ستساعدك المقالة التالية: معايير نماذج الذكاء الاصطناعي حاليًا ليست عادلة ، تفرض العديد من التحديات!
سيضع نموذج FAIR AI معايير جديدة لتنفيذ الذكاء الاصطناعي و ML
يعد تطبيق الذكاء الاصطناعي أحدث اتجاه في تنفيذ الكفاءة والإنتاجية على طول خط تنفيذ الذكاء الاصطناعي. ومع ذلك ، حتى بعد التطورات في الذكاء الاصطناعي ، فإن نشر نموذج الذكاء الاصطناعي في بيئات أخرى لا يزال معقدًا وصعبًا. يواجه علماء الحوسبة العديد من المشكلات في تكييف وإعادة إنتاج الخوارزميات التي أنشأوها في بيئات مختلفة تتراوح من تحليل المناخ إلى أبحاث الدماغ.
لذلك ، صاغ العلماء نموذجًا للذكاء الاصطناعي يعتمد على البيانات لبناء أنظمة جديدة من الألف إلى الياء. يقولون إن نماذج الذكاء الاصطناعي ليست عادلة حاليًا وتشكل تحديات خطيرة للاكتشافات العلمية والتقنية. يمكن أن يؤدي إنشاء نماذج FAIR AI هذه إلى تقليل مقدار ازدواجية الجهود ومشاركة أفضل الممارسات حول كيفية استخدام هذه النماذج لتمكين العلوم الرائعة. علاوة على ذلك ، لتلبية الطلبات المتزايدة لمجتمع الذكاء الاصطناعي ، قام العلماء أيضًا بدمج إدارة البيانات الفريدة ومنصات الحوسبة عالية الأداء لإنشاء بروتوكول FAIR بين هذه النماذج وتحديد “FAIR-ness” لنماذج الذكاء الاصطناعي هذه.
من خلال هذه الأساليب ، تمكن الباحثون من إنشاء إطار عمل حسابي يمكن أن يساعد في ربط الأجهزة والبرامج ، وإنشاء نماذج ذكاء اصطناعي يمكن تشغيلها بالمثل عبر الأنظمة الأساسية والتي من شأنها أن تسفر عن نتائج قابلة للتكرار. كانت مفاتيح إعادة إنتاج هذا الإطار هي funcX و Globus التي مكنت الباحثين من الوصول إلى موارد الحوسبة عالية الأداء مباشرة من أجهزة الكمبيوتر المحمولة الخاصة بهم.
في هذه الدراسة ، استخدم الباحثون أمثلة لمجموعات بيانات لنموذج الذكاء الاصطناعي لانحراف البيانات من مصدر الفوتون المتقدم في Argonne ، وهو أيضًا مرفق مستخدم تابع لمكتب العلوم التابع لوزارة الطاقة. إلى جانب ذلك ، استخدم الفريق أيضًا نظام SambaNova الخاص بـ ALCF AI Testbed ووحدات معالجة الرسومات NVIDIA للكمبيوتر العملاق Theta (وحدات معالجة الرسومات).
