یادگیری ماشین مبتنی بر رایانش ابری – راهنمای جامع
مزایای یادگیری ماشین مبتنی بر رایانش ابری
در ادامه، مزایای یادگیری ماشین مبتنی بر رایانش ابری بیان شده است.
- مدل «پرداخت به ازای مصرف» (Pay-Per-Use) که در رایانش ابری وجود دارد، برای حجم کار پراکنده هوش مصنوعی و یادگیری ماشین مناسب است.
- ابر، برای کسب و کارها انجام آزمایش (نمونه‌سازی‌های اولیه و ورودی آزمایشی به حوزه هوش مصنوعی) در حوزه یادگیری ماشین را تسهیل و امکان مقیاس بخشیدن به پروژه در فاز تولید و یا با افزایش تقاضا را فراهم می‌کند.
- پلتفرم‌های «آمازون وب سرویس» (Amazon Web Service | AWS)، «مایکروسافت آژور» (Microsoft Azure) و «گوگل کلود» (Google Cloud) قابلیت‌های یادگیری ماشین گوناگونی را در اختیار کاربر قرار می‌دهند که به دانش عمیق از مباحث تئوری هوش مصنوعی و یادگیری ماشین یا داشتن یک تیم دانشمند داده نیازی ندارند.
طیف خدمات یادگیری ماشین مبتنی بر رایانش ابری
طیف وسیعی از ارائه‌دهندگان خدمات رایانش ابری، خدمات یادگیری ماشین مبتنی بر رایانش ابری را ارائه می‌کنند. شناخت این ارائه‌دهندگان خدمات و نوع خدمتی که ارائه می‌کنند، انتخاب را برای کاربران تسهیل می‌کند. در ادامه، برخی از برجسته‌ترین ارائه‌دهندگان خدمات یادگیری ماشین مبتنی بر رایانش ابری مورد بررسی قرار می‌گیرد.
هر سه ارائه‌دهنده خدمات یادگیری ماشین مبتنی بر ابری که پیش‌تر معرفی شدند، در تلاش هستند تا سرویس‌هایی را بسازند که استفاده از آن‌ها نسبتا آسان است. به عنوان مثال‌هایی از این مورد می‌توان به «رابط برنامه‌نویسی کاربردی گوگل پردیکشن» (Google Prediction API)، «یادگیری ماشین آمازون» (Amazon Machine Learning) و «استودیو یادگیری ماشین آژور» (Azure Machine Learning Studio) اشاره کرد. شاید در ابتدا این چنین به نظر برسید که این نوع از سرویس‌ها بهترین گزینه ممکن برای کارشناسان یادگیری ماشین و دانشمندان داده هستند، زیرا می‌توان با استفاده از آن‌ها برنامه‌های کاربردی یادگیری ماشین را بدون نیاز به نوشتن کدهای پیچیده آماده کرد.
اگرچه، ارائه‌دهندگان خدمات ابری کشف کرده‌اند که بازار بزرگی برای سرویسهای یادگیری ماشین ساده و همه منظوره وجود ندارد. چرا؟ زیرا این موارد انعطاف‌پذیری کافی را برای پاسخگویی به اغلب نیازهای سفارشی ندارند و استفاده از آن‌ها از سرویسهای سفارشی پیچیده‌تر است. در نتیجه، گوگل Prediction API را منتفی کرد و Amazon ML نیز دیگر در صفحه وب Machine Learning on AWS وجود ندارد. اگرچه، Azure Machine Learning Studio همچنان یک سرویس جذاب در زمینه کاری خودش است، زیرا راهی مناسب برای ساخت مدل‌های یادگیری ماشین برای افرادی است که در حال فراگیری یادگیری ماشین و هوش مصنوعی هستند.
از چه ابزارهای هوش مصنوعی باید استفاده شود؟
در صورتی که کاربر برای اولین بار در حال پیاده‌سازی هوش مصنوعی است، باید کار را با یکی از سرویسهای تخصصی آغاز کند. هر پلتفرم، چه به عنوان یک برنامه کاربردی مجزا ساخته شده باشد و چه بر فراز مدل‌های از پیش آموزش دیده شده، طیفی از سرویسهای تخصصی را ارائه می‌کند که به توسعه‌دهندگان امکان افزودن قابلیت‌های هوشمند را بدون آموزش دادن یا استقرار مدل‌های یادگیری ماشین خودشان می‌دهند.
