapay Zekanın öğrenci ödevlerine yardımcı olmaktan ve tekinsiz sanat yapıtları üretmekten çok daha fazlasını sunması gerekiyor.
Bilgisayarla görme, doğal lisan sürece ve eser tavsiye sistemleri üzere uygulamalarla şirketleri güçlendirerek sanayi üzerinde kıymetli bir tesire sahip olabilir. CIO’lar artık kurum içi yapay zeka tabanlı uygulamalar geliştirirken bu teknolojiden faal bir biçimde yararlanmak için hangi yaklaşımı benimseyeceklerine karar vermelidir.
Yapay zeka için potansiyel uygulamalar geniş bir yelpazeye yayılmaya başladı. Otomotiv dalında bilgisayarla görme, yoldaki yayaları tanıyan otomatik güvenlik sistemlerini mümkün kılabilir. Doğal lisan sürece, araç içi sesli komutları kolaylaştırabilir. Üretimde, bilgisayarlı denetim ve görüş, kaliteyi izleyerek proaktif bakım önerebilir.
Perakende kesiminde otomatik eser ve müşteri tanıma yoluyla ödeme süreçleri kolaylaştırılabilir. Finansal hizmetler, dolandırıcılığı önlemek için süreç anormalliklerini tespit edebilir. Tıp şirketleri teşhislerin suratını ve doğruluğunu artırabilir. Her türlü şirket, kurumsal aramalarının zenginliğini ve kalitesini artırarak pahalı dataların daha kolay bulunmasını sağlayabilir.
Makine tahsilinde hayat döngüsünün eğitim ve çıkarım olmak üzere iki ana evresi vardır. Eğitim evresi, büyük ölçüde datayı alır ve kalıpları tanımak ve modeller oluşturmak için yapay zekayı uygular. Bunun için 4. Kuşak AMD EPYC işlemciler üzere cinsinin en güzeli işlemciler ile donatılmış yüksek performanslı bilgi süreç data merkezi sunucuları ve AMD Instinct üzere data merkezi hızlandırıcıları kullanılır.
Çıkarım evresi ise aksiyona geçirilebilir bir çıktı üretmek için modelin gerçek dünya bilgilerine uygulanmasını içerir. Bu etapta eğitim evresine benzeri donanımlar kullanılabileceği üzere AMD Versal ve Zynq System-on-Chip (SoC) üzere gömülü aygıtlar da kullanılabilir.
Yapay zeka uygulamalarının tesirli olabilmesi için varlıklı datalardan elde edilen kapsamlı modellere muhtaçlığı vardır. Bununla birlikte evvelden oluşturulmuş araçlar, kamuya açık yahut ticari olarak elde edilen, harici bilgiler üzerinde eğitilmiş modeller sağlama açısından kıymetli ölçüde ilerlemiştir. Tekrar de bir kuruluş için en pahalı datalar kendi bünyesi içinde yer almaktadır. Bu birtakım kurum içi geliştirmeleri ve en uygun maliyetli donanım ve yazılım ekosisteminin kullanılmasını gerektirecektir.
Yapay zeka tabanlı bir uygulama kuruluşun kendi datalarıyla özelleştirildiğinde daha net sonuçlar sağlayabilir. Bununla birlikte yapay zeka yaygınlaştıkça kurum içi uygulamaların yanı sıra kamuya açık Hizmet Olarak Yazılım (SaaS) tahlillerine dayanan yaklaşımların bir karışımı, muhtemelen en güçlü sonuçları sağlayacaktır.
Buradaki kilit nokta, eğitim ve çıkarım için kullanılan yığınlar ortasında dengeli erişime sahip olmaktır. AMD Unified Inference Frontend (UIF) kendi başında Tensor Flow, PyTorch, WinML ve Open Neural Network Exchange (ONNX) üzere sanayi standardı yapay çerçevelerine değerli bir imkan sağlar.
Bunlar da AMD EPYC CPU yığını, ROCm yazılım güdümlü AMD Instinct GPU yığını ya da AMD Versal yahut Zynq uyarlanabilir SoC’lere sahip gömülü bir yığın için Vitis Yapay Zeka Platformu ile sıkıntısız bir formda entegre edilebiliyor.
