Périphériques technologiques
IA
IA et ML : la nouvelle frontière de l'innovation et de l'optimisation dans le centre de données
IA et ML : la nouvelle frontière de l'innovation et de l'optimisation dans le centre de données
L'infrastructure des centres de données a souvent du mal à aligner les charges informatiques actuelles et prévues sur leur infrastructure critique, ce qui entraîne des inadéquations qui menacent leur capacité à répondre à des demandes croissantes. Dans ce contexte, les approches traditionnelles des centres de données doivent être modifiées.
Les centres de données intègrent désormais les technologies d'intelligence artificielle (IA) et d'apprentissage automatique (ML) dans leur infrastructure pour rester compétitifs. En mettant en œuvre une couche basée sur l'IA dans l'architecture de centre de données traditionnelle, les entreprises peuvent créer des centres de données autonomes capables d'optimiser et d'effectuer des tâches courantes d'ingénierie de données sans intervention humaine.
Utiliser l'IA pour alimenter les architectures traditionnelles
Ces dernières années, la prolifération des technologies d'IA et de ML au sein des centres de données a été spectaculaire. L’intelligence artificielle améliore l’efficacité et les performances dans une variété de cas d’utilisation.
Sajid Mohamedy, vice-président exécutif de Nisum, a déclaré que les centres de données basés sur l'IA peuvent aider les organisations à acquérir un avantage concurrentiel en optimisant les performances et la disponibilité des applications, ce qui contribue à accroître la satisfaction et la fidélité des clients. L’ajout de l’IA à l’ensemble permet d’optimiser l’allocation des ressources, augmentant ainsi l’efficacité du centre de données et réduisant les coûts. «
La détection et la prédiction rapides des pannes, l'analyse des causes profondes, l'optimisation de la consommation d'énergie et l'optimisation de l'allocation des capacités des ressources ne sont que quelques exemples de déploiement de technologies basées sur les données et les algorithmes pour maximiser l'efficacité du centre de données
À mesure que les perturbations deviennent de plus en plus fréquentes et de plus en plus fréquentes. coûteux, l’intégration de l’IA dans le centre de données devient de plus en plus nécessaire pour toute entreprise basée sur les données. Les centres de données alimentés par l’IA offrent une série d’avantages, parmi lesquels la possibilité de réduire les temps d’arrêt et d’améliorer la fiabilité globale du système, ce qui, à terme, permet aux organisations de réaliser des économies. des coûts importants
Amélioration des capacités de détection et de prévision des pannes
Ellen Campana, responsable de l'intelligence artificielle chez KPMG U.S., a déclaré que l'intelligence artificielle a toujours été utilisée pour améliorer l'optimisation du stockage des données, l'utilisation de l'énergie et l'accessibilité. Cependant, ces dernières années, cela a été le cas. une tendance claire vers l'extension de l'utilité de l'IA à la détection et à la prédiction des pannes, ce qui peut déclencher des mécanismes d'auto-guérison
« La clé pour simplifier la détection automatique est de fournir à l'IA une compréhension du matériel et des logiciels. Une fenêtre sur les détails des logiciels. fonctionnement, y compris le trafic réseau. Si le trafic au sein d'un nœud ralentit, l'IA peut détecter le modèle et déclencher un redémarrage des processus ou de l'ensemble du nœud. »
Pratik Gupta, CTO d'IBM Automation, estime que l'IA a un potentiel de transformation dans les centres de données et les environnements de cloud hybride en améliorant l'expérience utilisateur dans les applications, en rationalisant les opérations et en permettant aux DSI et aux décideurs commerciaux d'obtenir des informations à partir d'une gamme de données. La puissance, l'IA stimulent l'innovation et l'optimisation
Visibilité claire sur les niveaux de ressources des applications
Gupta a déclaré qu'IBM s'attend à ce que la consommation d'énergie des centres de données augmente de 12 % (ou plus) d'ici 2030, en raison de l'avènement de la période de la loi de Moore et de l'explosion de la consommation d'énergie des centres de données. volumes de données, vitesses et charges de travail énergivores
« En termes simples, l'IA peut réduire la quantité de matériel à acheter, entretenir, gérer et surveiller. "
Gupta a déclaré que les responsables de centres de données doivent avoir une compréhension claire des niveaux de ressources applicatives de leur organisation afin de pouvoir évoluer de manière flexible pour répondre aux demandes en temps réel. L'automatisation basée sur l'IA peut jouer un rôle clé dans ce processus, en réduisant la congestion et la latence des ressources. risque tout en garantissant que les charges de travail matérielles restent sécurisées et que les normes de performances sont maintenues
Par exemple, Turbonomic d'IBM peut automatiquement optimiser les niveaux de ressources des applications et évoluer en fonction des besoins de l'entreprise
Gupta a déclaré : « Cela permet aux responsables informatiques de disposer d'un seul tableau de bord pour surveiller les ressources. niveaux, prendre des décisions en temps réel et améliorer l'efficacité, car cela garantit que leurs applications ne sont pas surprovisionnées. "
Maximiser les avantages d'un centre de données alimenté par l'IA
Les cas d'utilisation de l'IA et du ML dans les centres de données continuent de croître, mais les organisations doivent prendre en compte certains facteurs clés avant la mise en œuvre. Bien que les solutions d'IA et de ML préemballées soient de plus en plus disponibles, mais il existe toujours un besoin d'intégration au-delà des solutions ponctuelles. Le déploiement de l'IA DIY est possible, mais nécessite un investissement dans des capteurs pour collecter des données et une expertise pour transformer les données en informations utilisables.
