ຜູ້ປະກອບສ່ວນ: John W. Schmotzer, ຜູ້ຈັດການພັດທະນາທຸລະກິດລະບົບນິເວດລົດຍົນ, NVIDIA ແລະ Guy Bursell, ຜູ້ນໍາພາຍຸດທະສາດທຸລະກິດ, ການຜະລິດ ແລະລະບົບຕ່ອງໂສ້ການສະໜອງທີ່ Microsoft

ອຸດສາຫະກໍາຍັງສືບຕໍ່ຮັບຮອງເອົາປັນຍາປະດິດ (AI) ໃນຈັງຫວະໄວຕາເວັນອອກເພື່ອຢູ່ກັບຄວາມທ້າທາຍດ້ານການຜະລິດຈໍານວນຫລາຍແລະໂອກາດຕະຫຼາດ. AI ໃຫ້ຜົນປະໂຫຍດດ້ານວິສະວະກໍາແລະການຜະລິດຫຼາຍຢ່າງ, ຕັ້ງແຕ່ການເລັ່ງການອອກແບບຄືນໃຫມ່ໄປສູ່ການຄວບຄຸມຄຸນະພາບໃນສາຍການຜະລິດ. AI ຍັງຊ່ວຍສົ່ງຕໍ່ຄວາມຄິດຂອງບໍລິສັດລົດຍົນປັບຕົວໄດ້ຢ່າງມີປະສິດທິພາບແລະໄວຕໍ່ກັບການປ່ຽນແປງທຸລະກິດແລະບູລິມະສິດອຸດສາຫະກໍາຢ່າງໄວວາ.

ແຜນທີ່ຂໍ້ມູນໄປຫາປາຍທາງທີ່ຖືກຕ້ອງ

ການຜະລິດແມ່ນພື້ນຖານຂອງບໍລິສັດລົດຍົນທີ່ເຂັ້ມແຂງ, ແລະຂໍ້ມູນທີ່ມີຄຸນນະພາບສູງແມ່ນພື້ນຖານຂອງຍຸດທະສາດ AI ທີ່ເຂັ້ມແຂງ. ພູມສັນຖານຂອງຂໍ້ມູນເຄີຍເປັນແບບຄົງທີ່ ແລະເປັນປະຫວັດສາດ ແຕ່ຕອນນີ້ຍັງຖ່າຍທອດ ແລະໃຫ້ຂໍ້ມູນໃນເວລາຈິງ. ການຄຸ້ມຄອງຂໍ້ມູນຂອງຮູບແບບແລະແຫຼ່ງຂໍ້ມູນແມ່ນສິ່ງທ້າທາຍແລະໄຟລ໌ຂໍ້ມູນທີ່ແຕກຕ່າງກັນແລະຊຸດຂໍ້ມູນທີ່ຖືກຕິດສະຫຼາກຢ່າງຖືກຕ້ອງ, ປະສົມປະສານ, ເຮັດຄວາມສະອາດແລະປະຈຸບັນແມ່ນມີຄວາມຫຍຸ້ງຍາກ.

ແຕ່ມັນບໍ່ພຽງແຕ່ຄວາມຕ້ອງການອັນຮີບດ່ວນໃນການຄຸ້ມຄອງຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່ແລະການປ່ຽນແປງທີ່ທົດສອບຂອບເຂດຈໍາກັດຂອງທີມງານ IT ການຜະລິດ. ການປ່ຽນແປງໃນການນໍາໃຊ້ຂໍ້ມູນແລະການເກັບຮັກສາຜົນກະທົບຕໍ່ໂຄງສ້າງພື້ນຖານ IT ແລະວິທີການ AI ເຮັດວຽກໄດ້ດີ. flux ຢ່າງຕໍ່ເນື່ອງໃນແບບຈໍາລອງ AI, ກົດລະບຽບການຕັດສິນໃຈ, ແລະໂຄງການ HPC ມີຜົນກະທົບຕໍ່ຄວາມຕ້ອງການຂໍ້ມູນແລະຂະບວນການທີ່ປ້ອນຂໍ້ມູນ. ໃນການຜະລິດທີ່ທັນສະໄຫມ, ຂໍ້ມູນສະເຫນີສິ່ງທ້າທາຍຫຼາຍກວ່າການຂະຫຍາຍຕົວຢ່າງຕໍ່ເນື່ອງຂອງມັນ, ຮູບແບບທີ່ຫລາກຫລາຍ, ແລະເບິ່ງຄືວ່າບໍ່ມີບ່ອນສິ້ນສຸດ.