| وظیفه | آمازون | مایکروسافت آژور | گوگل |
| بازشناسی تصویر | Rekognition Image | Computer Vision API Custom Vision Service Face API Emotion API Content Moderator | Vision API AutoML Vision |
| تحلیل ویدئو | Rekognition Video | Computer Vision API Video Indexer Content Moderator | Video Intelligence API |
| گفتار به متن | Transcribe | Bing Speech API Custom Speech Service Speaker Recognition API | Speech API |
| متن به گفتار | Polly | Bing Speech API | Text-to-Speech API |
| ترجمه | Translate | Translator Text API | Translation API |
| تحلیل زبان | Comprehend | Text Analytics API Content Moderator Language Understanding Web Language Model API Linguistic Analysis API | Natural Language API |
| چت‌بات | Lex | Azure Bot Service | Dialogflow |
این لیست، استراتژی آژور برای تقسیم محصولات خود به برندهای گوناگون را بر اساس وظایف خاص هوش مصنوعی، نشان می‌دهد. اغلب این ویژگی‌ها و قابلیت‌ها، توسط آمازون و گوگل نیز ارائه می‌شوند، اما بخشی از API بزرگ‌تری هستند. همانطور که در جدول می‌توان مشاهده کرد، همه سه شرکت ارائه‌دهنده خدمات ابری، اساسا قابلیت‌های مشابهی را ارائه می‌کنند. این در حالی است که مایکروسافت و گوگل، چند گزینه منحصر به فرد نیز دارند. برای مثال، Azure Custom Decision Service به ارائه محتوای سفارشی و Google Cloud Talent Solution به فرایند استخدام کمک می‌کند.
یادگیری ماشین مبتنی بر رایانش ابری
در ادامه این مطلب، مفاهیم و مدل‌های تحویل فراهم شده توسط ارائه‌دهندگان خدمات ابر عمومی برای پلتفرم‌های یادگیری ماشین مبتنی بر ابر مورد بررسی قرار می‌گیرد. با مطالعه این قسمت، افراد می‌توانند سرویس یادگیری ماشین مبتنی بر رایانش ابری مناسب خود را، انتخاب کنند. همچون PaaS ،IaaS و SaaS، زیرساخت، پلتفرم و سرویسهای سطح بالای یادگیری ماشین و هوش مصنوعی، به صورت «رابط برنامه‌نویسی کاربردی» (Application Programming Interface | API) ارائه شده است. در ادامه، هر یک از لایه‌های موجود در تصویر زیر، به صورت دقیق‌تر مورد بررسی قرار می‌گیرند.
خدمات شناختی
با افزایش مصرف این سرویس‌ها، کیفیت سرویسهای ادراکی افزایش پیدا می‌کند. با افزایش داده‌ها و استفاده‌ها از سرویس‌ها، ارائه‌دهندگان خدمات ابری به طور پیوسته صحت پیش‌بینی‌ها را افزایش می‌دهند. علاوه بر این، سرویسی که اخیرا به رایانش شناختی اضافه شده، «یادگیری ماشین خودکار» (Automated Machine Learning | AutoML) است که توسعه‌دهندگان می‌توانند پس از آموزش دادن سرویس با داده‌های خودشان، از آن استفاده کنند. AutoML مدل‌های میانه یا از پیش آمده شده را در مقابل آموزش دادن مدل از پایه، ارائه می‌کند.
پلتفرم یادگیری ماشین به عنوان سرویس
ML PaaS، اصطکاکی که به دلیل راه‌اندازی و پیکربندی محیط علم داده اتفاق می‌افتد را حذف می‌کند. در واقع، ML PaaS یک محیط از پیش پیکربندی شده را فراهم می‌کند که دانشمندان داده می‌توانند از آن برای آموزش دادن، تنظیم و میزبانی مدل استفاده کنند. این سرویس، به طور موثری چرخه حیات یک مدل یادگیری ماشین را با فراهم کردن ابزارهایی از فاز آماده‌سازی مدل گرفته تا میزبانی آن مدیریت می‌کند.
سرویسهای زیرساخت یادگیری ماشین
می‌توان به زیرساخت یادگیری ماشین به عنوان IaaS از پشته یادگیری ماشین نگریست. ارائه‌دهندگان سرویسهای ابری، ماشین‌های مجازی خامی را به کاربر ارائه می‌کنند که به وسیله پردازنده‌های قوی و شتاب‌دهنده‌هایی مانند «واحد پردازش گرافیکی» (Graphics Processing Unit | GPU) و «مدار مجتمع دیجیتال برنامه‌پذیر» (Field-Programmable Gate Array | FPGA) پشتیبانی می‌شوند.
توسعه‌دهندگان و دانشمندان داده‌ای که نیاز به دسترسی به قدرت محاسباتی خام دارند، به زیرساخت یادگیری ماشین روی می‌آورند. آن‌ها به تیم‌های دِواُپس برای تدارک و پیکربندی محیط مورد نیاز خود تکیه می‌کنند. جریان کاری چیزی متفاوت از راه‌اندازی بستر تست برای توسعه برنامه‌های کاربردی وب و موبایل بر پایه ماشین مجازی نیست. تیم‌های دواُپس اند-تو-اند مالکیت انجام پیکربندی‌های گوناگون، از انتخاب تعداد هسته‌های واحد پردازش مرکزی (CPU) گرفته تا نصب نسخه خاصی از پایتون را بر عهده دارد.
