دل، ۷۰ میلیون دلار در یک استارت‌آپ هوش مصنوعی برای توسعه رایانش لبه‌ای سرمایه‌گذاری کرد

در روزهای اخیر انتشار خبر سرمایه‌گذاری ۷۰ میلیون دلاری شرکت بزرگ دل در یک استارت‌آپ تولید تراشه‌های هوش مصنوعی، نشان داد که رقابت غول‌های تکنولوژی برای کسب سهم بیشتر از بازار رقابتی و پرسود هوش مصنوعی شکل جدی‌تری به خود گرفته است.  استارت‌آپ SiMa.ai که در زمینه توسعه تراشه‌های هوش مصنوعی با محوریت نرم‌افزارهای لبه‌ای فعالیت می‌کند، از این دور جدید سرمایه‌گذاری شرکت دل خبر داد.

این در حالی است که مشارکت بازوی سرمایه‌گذاری استراتژیک غول فناوری قدیمی، یعنی Dell Technologies Capital، نشان می‌دهد که این شرکت به عملکرد SiMa.ai و رشد آن اعتماد داشته و هر دوی این شرکت‌ها به درک مشترکی از آینده هوش مصنوعی در لبه رسیده‌اند.

گزارش موسسه تحقیقاتی Pitchbook نشان می‌دهد که در طول یک سال گذشته این سرمایه‌گذاری به عنوان تنها معامله «فناوری سخت» در پرتفوی شرکت Dell Technologies Capital برجسته است و نشان از پتانسیل هوش مصنوعی لبه در جهت ایجاد کاربردهای جدید برای محصولات دل و ارزش‌‌آفرینی برای شرکت‌ها دارد. رویکرد SiMa.ai برای ساده‌سازی استقرار و مدیریت هوش مصنوعی در لبه با سبد محصولات متنوع و استراتژی عرضه به بازار شرکت دل مطابقت دارد و این غول فناوری را برای سرمایه‌گذاری روی تقاضای رو به رشد هوش مصنوعی در لبه در موقعیت خوبی قرار می‌دهد.

بیشتر بخوانیم: پنج ستون و عامل اصلی در تحول دیجیتال موفق

رایانش لبه در آستانه بازگشت

در طول یک دهه گذشته استفاده از رایانش لبه به‌طور عمده روی کاربردهای صنعتی، اتصال ماشین‌ها به یکدیگر و استخراج داده از حسگرها متمرکز بوده است که تمام این موارد استفاده، الزامات محاسباتی نسبتا کمی دارند. اینترنت اشیا محرک اصلی محاسبات لبه در خرده‌فروشی، صنایع سنگین، لجستیک و خدمات زنجیره تامین بود. با این حال، با وجود سرمایه‌گذاری‌های چشمگیر در پروژه‌های اینترنت اشیا در یک دهه گذشته، بسیاری از شرکت‌ها برای به دست آوردن ارزش تجاری ملموسی از این طرح‌ها تلاش کرده‌اند.

رایانش لبه‌ای یا اِج کامپیوتینگ (Edge computing) در واقع روشی برای بهینه‌سازی سامانه‌های رایانش ابری است که در آن کنترل برنامه‌های کامپیوتری، داده‌ها و سرویس‌ها از برخی نودهای مرکزی گرفته می‌شود و به لبه یا کناره‌های اینترنت که با دنیای واقعی در ارتباط هستند، سپرده می‌شوند. این روش یکی از الگوهای جدید محاسباتی است که به استقرار شبکه و دستگاه‌ها در مجاورت یا کنار منبع اطلاعات اشاره دارد.

ظهور هوش مصنوعی اما جان تازه‌ای به بازار محاسبات لبه می‌دهد. در طول سه سال گذشته، ارائه‌دهندگان راهکارهای فناوری اطلاعات مانند Dell و HPE به سرعت پیشنهادهای لبه خود را تغییر داده‌اند و از دستگاه‌های دروازه ساده، به سرورهای قدرتمند و مستحکمی تبدیل شده‌اند که امکان مدیریت بارهای کاری فشرده‌تر محاسباتی مانند هوش مصنوعی را دارند.

تحلیلگران Fortune Business Insights و Markets and Markets پیش‌بینی می‌کنند که با ظهور هوش مصنوعی، بازار جهانی رایانش لبه‌ای در چند سال آینده دست‌کم دو برابر شود. تکنولوژی سیستم یادگیری ماشینی مبتنی بر تراشه استارت‌آپ (MLSoC( SiMa.ai می‌تواند با محصولات رایانش لبه شرکت دل مانند سرورهای مقاوم سری PowerEdge XR ادغام شود و به این شرکت امکان ارائه کاربردهای هوش مصنوعی مولد مبتنی بر رایانش لبه را بدهد.

بیشتر بخوانیم: چگونه رایانش ابری به شرکت‌ها در دستیابی به اهداف توسعه پایدار کمک می‌کند

کریشنا رنگاسایی، بنیان‌گذار و مدیرعامل استارت‌آپ SiMa.ai، در این رابطه می‌گوید: «هوش مصنوعی – به ویژه با ظهور سریع هوش مصنوعی مولد – اساسا نحوه کار انسان‌ها و ماشین‌ها با یکدیگر را تغییر می‌دهد. مشتریان ما آماده هستند تا از آمدن بینایی، صدا و گفتار به دستگاه‌های لبه خود بهره‌مند شوند و این دقیقا همان کاری است که نسل بعدی محصولات ما برای انجام آن طراحی شده است.»

