Rumah Peranti teknologi AI Bolehkah kecerdasan buatan menggantikan arkitek pengkomputeran awan?

Bolehkah kecerdasan buatan menggantikan arkitek pengkomputeran awan?

Apr 07, 2023 pm 10:27 PM
AI pengkomputeran awan Arkitek

Sistem kecerdasan buatan sangat mengagumkan setiap hari. Kepintaran buatan hari ini boleh mengautomasikan banyak tugas pekerja maklumat, jadi mereka yang bekerja dalam pengkomputeran awan bimbang mereka akan menjadi yang seterusnya.

Minat dalam kecerdasan buatan dan aplikasinya berubah kira-kira lima tahun lalu. Kemudian wabak itu berlaku dan beberapa belanjawan beralih ke arah pemindahan awan yang pantas. Kini semuanya kembali normal dan kecerdasan buatan kembali. Kebanyakan perniagaan telah memahami kemungkinan asas kecerdasan buatan dan ingin menggunakan teknologi ini untuk perniagaan mereka sendiri.

Dalam proses itu, teknologi menjadi lebih mengagumkan. Sebagai contoh, dengan kemunculan perkhidmatan AI generatif seperti ChatGPT, AI generatif telah beralih daripada tesis PhD kepada realiti yang boleh diakses dan percuma.

AI Generatif ialah sejenis AI yang menjana output baharu dan unik, seperti teks, imej atau audio, berdasarkan data input dan corak yang dipelajari. Ini boleh termasuk tugas seperti penjanaan teks, sintesis imej dan gubahan muzik.

Pelbagai jenis input boleh dibuat melalui chatbot atau API, menghasilkan respons yang mengagumkan. Responsnya sangat mengagumkan sehingga saya telah membuat panggilan daripada wartawan yang menulis cerita tentang AI menggantikan pekerja. Ini adalah soalan yang saya dengar sejak 20 tahun yang lalu, tetapi kini dengan sentuhan moden. Kolej dan universiti mempunyai kebimbangan baharu tentang pelajar kolej yang menggunakan ChatGPT atau perkhidmatan serupa untuk menulis esei untuk mereka. Output yang dicipta oleh kecerdasan buatan tidak dapat dikenal pasti dengan cepat oleh sistem pengesanan plagiarisme kerana ia bukan plagiarisme.

Isu etika AI dan berat sebelah mungkin timbul daripada jenis data pembelajaran tertentu. Bolehkah berat sebelah ini membawa kepada akibat negatif yang tidak diingini, seperti model automatik yang menafikan pinjaman kepada kumpulan orang tertentu?

Saya mendengar beberapa soalan teras: Apakah jenis tugas manusia yang boleh digantikan oleh AI sekarang atau tidak lama lagi? menukar kerjaya kepada pekerjaan yang tidak boleh diautomasikan oleh AI? Adakah selamat untuk menjadi seorang Arkitek Awan, Pembangun Awan, Jurutera Operasi Awan, Jurutera Devops, Ketua Projek Awan, dsb. Inilah yang kebanyakan orang membaca tajuk pekerjaan artikel ini . Adakah anda berisiko?

Saya rasa realitinya ialah kami menggantikan banyak tugas manusia dengan automasi dipacu AI. Ini hanyalah sesuatu yang berlaku seiring dengan kemajuan teknologi dan bukanlah sesuatu yang baru. Perkembangan teknologi bermakna kita tidak lagi memerlukan berpuluh-puluh orang untuk menuai hasil tanaman di ladang pada musim gugur. Boleh daftar keluar dari pasar raya tanpa berinteraksi dengan manusia. kereta dan trak boleh memandu sendiri.