Campana a déclaré : « De nombreuses organisations choisissent de mettre en œuvre vos propres données. centre précisément parce qu'il garantit que les données ne sont pas regroupées avec celles d'autres personnes ou utilisées d'une manière indépendante de leur volonté. Même si cela est vrai, les organisations doivent accepter la responsabilité du maintien de la sécurité et de la confidentialité. ”
Avec les bonnes ressources, les centres de données peuvent devenir plus intelligents et plus efficaces, mais pour y parvenir, il faut une planification optimale
.Gupta a déclaré : « La planification devrait être un pilier clé de la mise en œuvre d'un centre de données basé sur l'IA. Un déploiement réussi ne se fait pas du jour au lendemain et nécessite beaucoup d'itérations et de réflexion avant le déploiement. Les responsables informatiques doivent prendre en compte des facteurs tels que la compréhension de ce que le matériel peut et. doivent être conservés et quelles charges de travail doivent être déplacées vers le cloud »
La flexibilité est essentielle
La clé du succès d'un centre de données alimenté par l'IA consiste à adopter une approche stratégique. Cela signifie identifier les bons cas d'utilisation pour l'IA et le ML, investir dans l'infrastructure et les outils nécessaires et développer une équipe d'employés qualifiés pour gérer et entretenir efficacement le système.
Gupta a déclaré que les entreprises maintiennent souvent d'énormes infrastructures, allant des emplacements de centres de données distribués à divers déploiements cloud. Les responsables informatiques doivent se demander s'ils doivent créer un lac d'agrégation pour toutes les sources de données... ou apporter des outils de préparation de données, de ML et d'IA à chaque emplacement. À mesure que les entreprises transforment leur infrastructure informatique, elles doivent tenir compte non seulement de la valeur apportée, mais également des vulnérabilités créées. »
Il a ajouté : « Les meilleurs plans peuvent mal tourner. Il en va de même pour le déploiement technologique, où les organisations agiles, capables d’ajuster rapidement leur cap, auront plus de succès. "
Quatre stratégies émergentes pour améliorer les performances de l'informatique et des centres de données
AIOps, MLOps, DevOps et SecOps ont chacune leurs propres avantages. Lorsqu'elles sont combinées, les opérations du centre de données et les performances informatiques plus larges peuvent être optimisées, les coûts réduits et les services améliorés.
AIOps automatise et fait évoluer les flux de travail du centre de données et de l'informatique à l'échelle de l'entreprise
AIOps devient un élément central des efforts de durabilité et de réduction des émissions de carbone des entreprises dans le centre de données et il a été prouvé qu'il identifie efficacement les performances émergentes. La raison de l'écart Au cœur de. la technologie est sa capacité à interpréter et à recommander des actions basées sur des données de performance en temps réel (analyse des causes et des effets)
Par exemple, Walmart utilise AIOps pour rationaliser les opérations de commerce électronique. L'AIOps s'appuie sur des modèles ML et le traitement du langage naturel (NLP). ). Combinés pour découvrir de nouveaux flux de travail susceptibles d'améliorer la précision, la rentabilité et l'efficacité des opérations des centres de données, les détaillants utilisent également l'AIOps pour détecter et résoudre les inefficacités et les processus déconnectés en temps réel tout en automatisant leur pile technologique et leur infrastructure plus large. Gestion.
AIOps permet une détection plus précise des anomalies en temps réel au sein des plateformes de commerce électronique. La technologie est également capable de corréler les données de toutes les sources disponibles dans le centre de données pour fournir une vue à 360 degrés des opérations et identifier les améliorations susceptibles d'être améliorées. disponibilité, contrôle des coûts et là où se trouvent les performances.
