VentureBeat presenta: AI Unleashed: un evento ejecutivo exclusivo para líderes de datos empresariales. Establezca contactos y aprenda con pares de la industria. Más información En 2023, pocas tecnologías han atraído tanta atención, especulación y promesas como la IA. Sin duda, estamos en medio de un ciclo de exageración de la IA sin precedentes. En cierto modo, el momento es similar a una fiebre del oro moderna en la que innovadores, inversores y empresarios claman por capitalizar la promesa y el potencial de la tecnología. Al igual que la fiebre del oro en California en el siglo XIX, el frenesí actual ha producido dos tipos de empresarios. Algunos están trabajando arduamente para aprovechar la IA para perseguir el “próximo gran avance” en tecnología, a menudo difícil de alcanzar. Otros venden proverbiales picos y palas. Aceleración de la demanda de GPU entre una oferta limitada Con esta demanda de IA avanzada existe un apetito insaciable por las unidades de procesamiento de gráficos (GPU) que impulsan la tecnología. Nvidia es un líder indiscutible en esta área, ya que recientemente superó las proyecciones de Wall Street y elevó su valoración por encima del billón de dólares. Evento AI Unleashed Una velada exclusiva de conocimientos y networking a la que solo se puede invitar, diseñada para altos ejecutivos empresariales que supervisan pilas de datos y estrategias. Más información Sin embargo, al mismo tiempo, existe un suministro limitado de GPU, lo que amenaza con amortiguar el impacto de la IA justo cuando su potencial en el mundo real alcanza un punto álgido. Las GPU, que alguna vez fueron muy populares entre los jugadores de videojuegos y los aficionados a la informática, experimentaron una creciente demanda durante la pandemia a medida que las criptomonedas como Bitcoin se hicieron populares. Estas monedas digitales requieren una potencia computacional sustancial y las GPU son adecuadas para esta tarea. A medida que aumentó el valor de las criptomonedas, muchas personas comenzaron a extraerlas, lo que generó una demanda masiva de GPU. La oferta se vio aún más limitada por empresas oportunistas, incluidos los revendedores, que a menudo emplean robots automatizados para comprar GPU rápidamente. Según Goldman Sachs, la escasez global de GPU durante la pandemia afectó a 169 industrias. ¿Tenemos suficientes GPU? Ahora, el aumento de proyectos de aprendizaje profundo y aplicaciones de inteligencia artificial a gran escala está elevando la demanda a un punto álgido. Pero la producción y disponibilidad actuales de GPU son insuficientes para manifestar el potencial en constante evolución de la IA. Muchas empresas enfrentan desafíos para obtener el hardware necesario para sus operaciones, lo que reduce su capacidad de innovación. A medida que los fabricantes continúan aumentando la producción de unidades de GPU, muchas empresas ya se ven obstaculizadas por la accesibilidad de la GPU. Según Fortune, el director ejecutivo de OpenAI, Sam Altman, reconoció en privado que las limitaciones de suministro de GPU estaban afectando el negocio de la empresa. En una audiencia en el Congreso, Altman afirmó que los productos serían mejores si menos personas los usaran porque la escasez de tecnología ralentiza el rendimiento. El Wall Street Journal informa que los fundadores y empresarios de la IA están “rogando a los vendedores de Amazon y Microsoft más poder”. Esto ha llevado a algunas empresas a comprar inmensas cantidades de capacidad de computación en la nube para reservarla para futuras oportunidades. Cómo pueden adaptarse las empresas Las empresas no pueden esperar a que las técnicas de fabricación y las cadenas de suministro se pongan al día con la creciente demanda. Sin embargo, pueden adaptar su enfoque para reducir la demanda de chips y maximizar las oportunidades de innovación. Así es cómo. Considere otras soluciones No todos los problemas requieren IA y la consiguiente capacidad informática ávida de GPU. Por ejemplo, las empresas pueden aprovechar otras soluciones informáticas para aspectos como el preprocesamiento de datos y la ingeniería. Las máquinas basadas en CPU pueden manejar de manera eficiente tareas de preprocesamiento de datos, como limpieza de datos, escalado de funciones y extracción de funciones. Estas tareas a menudo se realizan antes de entrenar un modelo y se pueden ejecutar en CPU sin una sobrecarga computacional significativa. Al mismo tiempo, el mantenimiento predictivo, un caso de uso común de la IA en el que los algoritmos analizan datos de sensores para predecir fallas de los equipos, puede gestionarse mediante soluciones informáticas menos capaces. No todos los equipos o sistemas requieren modelos de IA avanzados para realizar predicciones precisas. En algunos casos, enfoques estadísticos o basados ​​en reglas más simples pueden ser suficientes para identificar las necesidades de mantenimiento, lo