Satu perkara yang mengecewakan saya ialah kekurangan automasi yang berguna sepanjang proses reka bentuk dan penggunaan IT. Sudah tentu, kami mempunyai banyak alatan, proses, metodologi dan aset lain untuk mempercepatkan proses kami mengoptimumkan seni bina dan penggunaan awan. Walau bagaimanapun, mereka tidak membuat keputusan kritikal untuk arkitek. Seni bina awan mesti selalunya ditentukan melalui analisis dan pertimbangan yang mendalam, yang hanya boleh dicapai melalui pengalaman. Lebih-lebih lagi, kreativiti dan inovasi masih diperlukan - ini adalah peranan yang boleh dimainkan oleh manusia.

Sudah tentu, orang ramai membuat banyak kesilapan seni bina, seperti memilih platform, alatan dan perkhidmatan yang salah. Seni bina ciptaan manusia tidak dioptimumkan sepenuhnya dan gagal mengembalikan nilai kepada perniagaan. Saya bercakap tentang isu ini baru-baru ini.

Jika kita meninggalkan penciptaan penyelesaian kepada kecerdasan buatan, mungkin kita akan membuat keputusan yang lebih baik. Bayangkan jika sistem AI mempunyai data latihan yang pada masa yang sama mencerminkan pengetahuan beribu-ribu arkitek awan yang berbakat. Sistem AI sedemikian boleh memproses pengetahuan dengan cekap kepada penyelesaian berdasarkan keperluan perniagaan dan teknikal yang disediakan. Ia mungkin tidak memberi anda jawapan akhir yang anda perlukan untuk membina sesuatu, tetapi ia boleh menjadi cukup dekat untuk menghapuskan banyak kerja dan kemungkinan ralat.

Laluan yang paling mungkin ialah alatan AI taktikal akan terus muncul. Alat ini akan menumpukan pada kawasan seni bina tertentu seperti reka bentuk rangkaian, reka bentuk pangkalan data, pemilihan platform, reka bentuk asli awan, keselamatan, tadbir urus, penggunaan bekas, dsb. Hasilnya haruslah sebaik, jika tidak lebih baik daripada apa yang kita lihat hari ini kerana alat ini akan memanfaatkan data yang hampir sempurna dan tidak akan mempunyai kelemahan manusia yang menjengkelkan itu—emosi dan perasaan—yang mendorong beberapa reka bentuk seni bina. Sudah tentu, sudah ada beberapa alat AI sedemikian hari ini (jangan beritahu saya milik anda) dan sedang bergerak ke arah yang ideal ini. Walau bagaimanapun, kegunaannya bergantung pada tugas.

Alat AI taktikal mesti masih dikendalikan oleh manusia yang berpengetahuan yang tahu cara bertanya soalan yang betul dan mengesahkan reka bentuk serta pengesyoran yang dihasilkan oleh alatan tersebut. Walaupun lebih sedikit orang mungkin diperlukan untuk melengkapkan reka bentuk komponen taktikal seni bina awan yang besar, proses itu tidak mungkin menghapuskan semua orang. Perlu diingat bahawa banyak kesilapan ini berlaku kerana perniagaan bergelut untuk mencari profesional pengkomputeran awan yang mahir. Alat AI taktikal juga boleh membantu menyelesaikan masalah ini dengan menyegerakkan permintaan dan penawaran bakat dengan lebih baik.

Adalah mudah untuk meramalkan bagaimana ia akan berlaku, dan tiada apa-apa yang menggemparkan dunia tentangnya. Alat reka bentuk, pembangunan dan penggunaan akan terus berkembang. Mereka akan memberikan lebih nilai dan kegunaan. Secara keseluruhan, lebih sedikit orang mungkin diperlukan, tetapi alat ini memerlukan pengendali berbakat untuk berfungsi dengan betul. Mereka akan memberi tumpuan terutamanya pada reka bentuk taktikal komponen seni bina awan seperti rangkaian dan keselamatan.

Oleh itu, manusia mesti masih dipercayai untuk membina penyelesaian awan yang mantap. Masalah yang lebih kecil mungkin mempunyai penyelesaian AI, tetapi masalah yang lebih besar ialah mengautomasikan seni bina awan secara puitis kekal sebagai masalah yang tidak dapat diselesaikan.

