


Kann künstliche Intelligenz Cloud-Computing-Architekten ersetzen?
KI-Systeme sind jeden Tag aufs Neue beeindruckend. Die heutige künstliche Intelligenz kann viele Aufgaben von Information Workern automatisieren, sodass diejenigen, die im Cloud Computing arbeiten, befürchten, dass sie der Nächste sein werden.
Das Interesse der Menschen an künstlicher Intelligenz und ihren Anwendungen hat sich vor etwa fünf Jahren verändert. Dann kam die Pandemie und einige Budgets wurden in Richtung einer schnellen Cloud-Migration verlagert. Jetzt ist alles wieder normal und die künstliche Intelligenz ist zurück. Die meisten Unternehmen haben die grundlegenden Möglichkeiten der künstlichen Intelligenz erkannt und wollen diese Technologie für ihr eigenes Unternehmen nutzen.
Dabei wird die Technik noch beeindruckender. Mit dem Aufkommen generativer KI-Dienste wie ChatGPT hat sich generative KI beispielsweise von einer Doktorarbeit zu einer zugänglichen und kostenlosen Realität entwickelt.
Generative KI ist eine Art von KI, die auf der Grundlage von Eingabedaten und erlernten Mustern neue und einzigartige Ausgaben wie Text, Bilder oder Audio generiert. Dazu können Aufgaben wie Texterstellung, Bildsynthese und Musikkomposition gehören.
Über Chatbot oder API können verschiedenste Eingaben gemacht werden, die zu beeindruckenden Antworten führen. Die Reaktionen waren so beeindruckend, dass ich Anrufe von Reportern entgegennahm, die Geschichten darüber schreiben, wie KI Arbeitskräfte ersetzt. Das ist eine Frage, die ich schon seit 20 Jahren höre, aber jetzt mit einer modernen Wendung. Hochschulen und Universitäten haben neue Bedenken hinsichtlich der Nutzung von ChatGPT oder ähnlichen Diensten durch College-Studenten, um Aufsätze für sie zu schreiben. Die durch künstliche Intelligenz erzeugten Ergebnisse können von Plagiatserkennungssystemen nicht schnell identifiziert werden, da es sich nicht um Plagiate handelt.
Bei bestimmten Arten von Lerndaten können Probleme mit der KI-Ethik und Voreingenommenheit auftreten. Könnten diese Vorurteile zu unbeabsichtigten negativen Folgen führen, wie zum Beispiel, dass automatisierte Modelle bestimmten Personengruppen Kredite verweigern?
Ich höre einige Kernfragen: Welche Arten menschlicher Aufgaben kann KI jetzt oder bald ersetzen? Jobs, die nicht durch künstliche Intelligenz automatisiert werden können? Ist es sicher, Cloud-Architekt, Cloud-Entwickler, Cloud-Betriebsingenieur, Devops-Ingenieur, Cloud-Projektleiter usw. zu werden? Sind Sie gefährdet?
Ich denke, die Realität ist, dass wir viele menschliche Aufgaben durch KI-gesteuerte Automatisierung ersetzen. Dies geschieht einfach mit dem technologischen Fortschritt und ist nichts Neues. Die Entwicklung der Technologie bedeutet, dass wir im Herbst nicht mehr Dutzende Menschen brauchen, um auf einem Feld zu ernten. Kann im Supermarkt auschecken, ohne mit einem Menschen zu interagieren. der Pkw und Lkw können selbstständig fahren.
Eine Sache, die mich frustriert, ist der Mangel an nützlicher Automatisierung im gesamten IT-Design- und Bereitstellungsprozess. Natürlich verfügen wir über eine Fülle von Tools, Prozessen, Methoden und anderen Ressourcen, um unseren Prozess der Optimierung der Cloud-Architektur und -Bereitstellung zu beschleunigen. Sie treffen jedoch keine kritischen Entscheidungen für den Architekten. Die Cloud-Architektur muss oft durch eine eingehende Analyse und Beurteilung bestimmt werden, die nur durch Erfahrung erreicht werden kann. Darüber hinaus sind weiterhin Kreativität und Innovation gefragt – diese Rollen können Menschen spielen.
Natürlich machen Menschen viele Architekturfehler, wie zum Beispiel die Wahl der falschen Plattformen, Tools und Dienste. Von Menschen geschaffene Architekturen sind völlig unoptimiert und bringen keinen Mehrwert für das Unternehmen. Ich habe kürzlich über dieses Problem gesprochen.
Wenn wir die Lösungsfindung der künstlichen Intelligenz überlassen, treffen wir vielleicht bessere Entscheidungen. Stellen Sie sich vor, ein KI-System hätte Trainingsdaten, die gleichzeitig das Wissen Tausender talentierter Cloud-Architekten widerspiegeln. Solche KI-Systeme können Wissen effizient in Lösungen verarbeiten, die auf den bereitgestellten geschäftlichen und technischen Anforderungen basieren. Es gibt Ihnen vielleicht nicht die endgültige Antwort, die Sie brauchen, um etwas zu bauen, aber es kann nah genug sein, um viel Arbeit und potenzielle Fehler zu vermeiden.