ທ່ານ John W. Schmotzer, ຜູ້ຈັດການດ້ານການພັດທະນາທຸລະກິດລະບົບນິເວດຍານຍົນຂອງ NVIDIA ກ່າວວ່າ “ທາງດ່ວນໄປສູ່ຄວາມສໍາເລັດຂອງ AI ແມ່ນສ້າງຂຶ້ນໃນການປະສົມປະສານຂອງຊຸດຂໍ້ມູນທີ່ແຕກຕ່າງກັນທີ່ບໍ່ໄດ້ຖືກລວມເຂົ້າກັນແບບດັ້ງເດີມເພື່ອສ້າງຄວາມເຂົ້າໃຈໃຫມ່ທີ່ຖືກກໍານົດໂດຍຜ່ານການນໍາໃຊ້ເຕັກໂນໂລຢີ AI ທີ່ຊັບຊ້ອນ,” John W. Schmotzer, ຜູ້ຈັດການດ້ານການພັດທະນາລະບົບນິເວດຂອງຍານຍົນຂອງ NVIDIA ກ່າວ.

ເນື່ອງຈາກການຈັດການຂໍ້ມູນກາຍເປັນບູລິມະສິດອັນດັບໜຶ່ງຂອງຊຸມຊົນການຜະລິດລົດຍົນ, ໂອກາດ ແລະ ສິ່ງທ້າທາຍຫຼາຍຢ່າງເກີດຂຶ້ນ. ໂອກາດຫນຶ່ງສໍາລັບການປັບປຸງຂະບວນການຜະລິດແມ່ນຄວາມສາມາດໃນການລວມຊຸດຂໍ້ມູນຈາກຫຼາຍໆອົງການຈັດຕັ້ງໃນບໍລິສັດເພື່ອສະຫນອງທັດສະນະດຽວຂອງຍານພາຫະນະໃນທົ່ວວົງຈອນຊີວິດທັງຫມົດ. ການເຮັດແນວນັ້ນສາມາດຫຼຸດຕົ້ນທຶນການຄໍ້າປະກັນ ແລະ ປັບປຸງຄ່າໃຊ້ຈ່າຍວັດສະດຸຈາກປີຕໍ່ປີ. ການຮັບປະກັນເພີ່ມຂຶ້ນຢ່າງດຽວໂດຍສະເລ່ຍບັນຊີສໍາລັບ $600 ຕໍ່ຍານພາຫະນະໃນຄ່າໃຊ້ຈ່າຍເພີ່ມຂຶ້ນສໍາລັບ OEMs ລົດໃຫຍ່ທີ່ສໍາຄັນແລະອາດຈະເປັນປັດໃຈຕັດສິນທີ່ຈະມີອິດທິພົນຕໍ່ຄວາມສັດຊື່ຂອງລູກຄ້າ.

ໂອກາດໃຫມ່ສໍາລັບການເພີ່ມປະສິດທິພາບຄ່າໃຊ້ຈ່າຍສ້າງສິ່ງທ້າທາຍໃຫມ່ສໍາລັບບໍລິສັດການຜະລິດ. ອາດຈະມີຄວາມຫຍຸ້ງຍາກໃນການລວບລວມຂໍ້ມູນການຜະລິດ, ຂໍ້ມູນຍານພາຫະນະທີ່ເຊື່ອມຕໍ່, ຂໍ້ມູນ meta, ແລະໄຟລ໌ການສະແດງ CAE ຈາກທົ່ວບໍລິສັດເຂົ້າໄປໃນມຸມເບິ່ງດຽວແລະຮູບແບບດຽວ. Schmotzer ເອີ້ນສິ່ງນີ້ວ່າ “ບັນຫາ Recursive Data Lake” ເນື່ອງຈາກຄວາມເຂົ້າໃຈທີ່ເກັບໄວ້ໃນອົງການຈັດຕັ້ງແລະອົງການຈັດຕັ້ງຍ່ອຍທີ່ແຕກຕ່າງກັນພາຍໃນບໍລິສັດ.

ການຕັດສິນໃຈຂອງຜູ້ບໍລິຫານຍຸດທະສາດກ່ຽວກັບເຄື່ອງມືຊອຟແວແລະຂະບວນການທີ່ໄດ້ມາດຕະຖານຕາມຮູບແບບທີ່ຕົກລົງກັນແລະວິທີການເຮັດວຽກຈະຊ່ວຍຫຼຸດຜ່ອນປະສົບການຂອງຂໍ້ບົກຜ່ອງເຫຼົ່ານີ້ໃນຂະນະທີ່ດໍາເນີນການໂອກາດອຸດສາຫະກໍາ 4.0.