CIO’lar yapay zeka uygulamalarına yatırım yapmak için bir strateji geliştirirken, kâfi getiri elde etmek için şirketin parasını tesirli bir halde harcadıklarından emin olmalıdırlar. Süreç verimliliği iyileştirmeleri, üretkenlik ve BT altyapısının esnekliği, yararları ölçmenin merkezinde yer alır. CIO’lar, tahlilleri için süratli bir halde uygulanabilecek en yeterli mimariyi seçmelidir. Bu nedenle, ortalarından seçim yapabilecekleri çok çeşitli yapay zeka yığınlarına sahip olmak çok değerlidir.
CIO’ların ayrıyeten, sorumlu inovasyon için inançlı bir formda yönetildiğinden ve ayrıyeten saklılık yönetişimi düzenlemelerine ve NIST üzere çerçevelere uygun olduğundan emin olmak için uygulama hayat döngüsü boyunca bir tesir değerlendirmesi yapmaları gerekecektir.
Bunun nedeni, yapay zeka modellerinin büyük olasılıkla hassas yahut tescilli bilgilerden yahut her ikisinden türetilecek olması ve kapalılığının bedelli Fikri Mülkiyet olarak korunması gerekliliğidir. Tüm bu faktörlerin maliyet tesirleri, CIO’ların yararların açık, uzun müddetli olduğu ve üretkenlikte temel iyileştirmeler sağladığı alanlara yatırım yapması gerektiği manasına gelir.
Bununla birlikte, yapay zeka modellerinin altında yatan algoritmaların oluşturulması hem vakit alıcı hem de maliyetlidir. Giderek daha büyük data kümelerinin mevcudiyetine ve çok çeşitli kullanım durumları üzerinde çalışabilen yapay zeka mimarlarına bağlıdırlar.
Bu, dengeli bir birleşik platformun gerekli olmasının bir öteki nedenidir. Modeller için parametrelerin boyutu yalnızca on yıl içinde binlerden yüz milyarlara çıktı, bu da ölçü olarak şaşırtan bir artış manasına geliyor. Bu kadar çok parametreye sahip bir modelin eğitilmesi, gereğince büyük ölçüde data ve ihtimamlı bir data idaresi gerektirir.
Ayrıca, sonuçları çarpıtabilecek bilgi yanlılığına karşı korunmak da çok değerlidir. Bu, kamuya açık bilgi kümeleri üzerinde eğitilen genel yapay zeka uygulamalarına yönelik sistemli bir tenkit haline gelmiştir. Bu önyargıyı düzeltmek kıymetli ölçüde güzelleştirme gerektirir. Tüm bunlar, model eğitiminin vakit aldığı ve masraflı olduğu manasına gelir.
Yapay zeka tabanlı bir kurumsal uygulama yatırım stratejisinin belirlenmesinde kilit karar vericiler yönetici gruplar olacaktır. Yapay Zekaya nerede gereksinim duyulduğunu düşünmeli, kullanım durumlarının envanterini çıkarmalı, risk düzeylerini kategorize etmeli ve akabinde mevcut Yapay Zeka tahlillerinin gerekliliğinin ne kadar olgun olduğunu değerlendirmelidirler.
Her iki durumda da AMD UIF üzere esnek bir mevcut platform ve AMD ZenDNN ve ROCm HIP derleyicisi üzere optimize edilmiş kütüphanelerden yararlanmak çeviklik sağlar. Böylelikle denenmiş ve test edilmiş kodun yararları, yatırım düzeylerine uyacak formda gerçek platformda işletmeye has özelleştirme ile birleştirilebilir.
Yapay zeka hala erken benimsenme basamağındadır ve halihazırda birçok jenerasyon iniş ve çıkışlar yaşamıştır. Lakin bugünün Yapay Zekası, son derece büyük modeller ve büyük data setleriyle beslenen bir döngünün başlangıcı olmayı vaat ediyor. İster kurum içinde geliştirilen uygulamalar, ister kesim tarafından sağlanan uygulama çerçeveleri olsun, Yapay Zeka tabanlı tahliller için bu “büyük veri” etabı artık net bir büyüme basamağındadır.
İş dünyasında yapay zekanın daha fazla benimsenmesi daha yeterli uygulamalara yol açtıkça, bu da daha güzel çerçevelerin geliştirileceği ve iş süreçlerinin verimliliğinin artacağı manasına geliyor. Bu iyileştirmeler ve yararlar, uygulama geliştirmeyi daha da hızlandıracak, yararları artıracak ve benimseme maliyetini azaltacaktır. Bir kuruluş için yararlar maliyetlerden daha ağır bastığı anda, yapay zeka dayanaklı uygulamalar her CIO’nun gündeminde olmalıdır.“
