ЖУРНАЛ СТА №1/2023

размещается у стороннего поставщика. Это экономичная и надёжная альтер- натива программному обеспечению, разработанному собственной коман- дой. Таким образом, ИИ становится до- ступным для всех в корпоративной эко- системе. С AIaaS конечные пользователи мо- гут использовать возможности ИИ через интерфейсы прикладного про- граммирования (API) как некий ин- струмент без необходимости написа- ния каких-либо сложных кодов. Как и любое другое решение «как услуга», AIaaS эффективно использует модели облачных вычислений для использо- вания ИИ. Это, в конечном итоге, обес- печивает гибкость и адаптивность ре- шений, а также повышает уровень про- изводительности. AIaaS очень дина- мична и адаптируема. Глобальные компании продолжают внедрять AIaaS, поскольку они видят огромную выгоду от его внедрения. Согласно отчёту Technavio ожидается, что мировой рынок AIaaS вырастет на 14,70 млрд долларов с 2021 по 2025 год при среднегодовом темпе роста 40,73%. В целом, AIaaS предлагает несколько преимуществ, в том числе простоту на- стройки, которую можно выполнить даже за несколько недель. Тем не ме- нее первоначальные исследования не- обходимы любой организации, чтобы лучше понять свои требования к внед- рению AIaaS. Достоинства и недостатки AIaaS Рассмотрим достоинства и недостат- ки AIaaS для бизнеса, чтобы иметь бо- лее чёткое представление о возможном применении технологий ИИ (табл. 1). Общая архитектура AIaaS Архитектура AIaaS (рис. 1) состоит из трёх основных компонентов: инфра- структуры ИИ, сервисов ИИ и инстру- ментов ИИ. Инфраструктура ИИ В состав инфраструктуры ИИ входят базовые модели ИИ и машинное обуче- ние. Данные и вычисления являются двумя фундаментальными столпами этих моделей. Данные ИИ: представ- ляют собой большие объёмы сырых данных, которые обрабатываются с помощью статистических алгорит- мов и в дальнейшем рассматриваются в рамках функциональных моделей машинного обучения. Эти модели соз- даны для изучения закономерностей в существующих сырых данных. Про- цент точности прогнозных моделей преимущественно зависит от общего объёма собранных целевых данных. Например, многочисленные меди- цинские отчёты являются исходными данными для глубокого обучения ней- росети, которые в дальнейшем по- зволят диагностировать неотложные состояния, такие как рак, опасные опу- холи, на ранней стадии. Машинное обучение в значительной степени зависит от входных данных, которые могут быть получены из не- скольких источников, таких как: реля- ционные базы данных, неструктуриро- ванные данные (двоичные объекты), сохранённые аннотации в специали- зированных базах данных и из прочих необработанных данных, полученных в результате пограничных вычисле- ний. Все они используются в качестве входных данных для формирования моделей и машинного обучения. Передовые методы машинного об- учения, включая нейронные сети, по- строены на сложных вычислениях, для которых требуется сочетание количе- ства центральных процессоров (CPU) и графических процессоров (GPU). Оба эти компонента дополняют друг друга и обеспечивают более высокую ско- рость обработки сетей ИИ. Облачные провайдеры предлагают кластеры вир- туальных машин (ВМ) с комбиниро- ванной поддержкой GPU-CPU и контей- неры с настроенными AIaaS. Клиенты могут использовать эту ин- фраструктуру для обучения своих мо- делей с помощью технологий машин- ного обучения и производить оплату по факту их использования. Вычисления ИИ Удалённые виртуальные машины включают услуги для обучения, бессер- верные вычисления и пакетную обра- ботку моделей ИИ. Эти вычислитель- ные методы используются для улучше- ния параллельной обработки и авто- матизации задач машинного обучения. Например, Apache Spark – это механизм обработки данных в реальном време- ни с масштабируемой библиотекой машинного обучения. При обучении моделей машинного обучения они используются в виртуальных машинах и контейнерах для выполнения вычис- лений. Сервисы ИИ Поставщики публичных облаков предоставляют API и широкий набор сервисов, которые не требуют от поль- зователей загружать модели машин- ного обучения. Эти API и сервисы входят в базовый комплект облачной инфраструктуры провайдера, что бо- лее выгодно для потенциальных по- требителей. Когнитивные вычисления API-интерфейсы когнитивных вы- числений включают в себя: речь, текс- товую аналитику, голосовой перевод и поиск. Разработчики обращаются к этим службам как к конечным точ- кам REST и интегрируют их с приложе- ниями с помощью одного вызова API. Пользовательские вычисления Хотя API-интерфейсы служат этой це- ли в общих случаях, облачные провай- деры переходят на настраиваемые вы- числения, позволяя пользователям применять все преимущества когни- ОБ ЗОРЫ СТА 1/2023 37 www.cta.ru Инструменты ИИ Мастера данных Интегрированная среда разработки Инструменты подготовки данных Фреймворки Службы ИИ Когнитивные вычисления Пользовательские вычисления Голосовые сервисы ИИ Инфраструктура ИИ Данные ИИ Вычислительная платформа ИИ Озёра данных Реляционная СУБД Нереляционные БД Виртуальные машины Бессерверные вычисления Пакетный режим Рис. 1. Ключевые архитектурные компоненты AIaaS