Le coût et la durabilité de l'IA générative
L'IA nécessite beaucoup de ressources pour n'importe quelle plateforme, y compris le cloud public. La plupart des technologies d'intelligence artificielle nécessitent une grande quantité de calculs d'inférence, qui nécessitent collectivement des exigences plus élevées en matière de processeur, de réseau et de stockage, et entraîneront également des factures d'électricité, des coûts d'infrastructure et une empreinte carbone plus élevés.
La montée en puissance des systèmes d'intelligence artificielle générative, tels que ChatGPT, a remis les problèmes ci-dessus au centre de l'attention. Compte tenu de l’adoption généralisée de cette technologie, et de son adoption probable à grande échelle par les entreprises, les gouvernements et le grand public, nous pouvons voir la courbe de croissance de la consommation électrique prendre une tournure inquiétante.
La technologie de l'intelligence artificielle existe depuis les années 1970. Étant donné que le fonctionnement d’un système d’intelligence artificielle mature nécessite une grande quantité de ressources, il n’a pas eu beaucoup d’impact commercial au départ. Je me souviens que le système d'intelligence artificielle que j'avais conçu quand j'avais la vingtaine nécessitait plus de 40 millions de dollars en matériel, logiciels et espace de centre de données pour le faire fonctionner. Alerte spoiler : ce projet et de nombreux autres projets d’IA n’ont jamais démarré. Pas viable en tant qu’analyse de rentabilisation.
Le cloud computing change tout. Des choses qui étaient autrefois hors de portée sont désormais suffisamment rentables grâce au cloud public. En fait, comme vous l’avez peut-être deviné, l’essor du cloud a à peu près coïncidé avec l’essor de l’intelligence artificielle au cours des 10 à 15 dernières années. Ce que j'essaie de dire, c'est qu'ils sont désormais étroitement intégrés.
Durabilité et coût des ressources cloud
Vous n'avez vraiment pas besoin de faire beaucoup de recherches pour prédire ce qui va se passer ici. La demande de services d’intelligence artificielle va augmenter, tels que les systèmes d’IA générative qui attirent désormais l’attention, ainsi que d’autres systèmes d’intelligence artificielle et d’apprentissage automatique. Cette poussée sera menée par des entreprises à la recherche d'avantages innovants, tels que des chaînes d'approvisionnement intelligentes, et même par des milliers d'étudiants espérant disposer d'un système d'IA générative pour rédiger leurs travaux de session.
Une demande accrue en intelligence artificielle signifie une demande accrue pour les ressources utilisées par ces systèmes d'intelligence artificielle, telles que les cloud publics et les services qu'ils fournissent. Cette demande sera probablement satisfaite grâce à plusieurs centres de données hébergeant des serveurs et des équipements réseau gourmands en énergie.
Les fournisseurs de cloud public, comme tout autre fournisseur de ressources de services publics, augmenteront leurs prix à mesure que la demande augmente, tout comme nous constatons des augmentations saisonnières des factures d'électricité des ménages (également basées sur la demande). C’est pourquoi nous réduisons souvent l’utilisation, par exemple en réglant le climatiseur à 24 degrés au lieu de 20 degrés en été.
Cependant, les coûts plus élevés du cloud computing n’auront peut-être pas le même impact sur les entreprises. Les entreprises peuvent constater que ces systèmes d’intelligence artificielle pilotent certains processus commerciaux clés et ne sont pas superflus. Dans de nombreux cas, ils peuvent essayer d’économiser de l’argent au sein de l’entreprise, peut-être en réduisant les effectifs pour compenser le coût des systèmes d’IA. Ce n’est un secret pour personne : les systèmes d’IA générative remplaceront bientôt de nombreux travailleurs de l’information.
Que peux-tu faire ?
