በደመና ኮምፒውቲንግ ውስጥ AI ምንድን ነው?

አጭር መልስ ፡ በደመና ኮምፒውቲንግ ውስጥ ያለው AI ማለት ዳታ ለማከማቸት፣ ለኪራይ ኮምፒውቲንግ፣ ሞዴሎችን ለማሰልጠን፣ እንደ አገልግሎት ለማሰማራት እና በምርት ጊዜ ክትትል ለማድረግ የደመና መድረኮችን መጠቀም ነው። አስፈላጊ የሆነው አብዛኛዎቹ ውድቀቶች የሚሰበሰቡት በሂሳብ ሳይሆን በውሂብ፣ በማሰማራት እና በአሠራሮች ዙሪያ ነውና። ፈጣን ልኬት ወይም ተደጋጋሚ ልቀት የሚያስፈልግዎ ከሆነ፣ ዳመና + MLOps ተግባራዊ መንገድ ነው።

ቁልፍ ነጥቦች፡

የህይወት ዑደት ፡ የመሬት መረጃ፣ የግንባታ ባህሪያት፣ ስልጠና፣ ማሰማራት፣ ከዚያም መንሸራተትን፣ መዘግየትን እና ወጪን መከታተል።

አስተዳደር ፡- ከጅምሩ ጀምሮ የመዳረሻ ቁጥጥሮችን መገንባት፣ የኦዲት ምዝግብ ማስታወሻዎችን እና የአካባቢ መለያየትን መገንባት።

የመራባት ችሎታ ፡ የውሂብ ስሪቶችን፣ ኮድን፣ መለኪያዎችን እና አካባቢዎችን ይመዝግቡ ስለዚህ አሂድ ሊደገም የሚችል ሆኖ ይቆያል።

የወጪ ቁጥጥር ፡- የቢል ድንጋጤዎችን ለማስወገድ ባቺንግ፣ መሸጎጫ፣ አውቶማቲክ ስኬሊንግ ካፕስ እና የቦታ/ቅድመ-ዝግጅት ስልጠና ይጠቀሙ።

የማሰማራት ቅጦች ፡- በቡድን እውነታ ላይ በመመስረት የሚተዳደሩ መድረኮችን፣ የሐይቅ ሀውስ የስራ ፍሰቶችን፣ ኩበርኔትስን ወይም RAGን ይምረጡ።

ከዚህ ጽሑፍ በኋላ ሊያነቧቸው የሚችሏቸው ጽሑፎች፡

🔗 ከፍተኛ የ AI የደመና ንግድ አስተዳደር መሳሪያዎች
ስራዎችን፣ ፋይናንስን እና ቡድኖችን የሚያቀላጥፉ ግንባር ቀደም የደመና መድረኮችን ያወዳድሩ።.

🔗 ለትልቅ ደረጃ ጀነሬተር AI የሚያስፈልጉ ቴክኖሎጂዎች
GenAIን ለማሰማራት የሚያስፈልጉ ቁልፍ መሠረተ ልማቶች፣ መረጃዎች እና አስተዳደር።.

🔗 ለውሂብ ትንተና ነፃ የ AI መሳሪያዎች
የውሂብ ስብስቦችን ለማጽዳት፣ ሞዴል ለማድረግ እና በምስል ለማየት ምርጥ ነፃ የAI መፍትሄዎች።.

🔗 AI እንደ አገልግሎት ምንድን ነው?
የ AIaaS፣ ጥቅማ ጥቅሞች፣ የዋጋ አሰጣጥ ሞዴሎች እና የተለመዱ የንግድ አጠቃቀም ጉዳዮችን ያብራራል።.