ການກໍ່ສ້າງທາງດ່ວນໄປສູ່ຄວາມສໍາເລັດ AI

ການມາຮອດຂອງຍານພາຫະນະໄຟຟ້າຫມໍ້ໄຟທີ່ເຊື່ອມຕໍ່, ແລະ AI ສໍາລັບການກວດກາສາຍຕາ, ພວກເຮົາຢູ່ໃນຈຸດສູງສຸດຂອງປະສົບການການຜະລິດທີ່ປ່ຽນແປງຢ່າງແທ້ຈິງ. ຄໍາວ່າ “ອຸດສາຫະກໍາ 4.0” ແມ່ນເກືອບເປັນຄວາມເສຍຫາຍຕໍ່ຂອບເຂດຂອງການປ່ຽນແປງແລະມູນຄ່າທຸລະກິດທີ່ແທ້ຈິງທີ່ຖືກຮັບຮູ້ໃນການຂົນສົ່ງ, Schmotzer ເວົ້າ.

ໃນຂະນະທີ່ AI ກໍາລັງສະຫນອງການເປັນເຄື່ອງມືທີ່ສໍາຄັນໃນການຕອບສະຫນອງເກືອບທຸກການຜະລິດ, ໂຄງການດັ່ງກ່າວບໍ່ຄ່ອຍຈະປະຕິບັດຄວາມຕ້ອງການໃນລະດັບສູງສຸດ. AI ວາງການລະບາຍນ້ໍາຢ່າງຫນັກຫນ່ວງແຕ່ການເຮັດໃຫ້ໂຮງງານຜະລິດທີ່ທັນສະໄຫມເຂົ້າໄປໃນໂຮງງານອັດສະລິຍະສາມາດຫຼຸດຜ່ອນຜົນກະທົບ, ຂະຫຍາຍຊັບພະຍາກອນ, ປັບປຸງຂະບວນການ, ເພີ່ມປະສິດທິພາບ, ຮັບປະກັນຄຸນນະພາບຜະລິດຕະພັນ, ຄວາມໄວ R & D ຜົນຜະລິດ, ແລະຄ່າໃຊ້ຈ່າຍໃນການບໍາລຸງຮັກສາຕ່ໍາ.

ຕົວຢ່າງ, ເຄື່ອງເລັ່ງການຂະຫຍາຍແລະເຄືອຂ່າຍຂອງເຄື່ອງເລັ່ງເຊື່ອມຕໍ່ກັນສາມາດປັບປຸງ inference, ການຝຶກອົບຮົມ AI ແລະຄວາມຕ້ອງການການຝຶກອົບຮົມແບບຂະຫນານ, ໃນບັນດາການກໍ່ສ້າງແບບຈໍາລອງແລະການຝຶກອົບຮົມ AI ອື່ນໆ. ລະບົບຕ່ອງໂສ້ເຄື່ອງມືປະສົມປະສານສໍາລັບລະດັບທັກສະຂອງຜູ້ໃຊ້ທີ່ຫຼາກຫຼາຍສາມາດເພີ່ມຄວາມສາມາດຂອງຜູ້ໃຊ້ທີ່ແຕກຕ່າງກັນແລະຍັງເຮັດໃຫ້ໂຄງການ AI ເປັນປະຊາທິປະໄຕ. ການສະຫນັບສະຫນູນການແກ້ໄຂການປະຕິບັດການຮຽນຮູ້ເຄື່ອງຈັກ (MLOps) ແມ່ນສໍາຄັນຕໍ່ກັບການຜະລິດທີ່ສູງຂຶ້ນ. ຄຸນສົມບັດ ແລະຕົວຊີ້ວັດໃນຕົວເພື່ອຮັບປະກັນ AI ທີ່ມີຄວາມຮັບຜິດຊອບສາມາດໄປໄກໃນການປ້ອງກັນບັນຫາໃນອະນາຄົດລວມທັງການເອີ້ນຄືນສິນຄ້າ ແລະໜີ້ສິນ, ໃນບັນດາບັນຫາອື່ນໆ.

