Що таке штучний інтелект?

Настав час детально розібратися у значенні виразу ШІ (англ. Artificial Intelligence).Штучний інтелект імітує людський інтелект, використовуючи, наприклад, серверне обладнання (або машини), що запрограмоване на розв'язання складних і заплутаних завдань та імітує когнітивну діяльність людини: сприйняття, аналіз інформації про навколишню дійсність, увагу, пам'ять і мовлення. Ці машини призначені для виконання завдань, які зазвичай вимагають людського інтелекту, як-от розуміння природної мови, розпізнавання закономірностей і адаптація до нової інформації. Варто зазначити, що ШІ - це парасольковий великий термін, який охоплює різні технології та підходи, що розвиваються, включно з машинним навчанням, нейронними мережами, опрацюванням природної мови (natural language processing або NLP), глибоким навчанням, комп'ютерним зором (computer vision) і багатьом іншим. Автоматизуючи процеси, покращуючи аналіз даних, генеруючи цінні ідеї та підвищуючи ефективність ухвалення рішень, ШІ здатний здійснити революцію в багатьох галузях: автомобілебудування, виробництво, освіта, інформаційна безпека, та поліпшити різні аспекти нашого життя, включно з охороною здоров'я, фінансами, розвагами та багатьом іншим. ШІ продовжує стрімко розвиватися і відкривати великі можливості на майбутнє, даючи змогу створювати різні види технологій, здатних до штучного інтелекту. Наприклад, сьогодні штучний інтелект у тій чи іншій формі присутній у більш ніж 77 % гаджетів.

Разом із розвитком ШІ стає цікаво дізнатися більше про майбутнє ШІ та співіснування людства з ним. Ми ставимо собі питання, чи зрівняються коли-небудь роботи з людським інтелектом або перевершать його? А власники бізнесу ставлять питання, чи варто їм використовувати ШІ для розширення можливостей своїх продуктів?

Еволюція штучного інтелекту

Хоча термін "штучний інтелект" було офіційно введено в середині XX століття, створення інтелектуальних систем розбурхувало людську уяву протягом століть. З моменту появи в 1950-х роках галузь ШІ почала довгий шлях. За останні кілька десятиліть ШІ, безсумнівно, домігся значних успіхів, змінивши наше уявлення про можливості людського пізнання. Однак деякі зі своїх грандіозних обіцянок йому так і не вдалося реалізувати. Опустимо який шлях пройшов ШІ з 50-х років і як він еволюціонував і зупинимося на теперішньому часі. Уже зараз ШІ глибоко інтегрований у різні сфери нашого життя та індустрії виробництва. ШІ забезпечує роботу автономних транспортних засобів, допомагає в діагностиці захворювань, широко використовується у фінансових послугах. Інновації, засновані на ШІ, продовжують змінювати наш спосіб життя і роботи. Самоврядні автомобілі та пристрої розумного будинку - наочні приклади того, як ШІ формує майбутнє транспорту і домашньої автоматизації. Крім того, вплив ШІ поширюється на фінанси, кібербезпеку та освіту, де він допомагає виявляти шахрайство, аналізувати загрози та проводити персоналізоване навчання. У 2020-х роках ШІ перетворився з перспективної технології на невід'ємну частину сучасного суспільства, впливаючи практично на всі галузі та аспекти повсякденного життя.

Хорошими прикладами застосування ШІ в різних сферах бізнесу є такі програмні інструменти, як TensorFlow, фреймворк машинного навчання (ML), який розробив Google і який знайшов застосування в охороні здоров'я, фінансах і автомобільній промисловості. PyTorch широко використовується в наукових дослідженнях і промисловості. Його використовують у комп'ютерному зорі (computer vision), розпізнаванні мови та рекомендаційних системах (recommender systems). Аналогічно, Scikit-Learn - це бібліотека машинного навчання мовою Python. Вона використовується в таких галузях, як фінанси, для кредитного скорингу та виявлення шахрайства.


Ще один гарний приклад того, як технології ШІ входять у наше повсякденне життя, - технологія GPT і ChatGPT. Її здатність генерувати людиноподібний текст і природний діалог стала свідченням значного прогресу, досягнутого в галузі ШІ за останні роки.

Як це працює?

У світі ШІ існує безліч так званих "робочих навантажень", включно з навчанням моделей, налаштуванням моделей, виведенням, а також новітнім - генеративним ШІ. Сучасні компанії все частіше використовують ШІ, зокрема великі мовні моделі (LLM), щоб за допомогою GenAI генерувати текст, здійснювати переклади, програмувати, створювати візуальний контент, відкривати нові ліки та багато іншого. Наведена тут ілюстрація дає уявлення про те, як відбувається процес ШІ: починаючи з постановки задачі та проходячи низку етапів, ми переходимо до операцій машинного навчання (ML), а потім до постановки наступного завдання.Навчання моделі ШІ

Перший етап розроблення моделі ШІ.

Може містити процес проб і помилок або процес демонстрації моделі прикладів бажаних вихідних даних і кінцевих результатів, або те й інше.

Налаштування моделі ШІ

Процес поліпшення роботи/навчання моделі для виконання конкретного завдання.