کاربردهای متنوع و رو به گسترش

در سال گذشته میلادی شاهد ظهور هوش مصنوعی مولد در چت‌بات‌ها و دستیاران مجازی بودیم، اما کاربردهای بالقوه هوش مصنوعی مولد در رایانش لبه بسیار بیشتر از اینهاست. گزارش شرکت تحقیقاتی ‌IDC با استناد به نظرسنجی در زمینه تاب‌آوری و هزینه‌های سازمانی آینده، نشان می‌دهد که ۳۸ درصد از شرکت‌ها انتظار دارند با کمک استفاده از هوش مصنوعی در لبه، شاهد ایجاد بهبود تجربه‌های شخصی‌سازی برای کارکنان در حوزه‌هایی مانند مراکز تماس و تعامل با مشتری باشند.

به عنوان مثال، در بخش خرده‌فروشی تجربه خرید با کمک دستیارهای صوتی می‌تواند تعامل مشتریان را متحول کند، سیستم‌های مجهز به هوش مصنوعی توصیه‌های شخصی‌سازی ‌شده برای خرید محصولات را ارائه می‌دهند، به پرسش‌ها پاسخ می‌دهند و حتی از طریق آزمایش‌های مجازی، مشتریان را راهنمایی می‌کنند. رستوران‌ها می‌توانند از منوهای تعاملی مبتنی بر هوش مصنوعی و سیستم‌های دریافت سفارش استفاده کنند و تجربه صرف غذا در رستوران را بهبود ببخشند و به صورت همزمان، کارهای آشپزخانه را بر اساس پیش‌بینی تقاضای در لحظه، بهینه کنند.

علاوه بر کاربردهای مختلف برای مصرف‌کننده، هوش مصنوعی مولد در لبه می‌تواند عملیات صنعتی و مدیریت زنجیره تامین را هم به خوبی متحول کند. سیستم‌های کنترل کیفیت مستقل می‌توانند عیوب و ناهنجاری‌ها را به صورت در لحظه شناسایی کنند و از داده‌های گذشته یاد بگیرند تا به‌طور مستمر دقت آنها را بهبود ببخشند. الگوهای خلاقانه تعمیر و نگهداری می‌توانند داده‌های حسگرها را تجزیه و تحلیل و با پیش‌بینی‌های هوشمندانه، هشدارهای فعال دقیقی را ارائه کنند. به این ترتیب این الگوها زمان خرابی را به حداقل می‌رسانند و تخصیص منابع را بهینه می‌کنند. در صنعت لجستیک هم پیش‌بینی تقاضا و بهینه‌سازی مسیر به کمک هوش مصنوعی می‌تواند عملیات را ساده‌تر کند، از هزینه‌ها بکاهد و البته به طرز چشمگیری زمان تحویل را کاهش دهد.

بیشتر بخوانیم: نقش رایانش ابری در تحول دیجیتال

همچنین بر اساس اطلاعات منتشر شده از سوی مجمع جهانی اقتصاد (WEF)، هوش مصنوعی مولد آماده است تا عملیات و اقدامات صنعتی و مدیریت زنجیره تامین را در چندین جبهه متحول کند. استفاده از الگوهای بزرگ زبانی می‌تواند به‌طور خودکار دستورالعمل‌های تعمیر و نگهداری، رویه‌های عملیاتی استاندارد و سایر دارایی‌های متنی را ایجاد و اتوماسیون فرآیندها را هدایت کند.

علاوه بر این، استقرار الگوهای بزرگ زبانی می‌تواند به روبات‌ها و ماشین‌ها این امکان را بدهد تا بدون آموزش خاص کار یا بازآموزی مکرر، دستورات صوتی را درک و بر اساس آنها عمل کنند. کنترل کیفیت مستقل با استفاده از هوش مصنوعی مولد می‌تواند نقص‌ها و ناهنجاری‌ها را در زمان واقعی شناسایی کند؛ چون به‌طور مداوم از داده‌های گذشته یاد می‌گیرد و دقتش را بهبود می‌بخشد، در حالی که مدل‌های تعمیر و نگهداری پیش‌بینی‌کننده که اطلاعات حسگر را تجزیه و تحلیل می‌کنند، می‌توانند هشدارهای پیشگیرانه ایجاد کنند و زمان خرابی را به حداقل برسانند و در عین حال تخصیص منابع را بهینه کنند.

تجزیه و تحلیل موسسه تحقیقاتی مک‌کینزی (McKinsey) در این زمینه نشان می‌دهد که بخش بهداشت و درمان نیز می‌تواند از هوش مصنوعی مولد در لبه‌ها تا حد بسیار زیادی سود ببرد. سیستم‌های پایش بی‌درنگ بیمار می‌توانند علائم حیاتی را تجزیه و تحلیل کنند، هشدارهای اولیه را ایجاد کنند و توصیه‌های درمانی شخصی‌سازی شده را ارائه دهند. ابزارهای تشخیصی به کمک هوش مصنوعی می‌توانند به متخصصان بخش‌های بهداشت و درمان کمک کنند تا تصمیم‌های دقیق‌تر و به‌موقع‌تری بگیرند تا در نهایت با بهبود علائم بیماری، بار کاری پرسنل پزشکی را هم کاهش دهند.

منبع: دنیای اقتصاد

بیشتر بخوانیم: گام بعدی دستورکار تحول دیجیتال شما چیست؟