کارنگ رسانه اقتصاد نوآوری است. رسانه‌ای که نسخه چاپی آن هر هفته شنبه‌ها منتشر می‌شود و وب‌سایت و شبکه‌های اجتماعی‌اش هر ساعت، اخبار و تحولات این بخش از اقتصاد را پوشش می‌دهند. در کارنگ ما تلاش داریم کسب‌وکارهای نوآور ایرانی، استارتاپ‌ها، شرکت‌های دانش‌بنیان و دیگر کسب‌وکارها کوچک و بزرگی که در بخش‌های مختلف اقتصاد نوآوری در حال ارائه محصول و خدمت هستند را مورد بررسی قرار دهیم و از آینده صنعت، تولید، خدمات و دیگر بخش‌های اقتصاد بگوییم. کارنگ رسانه‌ای متعلق به بخش خصوصی ایران است.
ایجاد زیرساخت مناسب برای هوش مصنوعی نیازمند ترکیبی از سخت‌افزار، نرم‌افزار و شبکه‌های کارآمد است که می‌تواند الگوریتم‌ها و مدل‌های پیچیده را پردازش و به کار گیرد. زیرساخت‌های هوش مصنوعی به‌طورکلی شامل سخت‌افزار، فضای ذخیره‌سازی، شبکه‌های پرسرعت، کتابخانه‌های نرم‌افزاری، کلان‌داده‌ها، پلتفرم‌های ابری و زیرساخت امنیت است.
آنچه مشهود است هوش مصنوعی برخلاف بسیاری دیگر از فناوری‌ها یا ترندهای حوزه اقتصاد دیجیتال چیزی نیست که بتوان آن را یک‌شبه وارد یا تولید کرد. توسعه هوش مصنوعی در هر کشوری نیازمند شکل‌دهی به یک اکوسیستم از سخت‌افزار و نرم‌افزار است که در ترکیب با منابع انسانی آموزش‌دیده و خبره می‌تواند جایگاه آن کشور در این روند رو به رشد را مشخص کند. بدون سرمایه‌گذاری در حوزه تجهیز مراکز داده، سخت‌افزارهای به‌روز محساباتی و پردازشی و آماده‌سازی زیرساخت‌های پردازش و ذخیره‌سازی ابری؛ نیازمندی‌های زیرساختی هوش مصنوعی روی زمین خواهند ماند. موضوعی که هم حمایت دولت را می‌خواهد و هم اختیار عمل بیشتر کسب‌وکارها را. چنین زیرساختی اگر فراهم شود آنگاه می‌توان از استارتاپ‌ها و کسب‌وکارها و ایده‌پردازان خواست طرح‌ها و برنامه‌ها و خدمات و محصولاتشان را روی آن پیاده سازند و توسعه دهند.
اما بیایید در ادامه به معرفی هر یک از این زیرساخت‌های حیاتی و همچنین اجزا آنها در شکل‌دهی به زیرساخت هوش مصنوعی پردازیم.
۱. پردازشگرهای تخصصی (سخت‌افزار)
پردازشگرهای تخصصی (سخت‌افزار) از واحدهای پردازش گرافیکی، واحدهای پردازش تنسور و واحدهای پردازش مرکزی تشکیل شده‌اند.
واحدهای پردازش گرافیکی (GPUs): پردازشگرهای گرافیکی به دلیل توانایی بالا در پردازش موازی، در یادگیری ماشین و به‌ویژه یادگیری عمیق (Deep Learning) کارآمد هستند. پردازش موازی، عملیات ریاضی سنگین و اجرای سریع الگوریتم‌ها را ممکن می‌سازد.
واحدهای پردازش تنسور (TPUs): این پردازشگرها توسط گوگل توسعه یافته‌اند و برای اجرای مدل‌های هوش مصنوعی بهینه شده‌اند.
واحدهای پردازش مرکزی (CPUs): به‌رغم اینکه پردازش‌های هوش مصنوعی معمولاً نیازمند محاسبات موازی هستند، اما CPUها همچنان برای برخی از وظایف اساسی و پردازش‌های تک‌خطی ضروری هستند.
۲. فضای ذخیره‌سازی
در زیرساخت هوش مصنوعی، فضای ذخیره‌سازی اهمیت بالایی دارد، زیرا داده‌های حجیمی برای آموزش و اجرای مدل‌های هوش مصنوعی مورد نیاز هستند. در این بخش، دو نوع فضای ذخیره‌سازی مورد بررسی قرار می‌گیرد: ذخیره‌سازی سریع و با دسترسی بالا و فضای ابری و ذخیره‌سازی توزیع‌شده.
ذخیره‌سازی سریع و با دسترسی بالا: داده‌های عظیمی که برای آموزش مدل‌های هوش مصنوعی نیاز است، باید در ذخیره‌سازهایی با دسترسی سریع نگهداری شوند. به این منظور، ذخیره‌سازهای حالت جامد (SSD) و سامانه‌های ذخیره‌سازی با دسترسی بالا مانند RAID ضروری‌اند.
فضای ابری و ذخیره‌سازی توزیع شده: ذخیره‌سازی ابری مثل آمازون S3، گوگل کلود و Azure به شرکت‌ها امکان می‌دهند داده‌ها را در مقیاس بزرگ ذخیره و پردازش کنند.