Надання моделі навчального набору даних, що містить безліч прикладів виконання конкретного завдання.

Допомога моделі дотримуватися конкретних вимог до результату, коли інструкцій недостатньо.

Висновки ШІ

Процес, наступний за налаштуванням і навчанням моделей ШІ.

Краще навчена модель з тонким налаштуванням робитиме точніші висновки.

Практично будь-яке застосування ШІ в реальному світі спирається на висновки ШІ, зокрема:

Великі мовні моделі або LLM.

Предиктивну аналітику.

Безпека електронної пошти, де модель ШІ може розпізнавати спам або атаки та робити висновки про вхідні повідомлення електронної пошти.

Генеративний ШІ

Дозволяє користувачам швидко генерувати новий контент на основі різних вихідних даних, включно з текстом, зображеннями, звуками, анімацією, 3D-моделями та іншими типами даних.

Обіцяє принести кардинальні переваги в плані ефективності, продуктивності, економії коштів та інновацій.

Важливо зауважити, що кожне з перерахованих робочих навантажень ШІ має унікальні обчислювальні вимоги до продуктивності, затримок, пам'яті тощо, а отже, потребує абсолютно різної ІТ-інфраструктури (у дуже великих проєктах).

Підбір рішень для ШІ

Очевидно, що необхідно чітко визначити цілі, яких потрібно досягти, використовуючи ШІ, а також розробити, налаштувати і розгорнути всі або частину перерахованих вище моделей. З упевненістю можна сказати, що одним із найважливіших моментів проєкту зі ШІ є створення інфраструктури, зокрема необхідної апаратної серверної інфраструктури, що може містити високопродуктивні обчислювальні кластери (HPC), сервери з GPU прискорювачами, рішення для зберігання даних, мережеве обладнання, а також програмне забезпечення.

Створення апаратної інфраструктури для ШІ в корпоративному середовищі може стати серйозним завданням, особливо якщо є проблеми з бюджетом. Необхідно оцінити такі параметри, як оцінка вимог, пошук економічно ефективних варіантів і планування масштабованості.


Вимоги до обчислювальних ресурсів можуть істотно відрізнятися на різних етапах життєвого циклу: навчання, налаштування і висновки моделі. Наприклад, навчання моделі - це найбільш трудомісткий етап, на якому моделі навчаються на підготовлених наборах даних для вивчення закономірностей і складання прогнозів. Моделі глибокого навчання, зокрема, вимагають значних обчислювальних потужностей, особливо під час роботи з великими наборами даних і складними архітектурами. Після навчання і налаштування моделі ШІ роблять прогнози на нових, ще не вивчених даних, подаючи вхідні дані в навчені моделі й отримуючи на виході класифікацію. Інакше кажучи, застосунки ШІ використовують зібрані та збережені в процесі навчання інтелектуальні дані для розуміння нових даних, ідентифікації нових образів і, зрештою, для доповнення процесу ухвалення рішень людиною. Для виведення результатів ШІ зазвичай потрібно менше обчислювальних ресурсів, ніж для навчання, особливо для моделей з фіксованою архітектурою.

Вибір обладнання для ШІ

Компанія НРЕ має високу компетенцію в підготовці рішень різної складності для роботи з ШІ, що охоплює велику кількість готових концепцій, з підбором різного устаткування і програмного забезпечення, саме під Вашу, іноді навіть вузькоспеціалізовану задачу. Так само компанія НРЕ пропонує/використовує не тільки своє розроблене для цих цілей ПЗ, а й ПЗ інших сторонніх виробників, але яке вже відтестоване і рекомендоване до використання.
На нещодавньому заході HPE Discover 2024 компанія НРЕ анонсувала нове портфоліо - HPE Private Cloud AI - перше у своєму роді хмарне рішення, яке забезпечує найглибшу сьогодні інтеграцію серверів, мереж і програмного забезпечення NVIDIA AI зі сховищем для ШІ в хмарі HPE GreenLake (OpsRamp AI copilot). Таким чином можна вже зараз дивитися на широкі можливості хмарних рішень для ШІ.
Рішення ШІ в 90% випадках вимагають графічних прискорювачів GPU. Прискорювачі для ШІ в серверній інфраструктурі, як правило, зараз використовують від таких компаній, як NVIDIA (велика кількість моделей і архітектур), AMD (серія Instinct) і Intel (серія Max, Gaudi 3). Варіанти графічних прискорювачів виконані або як PCIe-адаптер, або як конструктив HGX на одній платі, використовуючи пропрієтарний протокол NVIDIA - NVLink, що містить уже, як правило, від 4 до 8 GPU прискорювачів (нещодавно анонсовані моделі використовують зв'язку CPU-GPU або "суперчип").