Les détaillants s'appuient sur DevOps pour accélérer le développement d'applications
Les détaillants s'appuient sur DevOps pour rester compétitifs et réduire les délais de commercialisation de nouvelles applications et fonctionnalités. développeurs de logiciels et équipes d'exploitation informatique. Une approche du développement de logiciels qui s'est avérée efficace pour rationaliser la livraison de logiciels et le développement de nouvelles applications mobiles, de fonctionnalités de sites Web et d'améliorations basées sur l'expérience client
Amazon, Target, Nordstrom, Walmart et d'autres grands détaillants. adoptent DevOps. Les DSI du secteur du commerce de détail affirment que plus la qualité de la base de code DevOps est élevée, plus le centre de données fonctionne efficacement, fournissant les dernières versions d'application aux clients du monde entier
MLOps propose une approche basée sur le cycle de vie.
À mesure que les détaillants recrutent davantage de data scientists, MLOps devient aussi important que DevOps pour maintenir les modèles à jour et disponibles. Les principaux détaillants utilisent MLOps pour appliquer les principes DevOps pour concevoir, tester et publier de nouveaux modèles afin d'améliorer la segmentation des clients, la prévision de la demande et la gestion des stocks.
En commençant par la gestion et l'optimisation des stocks, il a été prouvé que MLOps résout efficacement les problèmes les plus coûteux et les plus difficiles du commerce de détail : l'incertitude de la chaîne d'approvisionnement et la hausse des coûts inflationnistes ont rendu la gestion des stocks essentielle au succès d'un détaillant
Macy, Walmart. et d'autres utilisent MLOps pour optimiser la gestion des prix et des stocks, aidant ainsi les détaillants à prendre des décisions de réduction des coûts et à se protéger du risque de baisse lié à la détention d'un stock trop important
SecOps s'appuie sur l'IA et le ML pour protéger chaque identité et surface de menace
SecOps. garantit que les centres de données et l’infrastructure informatique au sens large restent sécurisés et sans plainte. La sécurité Zero Trust suppose qu’aucun utilisateur ou appareil ne peut être fiable et que chaque identité doit être vérifiée, ce qui constitue la base de toute mise en œuvre réussie de SecOps. L’objectif est de réduire la surface d’attaque et le risque de cyberattaques de plus en plus sophistiquées.
SecOps optimise la sécurité des centres de données en combinant les technologies les plus éprouvées pour réduire les intrusions et les violations. L'adoption d'une sécurité Zero Trust aide les détaillants à protéger l'identité de leurs clients, employés et fournisseurs, tandis que la micro-segmentation peut limiter la portée de toute attaque.
L'avenir de l'IA et de la technologie des centres de données
L'informatique de pointe est en train de devenir l'une des technologies les plus prometteuses pour le développement de centres de données pilotés par l'IA. En traitant les données plus près de la source, l'edge computing réduit la latence et améliore les performances globales. Lorsqu'elle est combinée à l'intelligence artificielle, la technologie offre le potentiel de permettre des capacités d'analyse et de prise de décision en temps réel, permettant ainsi aux centres de données de gérer les processus critiques du futur.
Campana a déclaré : « Le passage à la 5G est une étape importante dans cette transformation et génère une vague d'innovation dans l'infrastructure logicielle basée sur l'IA. Pour les entreprises qui démarrent de nouveaux centres de données, il convient de considérer leur adoption de la 5G et son impact final. Calendrier des utilisateurs pour d'autres mises à jour matérielles. »
Et Gupta estime que l'automatisation de l'intelligence des données est un moyen de continuer à entrer dans un secteur strictement réglementé, car les outils d'intelligence artificielle et de centre de données seront conçus pour répondre automatiquement aux exigences de conformité.
« À mesure que l’intelligence artificielle et l’automatisation seront de plus en plus intégrées dans les centres de données, ils seront en mesure de répondre aux protocoles de conformité les plus stricts
. »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
AI Hentai Generator
Générez AI Hentai gratuitement.
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
1359
52
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
Samsung présente le SSD de qualité centre de données BM1743 : équipé de v7 QLC V-NAND et prend en charge PCIe 5.0
Jun 18, 2024 pm 04:15 PM
Selon des informations publiées sur ce site Web le 18 juin, Samsung Semiconductor a récemment présenté sur son blog technologique son disque SSD de nouvelle génération de qualité centre de données BM1743, équipé de sa dernière mémoire flash QLC (v7). ▲Disque SSD de qualité centre de données Samsung QLC BM1743 Selon TrendForce en avril, dans le domaine des disques SSD de qualité centre de données QLC, seuls Samsung et Solidigm, une filiale de SK Hynix, avaient réussi la vérification du client d'entreprise à ce temps. Par rapport à la génération précédente v5QLCV-NAND (remarque sur ce site : Samsung v6V-NAND n'a pas de produits QLC), la mémoire flash Samsung v7QLCV-NAND a presque doublé le nombre de couches d'empilement et la densité de stockage a également été considérablement améliorée. Dans le même temps, la fluidité de v7QLCV-NAND
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
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.
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