Der wahrscheinlichste Weg ist, dass weiterhin taktische KI-Tools auftauchen werden. Diese Tools konzentrieren sich auf bestimmte Architekturbereiche wie Netzwerkdesign, Datenbankdesign, Plattformauswahl, Cloud-natives Design, Sicherheit, Governance, Verwendung von Containern usw. Das Ergebnis sollte genauso gut sein wie das, was wir heute sehen, wenn nicht sogar besser, da diese Tools nahezu perfekte Daten nutzen und nicht über die lästigen menschlichen Schwächen – Emotionen und Gefühle – verfügen, die manche Architekturentwürfe bestimmen. Natürlich gibt es heute bereits einige solcher KI-Tools (erzähl mir nicht deine) und sie bewegen sich in diese ideale Richtung. Ihr Nutzen hängt jedoch von der Aufgabenstellung ab.
Taktische KI-Tools müssen weiterhin von sachkundigen Menschen bedient werden, die wissen, wie man die richtigen Fragen stellt und die von den Tools erstellten Designs und Empfehlungen validiert. Auch wenn möglicherweise weniger Personen für den Entwurf der taktischen Komponenten einer großen Cloud-Architektur erforderlich sind, ist es unwahrscheinlich, dass dieser Prozess alle Mitarbeiter ausschaltet. Bedenken Sie, dass viele dieser Fehler passieren, weil Unternehmen Schwierigkeiten haben, qualifizierte Cloud-Computing-Experten zu finden. Taktische KI-Tools können ebenfalls zur Lösung dieses Problems beitragen, indem sie die Nachfrage und das Angebot an Talenten besser synchronisieren.
Es ist leicht vorherzusagen, wie es sich entwickeln wird, und nichts Weltbewegendes. Design-, Entwicklungs- und Bereitstellungstools werden sich weiterentwickeln. Sie bieten mehr Wert und Nutzen. Insgesamt werden möglicherweise weniger Leute benötigt, aber diese Werkzeuge erfordern talentierte Bediener, um richtig arbeiten zu können. Sie konzentrieren sich hauptsächlich auf das taktische Design von Cloud-Architekturkomponenten wie Netzwerk und Sicherheit.
Man muss sich also immer noch darauf verlassen, dass Menschen solide Cloud-Lösungen entwickeln. Für kleinere Probleme gibt es möglicherweise Lösungen mit künstlicher Intelligenz, aber das größere Problem besteht darin, dass die Automatisierung der Cloud-Architektur auf poetische Weise ein ungelöstes Problem bleibt.
Ich denke, dass wir noch einige Zeit menschliche Cloud-Architekten und Lösungsdesigner brauchen werden, die all dies zusammenbringen und sicherstellen, dass wir optimierte Lösungen bereitstellen, die den größten Mehrwert für das Unternehmen bieten. Ich glaube nicht, dass dies etwas ist, das vollständig durch künstliche Intelligenz ersetzt werden kann, aber ich mache mir keine Illusionen, dass es niemals ersetzt werden kann.
Aber fragen wir ChatGPT: „Wird KI Cloud-Architekten ersetzen?“
Künstliche Intelligenz wird Cloud-Architekten in naher Zukunft wahrscheinlich nicht vollständig ersetzen, denn obwohl KI Cloud-Architekten bei der Durchführung automatisierter Aufgaben wie Bereitstellung, Überwachung und Ressourcenskalierung unterstützen kann , aber es erfordert immer noch menschliche Aufsicht und Entscheidungsfindung, um sicherzustellen, dass das System richtig konfiguriert ist und die KI wie erwartet funktioniert. Cloud-Architekten spielen auch eine wichtige Rolle bei der Gesamtstrategie und dem Design von Cloud-Computing-Umgebungen und Aufgaben, die mit aktuellen KI-Technologien nur schwer vollständig zu automatisieren sind. Allerdings hat KI das Potenzial, einige der sich wiederholenden und routinemäßigen Aufgaben, die Cloud-Architekten derzeit ausführen, zu automatisieren, sodass sie sich auf strategischere und übergeordnete Aufgaben konzentrieren können.
Das obige ist der detaillierte Inhalt vonKann künstliche Intelligenz Cloud-Computing-Architekten ersetzen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Laut Nachrichten dieser Website vom 31. Juli verklagte der Technologieriese Amazon am Dienstag vor dem Bundesgericht in Delaware das finnische Telekommunikationsunternehmen Nokia und beschuldigte es, mehr als ein Dutzend Amazon-Patente im Zusammenhang mit Cloud-Computing-Technologie verletzt zu haben. 1. Amazon gab in der Klage an, dass Nokia mit dem Amazon Cloud Computing Service (AWS) verbundene Technologien, einschließlich Cloud-Computing-Infrastruktur, Sicherheits- und Leistungstechnologien, missbraucht habe, um seine eigenen Cloud-Service-Produkte zu verbessern. Amazon habe AWS im Jahr 2006 eingeführt und seine bahnbrechende Cloud-Computing-Technologie sei seit Anfang der 2000er Jahre entwickelt worden, heißt es in der Beschwerde. „Amazon ist ein Pionier im Cloud Computing, und jetzt nutzt Nokia Amazons patentierte Cloud-Computing-Innovationen ohne Erlaubnis“, heißt es in der Beschwerde. Amazon beantragt vor Gericht eine einstweilige Verfügung zur Sperrung

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S