Якщо говорити про сервери НРЕ, в які необхідно буде встановлювати одні або кілька з цих перерахованих вище прискорювачів, то можуть підійти та звичайні часто використовувані сервери висотою 2U - DL345/DL380/DL385/DL560 серій. Щоправда, кількість таких прискорювачів у ці сервери невелика - від 1 до 4. Однак, якщо згідно з сайзингом, таких прискорювачів у той чи інший сервер потрібно "багато", то на перший план виходять спеціально розроблені моделі серверів - ProLiant/Cray/Apollo, як наявні, так і ті, що щойно анонсовані/вийшли. До таких серверів належать (наявні):

HPE ProLiant DL380a Gen11.
HPE Apollo 6500 Gen10 Plus.
HPE Cray XD2000.
HPE Cray XD670 c H100.
HPE ProLiant DL 320 Gen11.
HPE Cray XD665.

І тільки нещодавно анонсовані (доступні орієнтовно з осені 2024 року):

HPE ProLiant DL384 Gen12.
HPE ProLiant DL380a Gen12.
HPE Cray XD675.
HPE Cray XD670 c H200.

Якщо коротко говорити про анонсовані сервери наступного покоління (Gen12), то варто зазначити, що вони тісно пов'язані/спроєктовані саме з графічною підсистемою GPU всередині самого сервера. HPE ProLiant DL384 Gen12 має замість звичних двох центральних процесорів CPU і звичайної пам'яті DDR зв'язку двох "суперчіпів" NVIDIA GH200 (CPU на базі архітектури ARM Grace і графічного прискорювача GPU-Hopper) з високошвидкісною пам'яттю HBM3e, вбудованою в суперчип, і які об'єднуються між собою за допомогою високошвидкісної архітектури NVIDIA NVLink 5-го покоління. Швидкість цих лінків вища в 7 разів, ніж звичних PCIe 5.0 ліній. Цей варіант сервера ідеально підходить для робочих навантажень ШІ.

HPE ProLiant DL380a Gen12 використовує два процесори Intel Xeon 6-го покоління (E-core). У цьому сервері можна розмістити до восьми графічних прискорювачів GPU H200 NVL PCIe з подвійною шириною (DW). Вісім GPU забезпечують достатню пропускну здатність міжз'єднань для безперебійної передачі даних між GPU. Це необхідно для навчання на декількох GPU і паралельної обробки даних, що дуже важливо для скорочення часу навчання моделей ШІ. У конфігураціях із 8 GPU 4 сусідні карти PCIe можуть бути об'єднані через 4-сторонній "високошвидкісний GPU-інтерконект NVLink", швидкість якого становить ті самі 900 ГБ/с, що і в A100 і H100. Крім того, 2 сусідні карти PCIe можуть також бути об'єднані через 2-сторонній NVLink. Цей варіант сервера ідеально підходить для великих генеративних моделей.


Уже понад 2 роки у компанії НРЕ існує модельний ряд серверів HPE Cray XD, який є наступником попереднього покоління HPE Apollo Gen10/Gen10+, і в яких графічні прискорювачі замінені на NVIDIA H100 SXM5 (конструктив на одній платі) для опрацювання потужних навантажень ШІ. HPE Cray XD665 призначений для гібридних робочих навантажень CPU-GPU, а також для прискорення робочих навантажень CPU за допомогою GPU. HPE Cray XD670 призначений для навчання ШІ та глибокого навчання, орієнтованих на GPU робочих навантажень, які використовують переваги 8-ми графічних процесорів H100, що працюють у тандемі/стеку. HPE Cray XD675 варіант із 8 гібридними прискорювачами AMD MI300x для найвимогливіших до пам'яті робочих навантажень ШІ, як-от навчання LLM і висновки ШІ. Вона має більший обсяг пам'яті порівняно з XD670 і XD665.


Перераховані вище моделі серверів є базою для більшості рішень для ШІ. Для більших проєктів у компанії НРЕ є більш потужні і масштабовані рішення - HPE Cray CS500, HPE Cray EX2500, HPE Cray EX4000 та інші. Не дарма в ТОП-10 найбільш високопродуктивних комп'ютерів у світі у НРЕ 4 рішення (1, 2, 5 і 6 місця).

ПІДСУМКИ

У сучасному світі ми вже існуємо майже в тому ж масштабі, що і ШІ. Нехай і не на рівні наукової фантастики, але ми вже можемо спілкуватися зі штучним інтелектом з приводу наших повсякденних справ або просити його про допомогу в роботі (ChatGPT). Усе це вражає уяву і з кожним днем все ближче і ближче підводить нас до реального втілення фантастичних творінь у життя. Співпраця людини і штучного інтелекту вже увійшла в багато сфер нашого життя. Ми вже можемо користуватися самокерованими автомобілями, люди зі слабким зором можуть використовувати ботів для озвучування важливої для них інформації, а світлом і температурою в наших будинках можуть керувати гаджети інтернету речей, що працюють на основі штучного інтелекту.

Майбутнє ШІ у 2024 році й надалі виглядає багатообіцяльним у всіх галузях, і якщо ви теж замислюєтеся про впровадження технологій ШІ у свій бізнес, але все ще сумніваєтеся, ви завжди можете звернутися до компаній НРЕ і Lantec, щоб проконсультуватися і розвіяти ваші сумніви. Ми зможемо реалізувати Ваші найамбітніші плани!

Автор статті - Михайло Федосєєв, архітектор інфраструктурних рішень Lantec.