۳. شبکه‌های پرسرعت و اتصال اینترنت
این بخش از زیرساخت هوش مصنوعی بر اهمیت شبکه‌های پرسرعت و اتصال اینترنت برای کار با داده‌های حجیم و انجام پردازش‌های سنگین تمرکز دارد. شبکه‌ها و اتصال اینترنت قوی از دو جنبه مهم پهنای باند بالا و تأخیر کم(latency) مورد توجه هستند. برای دسترسی به داده‌های حجیم و انجام عملیات پردازشی سنگین، شبکه‌های پرسرعت مانند فیبر نوری و همچنین فناوری‌های جدید مثل ۵جی نیاز است. برای پردازش‌های بلادرنگ و کارهای مرتبط با هوش مصنوعی، شبکه‌هایی با تأخیر پایین و پهنای باند بالا نیاز است.
۴. چارچوب‌ها و کتابخانه‌های نرم‌افزاری
چارچوب‌ها و کتابخانه‌های نرم‌افزاری در هوش مصنوعی ابزارهایی هستند که به برنامه‌نویسان کمک می‌کنند تا مدل‌های یادگیری ماشین و یادگیری عمیق را طراحی و پیاده‌سازی کنند. این ابزارها توابع و الگوریتم‌های پیش‌ساخته‌ای ارائه می‌دهند که برنامه‌نویسان می‌توانند به‌راحتی از آنها برای ساخت و آموزش مدل‌های خود استفاده کنند.
TensorFlowوPyTorch: از چارچوب‌های محبوب برای توسعه مدل‌های یادگیری عمیق هستند.
Keras: چارچوبی کاربرپسند و سبک برای طراحی مدل‌های یادگیری عمیق است.
Scikit-learn: برای الگوریتم‌های ساده‌تر یادگیری ماشین در کاربردهای عملیاتی استفاده می‌شود.
۵. کلان‌داده‌ها (Big Data)
در هوش مصنوعی، کلان‌داده‌ها (Big Data) به مجموعه‌های عظیم داده‌ای اشاره دارد که از منابع مختلف جمع‌آوری می‌شوند و برای آموزش و بهبود عملکرد الگوریتم‌های هوش مصنوعی ضروری هستند. این داده‌ها می‌توانند شامل اطلاعات متنی، تصویری، ویدئویی و سایر انواع داده‌ها باشند. برای استفاده مؤثر از این داده‌ها، هم کیفیت و هم ابزارهای مناسب برای مدیریت آنها اهمیت بالایی دارند.
داده‌ها و کیفیت آنها: الگوریتم‌های هوش مصنوعی نیازمند داده‌های حجیم و باکیفیت برای آموزش هستند. داده‌ها باید به‌درستی برچسب‌گذاری و تمیزکاری شوند.
پلتفرم‌های مدیریت داده‌های بزرگ: مانند Hadoop و Apache Spark که به تحلیل و پردازش داده‌های حجیم کمک می‌کنند.
۶. پلتفرم‌های ابری و محاسبات توزیع‌شده
ابرهای محاسباتی مانند آمازون وب‌سرویس (AWS)، گوگل کلاد (GCP) و مایکروسافت آژور (Azure) زیرساخت‌های قدرتمندی را برای پردازش و ذخیره‌سازی داده فراهم می‌کنند. این پلتفرم‌ها به کاربران امکان می‌دهند که به جای خرید و نگهداری سرورهای بزرگ، از منابع محاسباتی ابری استفاده کنند و تنها برای میزان مصرف خود هزینه پرداخت کنند.
منابع محاسباتی بزرگ شامل توان پردازشی CPU و GPU و حافظه ذخیره‌سازی عظیم است که برای آموزش مدل‌های هوش مصنوعی پیچیده و پردازش داده‌های بزرگ ضروری است. ابرهای محاسباتی این منابع را در اختیار کاربران قرار می‌دهند و به آنها اجازه می‌دهند تا مدل‌های خود را با سرعت و مقیاس بالا اجرا کنند.
۷. زیرساخت امنیت و حریم خصوصی
زیرساخت امنیت و حریم خصوصی در هوش مصنوعی به مجموعه‌ای از تدابیر و ابزارهایی اشاره دارد که برای محافظت از داده‌ها، حریم خصوصی کاربران و امنیت مدل‌های هوش مصنوعی مورد استفاده قرار می‌گیرد. این مفهوم شامل دو بخش اصلی است: حفاظت از داده‌ها و حریم خصوصی و امنیت مدل‌های هوش مصنوعی.
حفاظت از داده‌ها و حریم خصوصی: استفاده از تکنیک‌های رمزنگاری و امنیتی مانند رمزنگاری داده‌ها، کنترل دسترسی و احراز هویت ضروری است.
امنیت مدل‌های AI: با رشد هوش مصنوعی، حملات سایبری نیز افزایش می‌یابد؛ بنابراین باید زیرساخت امنیتی برای محافظت از مدل‌ها و داده‌ها پیاده‌سازی شود.
ایجاد زیرساخت مناسب برای هوش مصنوعی، لازمه پیشرفت و بهره‌وری این فناوری در دنیای امروز است. از پردازشگرهای پیشرفته و شبکه‌های پرسرعت گرفته تا فضای ذخیره‌سازی با دسترسی بالا و پلتفرم‌های ابری، همه و همه نقش مهمی در فراهم آوردن بستری مناسب برای پردازش داده‌های عظیم و آموزش مدل‌های پیچیده هوش مصنوعی دارند. علاوه بر این، امنیت داده‌ها و مدل‌های هوش مصنوعی نیز به عنوان یک ضرورت اساسی، می‌تواند مانع تهدیدات سایبری و تضمین‌کننده‌ی حریم خصوصی کاربران باشد. با فراهم‌سازی این زیرساخت‌ها، سازمان‌ها و شرکت‌ها قادر خواهند بود از تمامی ظرفیت‌های هوش مصنوعی بهره‌مند شده و راه را برای پیشرفت‌های بزرگ‌تر در این حوزه هموار کنند.
لینک کوتاه: https://karangweekly.ir/w2ui