Saya berpendapat bahawa untuk beberapa waktu kita masih memerlukan arkitek awan manusia dan pereka bentuk penyelesaian untuk menyatukan semua ini dan memastikan bahawa kita menggunakan penyelesaian yang dioptimumkan yang memberikan nilai terbaik kepada perniagaan. Saya tidak fikir ini adalah sesuatu yang boleh digantikan sepenuhnya oleh kecerdasan buatan, tetapi saya tidak mempunyai ilusi bahawa ia tidak boleh digantikan.

Tetapi mari kita tanya ChatGPT: "Adakah kecerdasan buatan menggantikan arkitek pengkomputeran awan?"

Tidak mungkin kecerdasan buatan akan menggantikan sepenuhnya arkitek pengkomputeran awan dalam masa terdekat, kerana walaupun kecerdasan buatan boleh membantu arkitek awan dengan tugas seperti peruntukan automatik, pemantauan dan penskalaan sumber, tetapi ia masih memerlukan pengawasan manusia dan membuat keputusan untuk memastikan sistem dikonfigurasikan dengan betul dan AI berfungsi seperti yang diharapkan. Arkitek awan juga memainkan peranan penting dalam keseluruhan strategi dan reka bentuk persekitaran dan tugas pengkomputeran awan yang sukar untuk diautomasikan sepenuhnya dengan teknologi AI semasa. Walau bagaimanapun, AI mempunyai potensi untuk mengautomasikan beberapa tugas berulang dan rutin yang dilakukan oleh arkitek awan pada masa ini, membolehkan mereka menumpukan pada tanggungjawab yang lebih strategik dan lebih tinggi. ”

Atas ialah kandungan terperinci Bolehkah kecerdasan buatan menggantikan arkitek pengkomputeran awan?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Tetapan grafik terbaik
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Cara Memperbaiki Audio Jika anda tidak dapat mendengar sesiapa
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Cara Membuka Segala -galanya Di Myrise
4 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Jun 28, 2024 am 03:51 AM

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Jun 10, 2024 am 11:08 AM

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Jun 11, 2024 pm 03:57 PM

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Tujuh Soalan Temuduga Teknikal GenAI & LLM yang Cool Tujuh Soalan Temuduga Teknikal GenAI & LLM yang Cool Jun 07, 2024 am 10:06 AM

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Gergasi pengkomputeran awan melancarkan pertempuran undang-undang: Amazon menyaman Nokia atas pelanggaran paten Gergasi pengkomputeran awan melancarkan pertempuran undang-undang: Amazon menyaman Nokia atas pelanggaran paten Jul 31, 2024 pm 12:47 PM

Menurut berita dari laman web ini pada 31 Julai, gergasi teknologi Amazon menyaman syarikat telekomunikasi Finland Nokia di mahkamah persekutuan Delaware pada hari Selasa, menuduhnya melanggar lebih daripada sedozen paten Amazon yang berkaitan dengan teknologi pengkomputeran awan. 1. Amazon menyatakan dalam tuntutan mahkamah bahawa Nokia menyalahgunakan teknologi berkaitan Perkhidmatan Pengkomputeran Awan Amazon (AWS), termasuk infrastruktur pengkomputeran awan, keselamatan dan teknologi prestasi, untuk meningkatkan produk perkhidmatan awannya sendiri. Amazon melancarkan AWS pada 2006 dan teknologi pengkomputeran awan terobosannya telah dibangunkan sejak awal 2000-an, kata aduan itu. "Amazon adalah perintis dalam pengkomputeran awan, dan kini Nokia menggunakan inovasi pengkomputeran awan yang dipatenkan Amazon tanpa kebenaran," bunyi aduan itu. Amazon meminta mahkamah untuk injunksi untuk menyekat

Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Jul 25, 2024 am 06:42 AM

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Lima sekolah pembelajaran mesin yang anda tidak tahu Lima sekolah pembelajaran mesin yang anda tidak tahu Jun 05, 2024 pm 08:51 PM

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Jul 17, 2024 pm 06:37 PM

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

See all articles