如果你对人工智能愤世嫉俗,这里有一束阳光给你看:它让全球的工程师专注于提高芯片级别的数字计算和计算性能。
现在的技术人员正在加速特定的工作负载 - 比如更快的处理器,高度定制的芯片,FPGA,GPU以及类似技术 - 这种是为了训练神经网络模型和AI推理,而不是投掷数以千计的通用无聊服务器。
红帽人工智能高级总监Daniel Riek周三表示,机器学习软件的爆炸迫使开发人员以及硬件和系统设计人员回过头来考虑提高每个芯片的吞吐量,而不是扩大仓库的平台框。
“在人工智能最近的热情重燃之前的那段日子里,绩效并不是一个重要的区分因素,它的规模是重要的,我们将绩效换算成规模,”Riek说,
“有了人工智能,我们又回到了性能真正重要的地方,我们有人再次讨论指令集和处理器速度。”
对于红帽来说,人工智能面临的挑战有两个方面:将机器学习技术集成到自己的开发工具中,同时将对基于人工智能的应用程序和平台的支持添加到其企业IT产品中。
Riek在旧金山举行的红帽峰会上向人们表示,其中一个关键问题是随着他们接近部署
,需求和需求变得与其他产品或服务一样,人工智能项目如何以非常规的方式开始。这些需求必须按照惯例来满足。
“我们也观察到,它很早就很有扩展性和快速部署的能力,”他说。“当您达到业务关键点时,突然间您对稳定性和安全性的要求就会相同。”
Riek说,一旦人工智能和训练有素的程序准备好部署,它们就不应该被视为工具,而应该被视为与新手同事类似的东西。
“将AI视为团队成员,”他建议道。“把它当作我们训练的初级队员,显然他们在狭窄的领域是非常特殊的队员,但它不仅仅是一种工具。”
换句话说,不断教导他们,预测并处理错误,并随着时间的推移改进他们,就像你指导和发展同事一样。
领取专属 10元无门槛券
私享最新 技术干货