سرمایه‌گذاری‌های سخت‌افزاری اخیر آمازون، گوگل، مایکروسافت و فیس‌بوک، موجب شده است که زیرساخت یادگیری ماشین ارزان‌تر و موثرتر شود. ارائه‌دهندگان سرویسهای ابری، در حال حاضر سخت‌افزارهای سفارشی را ارائه می‌کنند که به شدت برای اجرای کارهای یادگیری ماشین مبتنی بر رایانش ابری بهینه شده‌اند. «واحد پردازشی تنسور گوگل» (Google’s TPU) و «مدار مجتمع دیجیتال برنامه‌پذیر مایکروسافت» (Microsoft’s FPGA) نمونه‌هایی از شتاب‌دهنده‌های سخت‌افزاری سفارشی هستند که انحصارا برای انجام کارهای یادگیری ماشین ساخته شده‌اند. هنگامی که این موارد با ترندهای اخیر محاسباتی مانند «کوبرنتیز» (Kubernetes) همراه می‌شوند، زیرساخت هوش مصنوعی به انتخابی جذاب برای کسب و کارها مبدل می‌شود.
یادگیری ماشین مبتنی بر رایانش ابری چطور دنیا را متحول می‌کند؟
پیش‌تر، به انواع سرویسهای یادگیری ماشین مبتنی بر رایانش ابری پرداخته و مزایای استفاده از ابر در این راستا بیان شد. استفاده از خدمات ابری برای بهره‌مندی از توان پردازشی، فضای ذخیره‌سازی و شبکه‌سازی بوده است. ولی در حال حاضر، با اضافه شدن یادگیری ماشین به ابر، ظرفیت‌های ابر به طور گسترده‌ای افزایش پیدا کرده و می‌کند.
از سوی دیگر، سیستم‌های هوش مصنوعی نیز روی سرورهای ابری بهتر کار می‌کنند. دلیل این امر، هزینه کم عملیات، مقیاس‌پذیری و قدرت عظیم محاسباتی برای تحلیل حجم زیاد داده‌ها است. بنابراین، ترکیب هوش مصنوعی و یادگیری ماشین برای هر دو این فناوری‌ها، اتفاق خوبی است. در ادامه، برخی از مصادیق متحول شدن دنیای فناوری (و البته دنیا) با بهره‌گیری از یادگیری ماشین مبتنی بر رایانش ابری مورد بررسی قرار گرفته است.
دستیار شخصی و چت‌بات‌ها
چت‌بات‌ها در بحث خدمات پشتیبانی مشتریان و به عنوان دستیار شخصی، از محبوبیت بالایی برخوردار هستند. به عنوان مثال‌هایی از این مورد می‌توان به «اپل سیری» (Apple's Siri)، «مایکروسافت کورتانا» (Microsoft Cortana) و «گوگل اسیستنت» (Google Assistant) اشاره کرد. این دستیارهای شخصی، از «پردازش زبان طبیعی» (Natural Language Processing | NLP) و «فناوری‌های یادگیری ماشین» (Machine Learning Technologies) به صورت توکار بهره می‌برند. دستیارهای شخصی، دارای محدودیت‌هایی در توانایی‌های خود هستند. واکنش‌های (پاسخ‌های) این دستیارها ابتدا برنامه‌نویسی شده و سپس تعمیم یافته است. اگر چت‌بات‌ها و دستیارهای مجازی از رایانش ابری استفاده کنند، چه اتفاقی می‌افتد؟ آن‌ها به حجم عظیمی از داده‌ها دسترسی خواهند داشت و با بهره‌گیری از آن‌ها به نقطه‌ای خواهند رسید که تفاوتی بین تعامل انسانی و ماشینی وجود نخواهد داشت.
اینترنت اشیا
«اینترنت اشیا» (Internet of Things | IoT) یک پلتفرم یکتا است که گجت‌ها و دستگاه‌های آنلاین و آفلاین الکترونیکی متعدد، بر اساس آن محیطی دارند که داده‌ها را در میان خودشان به اشتراک بگذارند و بینش مفیدی بسازند. تعاملات میان برنامه‌های گوناگون ممکن است به تولید حجم انبوهی از داده‌ها منجر شود.
خدمات ابری و علم داده به اینترنت اشیا با ذخیره‌سازی و مدیریت داده‌های عظیم، کمک می‌کنند.
هوش تجاری
خدمات هوش تجاری نیز با استفاده از یادگیری ماشین در رایانش ابری، قابل هوشمند شدن است. یادگیری ماشین و رایانش ابری به شرکت‌های تجاری هوش مصنوعی با مدیریت و تحلیل داده‌های آنی و انجام پیش‌بینی آینده، کمک می‌کند.
این موضوع، به ساخت یک داشبورد تعاملی که داده‌ها را از ابعاد گوناگون در یک محل نشان می‌دهد، کمک می‌کند. همکاری الگوریتم‌های یادگیری ماشین با رایانش ابری به بهبود موقعیت کنونی سیستم‌های هوشمند کمک شایان توجهی خواهد کرد.
اگر نوشته بالا برای شما مفید بوده است، آموزشهای زیر نیز به شما پیشنهاد می‌شوند:
مطالب مجله فرادرس را در جستجوی گوگل سریع‌تر ببینید
ایکاش توی یک مقاله هم به مقایسه و معرفی سرویسهای مختلف و مزایا و معایب هر کدوم بپردازید.