ເບິ່ງວິທີການ Microsoft Azure ແລະ NVIDIA ໃຫ້ BMW ພະລັງງານຄອມພິວເຕີ້ສໍາລັບການຄວບຄຸມຄຸນນະພາບອັດຕະໂນມັດ.

ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ (DL) ມີຜົນປະໂຫຍດຫຼາຍຢ່າງຫຼາຍກວ່າລູກພີ່ນ້ອງທີ່ໃຊ້ຊັບພະຍາກອນຫນ້ອຍ, ການຮຽນຮູ້ເຄື່ອງຈັກ (ML). ການຮັກສາຊັບພະຍາກອນທີ່ບໍລິໂພກໂດຍໂຄງການການຮຽນຮູ້ເລິກແມ່ນເປັນສິ່ງຈໍາເປັນເພື່ອເຮັດໃຫ້ການນໍາໃຊ້ເຕັກໂນໂລຢີທີ່ຍືນຍົງ. GPU ມີຄວາມເປັນເອກະລັກ ແລະມີຄວາມສາມາດສູງໃນການແກ້ໄຂບັນຫາ DL ໂດຍປະສິດທິພາບພະລັງງານສູງ ແລະປະສິດທິພາບລາຄາທີ່ດີເລີດ. ຄອມພິວເຕີທີ່ໃຊ້ GPU ເປັນທາງເລືອກທີ່ດີເລີດສໍາລັບສະພາບແວດລ້ອມຂະຫນານຫຼາຍແລະວຽກງານທີ່ເຮັດຊ້ໍາໄດ້ໃນລະດັບໃຫຍ່.

“ໂຄງສ້າງພື້ນຖານຂອງຄລາວຊ່ວຍໃຫ້ຜູ້ຜະລິດຫຼຸດພົ້ນຈາກຕ່ອງໂສ້ຂອງຂໍ້ຈຳກັດ ແລະຂໍ້ຈຳກັດ. HPC ແລະ AI ຢູ່ໃນຄລາວເຮັດໃຫ້ຜູ້ຜະລິດຖາມຄໍາຖາມທີ່ໃຫຍ່ກວ່າແລະສັບສົນຫຼາຍ, ຄໍາຕອບທີ່ເພີ່ມຜົນກະທົບ, ນະວັດກໍາແລະຄວາມແຕກຕ່າງໃນຕະຫຼາດທີ່ແອອັດ, “Guy Bursell, ຜູ້ນໍາພາຍຸດທະສາດທຸລະກິດ, ການຜະລິດແລະລະບົບຕ່ອງໂສ້ການສະຫນອງຂອງ Microsoft ກ່າວ.

ການວາງແຜນເສັ້ນທາງໄປສູ່ການປະຕິບັດ

ການປັກໝຸດ AI ກັບຄວາມເປັນຈິງທີ່ແຂ່ງຂັນໃນການຜະລິດລົດຍົນແມ່ນມີຄວາມສຳຄັນຫຼາຍ. ບໍລິສັດສາມາດຮັກສາຄວາມຕ້ອງການແລະຂະຫນາດຂອງຄວາມຕ້ອງການຂອງລູກຄ້າໂດຍການເຮັດໃຫ້ທັນສະໄຫມເຂົ້າໄປໃນໂຮງງານ smart, ເຮັດໃຫ້ຂະບວນການເພີ່ມປະສິດທິພາບ, ເພີ່ມປະສິດທິພາບ, ຮັບປະກັນຄຸນນະພາບຂອງຜະລິດຕະພັນ, ແລະຄ່າໃຊ້ຈ່າຍໃນການບໍາລຸງຮັກສາຕ່ໍາ.

AI-first toolchains & cloud infrastructure ສາມາດສົ່ງຜົນກະທົບຕໍ່ພື້ນຖານຂອງຜູ້ຜະລິດ. Microsoft ແລະ NVIDIA’s full-stack cloud infrastructure, aimed-built-building for AI, delivers real-time speed, predictability, resilience, & sustainability ທີ່ສາມາດຊ່ວຍບໍລິສັດເລັ່ງນະວັດຕະກໍາ AI ແລະການເຮັດວຽກ.

ຮຽນຮູ້ເພີ່ມເຕີມກ່ຽວກັບການແກ້ໄຂ Microsoft Azure ແລະ NVIDIA ສໍາລັບ AI:

#MakeAIYourReality
#AzureHPCAI
#NVIDIAonAzure

Categories: AiHome

0 Comments

Leave a Reply

Avatar placeholder

Your email address will not be published. Required fields are marked *