que reduce la necesidad de implementaciones complejas de IA. De manera similar, las técnicas de análisis de imágenes y videos basadas en IA han ganado una atención significativa, pero no todas las aplicaciones requieren IA para obtener resultados precisos. Tareas como la categorización de imágenes simples o el reconocimiento básico de objetos a menudo se pueden lograr con técnicas y algoritmos tradicionales de visión por computadora sin la necesidad de modelos complejos de aprendizaje profundo. Finalmente, si bien la IA puede proporcionar capacidades analíticas avanzadas, las empresas a veces se apresuran a adoptar plataformas de análisis impulsadas por IA sin evaluar cuidadosamente su infraestructura y necesidades de datos existentes. En algunos casos, las herramientas tradicionales de inteligencia empresarial o métodos estadísticos más simples pueden ser suficientes para obtener información a partir de los datos sin la necesidad de la complejidad de la IA. Desarrollar algoritmos de IA más eficientes Algoritmos de IA más eficientes podrían reducir la potencia de procesamiento requerida para las aplicaciones de IA, haciendo que las GPU sean menos necesarias. Por ejemplo, el aprendizaje por transferencia, que permite aprovechar modelos previamente entrenados para tareas específicas, se puede ajustar en máquinas basadas en CPU para aplicaciones específicas, incluso si originalmente fueron entrenadas en GPU. Este enfoque puede resultar particularmente útil para escenarios con recursos computacionales limitados. Las máquinas de vectores de soporte (SVM) y los clasificadores Naive Bayes son otros potentes algoritmos de aprendizaje automático (ML) que se pueden utilizar para tareas de clasificación y regresión. Los clasificadores SVM y Naive Bayes se pueden entrenar en una CPU y no requieren una GPU. Encuentre formas alternativas de potenciar las aplicaciones de IA La exploración de hardware alternativo para potenciar las aplicaciones de IA presenta una ruta viable para las organizaciones que se esfuerzan por lograr un procesamiento eficiente. Dependiendo de los requisitos específicos de la carga de trabajo de IA, las CPU, los conjuntos de puertas programables en campo (FPGA) y los circuitos integrados de aplicaciones específicas (ASIC) pueden ser excelentes alternativas. Los FPGA, conocidos por su naturaleza personalizable, y los ASIC, diseñados específicamente para un caso de uso particular, tienen el potencial de manejar eficazmente tareas de IA. Sin embargo, es fundamental tener en cuenta que estas alternativas pueden presentar diferentes características de rendimiento y compensaciones. Por ejemplo, si bien los FPGA ofrecen flexibilidad y programabilidad r, es posible que no proporcionen la potencia computacional bruta de las GPU. De manera similar, aunque ofrecen un alto rendimiento, los ASIC carecen de la flexibilidad de los FPGA o GPU. Por lo tanto, es esencial realizar una evaluación cuidadosa antes de elegir el hardware adecuado para tareas específicas de IA. Además, subcontratar el procesamiento de GPU a proveedores de computación o en la nube es otra solución plausible para las empresas que buscan computación de IA eficiente y escalable. Las GPU no son la única solución para la informática de alto rendimiento. Dependiendo de la carga de trabajo de IA específica, las empresas pueden explorar aceleradores de hardware alternativos que puedan ofrecer resultados comparables incluso cuando el hardware de GPU es escaso. Buscando oro para las GPU en la corriente de la IA El increíble crecimiento de la IA y sus tecnologías asociadas, como el aprendizaje profundo, junto con el aumento de los juegos, la creación de contenidos y la minería de criptomonedas, ha creado una profunda escasez de GPU que amenaza con detener una era de innovación anterior. realmente comienza. Esta fiebre del oro moderna hacia la IA requerirá que las empresas se adapten a las realidades operativas, volviéndose más innovadoras, ágiles y receptivas en el proceso. De esta manera, la escasez de GPU presenta tanto un desafío como una oportunidad. Las empresas dispuestas a adaptarse estarán mejor posicionadas para prosperar, mientras que aquellas que no puedan pensar fuera de lo común se quedarán atrapadas extrayendo oro sin pico ni hacha. Ab Gaur es fundador y director ejecutivo de Verticurl y director de tecnología y datos de Ogilvy. DataDecisionMakers ¡Bienvenido a la comunidad VentureBeat! DataDecisionMakers es el lugar donde los expertos, incluidos los técnicos que trabajan con datos, pueden compartir conocimientos e innovación relacionados con los datos. Si desea leer sobre ideas de vanguardia e información actualizada, mejores prácticas y el futuro de los datos y la tecnología de datos, únase a nosotros en DataDecisionMakers. ¡Incluso podrías considerar contribuir con un artículo propio! Leer más de DataDecisionMakers

Source link