تحديات استنتاج الذكاء الاصطناعي
بينما تسعى شركات مثل OpenAI وGoogle إلى تطوير نماذج أكبر، تواجه المؤسسات تحديًا أكثر عملية يتعلق بالاستنتاج. عملية تشغيل نماذج الذكاء الاصطناعي المدربة لتحليل البيانات الجديدة وتوليد الإجابات قد تبدو بسيطة من الناحية النظرية، ولكنها تمثل تحديًا حقيقيًا عند التطبيق على نطاق واسع. تفشل وحدات معالجة الرسوميات، التي تم تصميمها في الأصل لتقديم الرسوميات، في التعامل مع ملايين الاستفسارات في الوقت الحقيقي، مما يؤدي إلى ارتفاع التكاليف ومشكلات التأخير.
تدخل آي بي إم في هذا المجال، حيث تركز على تمكين الذكاء الاصطناعي بدلاً من السعي وراء نماذج أكبر. من خلال شراكات جديدة مع شركات مثل Anthropic وGroq، تهدف آي بي إم إلى إعادة تصور كيفية عمل الذكاء الاصطناعي في بيئات الإنتاج.
استراتيجية آي بي إم في تمكين الذكاء الاصطناعي
تعمل آي بي إم على توحيد ثلاث طبقات أساسية من بنية الذكاء الاصطناعي الحديثة: الذكاء، الاستنتاج، والحوكمة، من خلال منصتها watsonx. من خلال هذه الاستراتيجية، تسعى آي بي إم إلى تقديم حلول فعالة تلبي احتياجات المؤسسات التي تتطلب استنتاجات سريعة وفعالة.
يقول روب توماس، نائب الرئيس الأول ورئيس قسم التجارة في آي بي إم: “البيانات موجودة في كل مكان، ويجب أن يكون الذكاء الاصطناعي قادرًا على العمل عبر بيئات هجينة”. كما أضاف أن آي بي إم تستفيد من نماذج صغيرة وكبيرة من شركائها لتلبية احتياجات مختلفة.
تؤكد آي بي إم أن استراتيجيتها بدأت تجد صدى بين العملاء الذين لديهم طلبات استنتاج عالية، حيث تستخدم إحدى شركات التأمين الصحي الكبرى منصة watsonx لمعالجة آلاف الاستفسارات في الوقت نفسه.