Si les exigences en ressources liées au fonctionnement des systèmes d'IA entraînent des coûts de calcul et une production de carbone plus élevés, que pouvons-nous faire ? La réponse réside peut-être dans la recherche de moyens plus efficaces permettant à l’IA d’utiliser des ressources telles que le traitement, la mise en réseau et le stockage.
Par exemple, le pipeline d'échantillonnage peut accélérer l'apprentissage profond en réduisant la quantité de données traitées. Des recherches du MIT et d'IBM montrent que vous pouvez utiliser cette approche pour réduire les ressources nécessaires à l'exécution de réseaux neuronaux sur de grands ensembles de données. Cependant, cela limite également la précision, ce qui peut être acceptable pour certains cas d’utilisation commerciale, mais pas pour tous.
Une autre approche déjà utilisée dans d'autres domaines technologiques est l'informatique en mémoire. Cette architecture peut accélérer le traitement de l’IA en ne déplaçant pas les données vers et hors de la mémoire. Au lieu de cela, les calculs de l'IA s'exécutent directement dans le module de mémoire, ce qui accélère considérablement les choses.
D’autres méthodes sont également en cours de développement. Par exemple, changer de processeur physique, utiliser des coprocesseurs pour les calculs d’intelligence artificielle afin d’augmenter la vitesse de calcul ou adopter des modèles informatiques de nouvelle génération tels que le quantique. Vous pouvez vous attendre à de nombreuses annonces techniques de la part des grands fournisseurs de cloud public sur la manière de résoudre bon nombre de ces problèmes.
Que devez-vous faire ?
Mon conseil n'est certainement pas d'éviter l'IA pour réduire votre facture de cloud computing ou sauver la planète. L’intelligence artificielle est une méthode informatique fondamentale que la plupart des entreprises peuvent exploiter pour générer une valeur significative.
Je vous recommande de vous lancer dans un projet de développement d'un nouveau système d'IA basé sur l'IA ou d'un nouveau système d'IA avec une compréhension claire du coût et de l'impact sur la durabilité, les deux sont directement liés. Vous devez faire un choix coût/bénéfice, et cela dépend en réalité de la valeur du coût et du risque que vous pouvez apporter à l’entreprise. Après tout, il n’y a en fait rien de nouveau.
Je crois que la plupart des problèmes seront résolus de manière innovante, qu'il s'agisse de la mémoire, de l'informatique quantique ou de solutions que nous n'avons pas encore vues. Les fournisseurs de technologies d’IA et les fournisseurs de cloud computing souhaitent rendre l’IA plus rentable et plus écologique. C'est une bonne nouvelle.
Source : www.cio.com
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Sujets chauds
1393
52
1207
24
Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA
Jun 28, 2024 am 03:51 AM
Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine
Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag
Jun 10, 2024 am 11:08 AM
Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.
Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations
Jun 11, 2024 pm 03:57 PM
Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.
Sept questions d'entretien technique Cool GenAI et LLM
Jun 07, 2024 am 10:06 AM
Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
SK Hynix présentera de nouveaux produits liés à l'IA le 6 août : HBM3E à 12 couches, NAND à 321 hauteurs, etc.
Aug 01, 2024 pm 09:40 PM
Selon les informations de ce site le 1er août, SK Hynix a publié un article de blog aujourd'hui (1er août), annonçant sa participation au Global Semiconductor Memory Summit FMS2024 qui se tiendra à Santa Clara, Californie, États-Unis, du 6 au 8 août, présentant de nombreuses nouvelles technologies de produit. Introduction au Future Memory and Storage Summit (FutureMemoryandStorage), anciennement Flash Memory Summit (FlashMemorySummit) principalement destiné aux fournisseurs de NAND, dans le contexte de l'attention croissante portée à la technologie de l'intelligence artificielle, cette année a été rebaptisée Future Memory and Storage Summit (FutureMemoryandStorage) pour invitez les fournisseurs de DRAM et de stockage et bien d’autres joueurs. Nouveau produit SK hynix lancé l'année dernière
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