---

በደመና ኮምፒውቲንግ ውስጥ ያለው የAI ቴክኖሎጂ፡ ቀላል ፍቺው 🧠☁️

በዋናው ክፍል፣ በደመና ኮምፒውቲንግ ውስጥ ያለው AI ማለት የደመና መድረኮችን ለመድረስ መጠቀም ማለት ነው

• የኃይል ስሌት (ሲፒዩዎች፣ ጂፒዩዎች፣ ቲፒዩዎች) ጉግል ክላውድ፡ ለAI የደመና ቲፒዩ ሰነዶች

• ማከማቻ (የውሂብ ሐይቆች፣ መጋዘኖች፣ የነገር ማከማቻ) AWS: የውሂብ ሐይቅ ምንድን ነው? AWS: የውሂብ መጋዘን ምንድን ነው? Amazon S3 (የነገር ማከማቻ)

• የAI አገልግሎቶች (የሞዴል ስልጠና፣ ማሰማራት፣ ለእይታ፣ ለንግግር፣ ለNLP APIs) የAWS የAI አገልግሎቶች የGoogle Cloud የAI APIs

• የMLOps መሳሪያዎች (ቧንቧዎች፣ ክትትል፣ የሞዴል መዝገብ ቤት፣ ለML CI-CD) የጉግል ክላውድ፡ MLOps ምንድን ነው? የVertex AI ሞዴል መዝገብ ቤት

ውድ የሆኑ ሃርድዌርዎን ከመግዛት ይልቅ፣ በሚያስፈልግዎት ጊዜ የሚያስፈልግዎትን ይከራያሉ NIST SP 800-145 ። ልክ በጋራጅዎ ውስጥ ጂም ከመገንባት ይልቅ ለአንድ ከባድ የአካል ብቃት እንቅስቃሴ ጂም መቅጠር እና ከዚያ በኋላ ትራመሊሙን ዳግመኛ አለመጠቀም ነው። ከእኛ መካከል ለምርጦቹ ይሆናል 😬

NIST SP 800-145 የሚለካ፣ የሚልክ፣ የሚያዘምን እና የሚሰራው AI ነው ።

---

AI + Cloud ለምን ትልቅ ስምምነት ነው 🚀

እውነቱን እንነጋገር - አብዛኛዎቹ የ AI ፕሮጀክቶች ሂሳብ ከባድ ስለሆነ አይሳኩም። የሚሳኩት “በሞዴሉ ዙሪያ ያሉት ነገሮች” ስለሚጣበቁ ነው፡

• ውሂቡ ተበታትኗል

• አካባቢው አይመሳሰልም

• ሞዴሉ በአንድ ሰው ላፕቶፕ ላይ ይሰራል ነገር ግን በሌላ ቦታ የለም

• ማሰማራት እንደ አንድ የኋለኛ ሀሳብ ተደርጎ ይቆጠራል

• ደህንነት እና ተገዢነት እንደ ያልተጋበዘ የአጎት ልጅ ዘግይተው ይታያሉ 😵

የደመና መድረኮች የሚከተሉትን ስለሚያቀርቡ ይረዳሉ፦

1) የመለጠጥ ልኬት 📈

NIST SP 800-145ን ይዝጉት ።

2) ፈጣን ሙከራ ⚡

የሚተዳደሩ የማስታወሻ ደብተሮችን፣ አስቀድሞ የተገነቡ የቧንቧ መስመሮችን እና የጂፒዩ አብነቶችን በፍጥነት ያሽከርክሩ። Google Cloud: GPUs for AI ።

3) ቀላል ስርጭት 🌍

ሞዴሎችን እንደ ኤፒአይዎች፣ የባች ስራዎች ወይም የተከተቱ አገልግሎቶች ያሰማሩ Red Hat: የREST API ምንድን ነው? SageMaker Batch Transform .

4) የተዋሃዱ የውሂብ ሥነ-ምህዳሮች 🧺

የውሂብ ቧንቧዎችዎ፣ መጋዘኖችዎ እና ትንታኔዎችዎ ብዙውን ጊዜ በደመና ውስጥ ይኖራሉ AWS: Data wager vs data lake ።

5) ትብብር እና አስተዳደር 🧩

የ Azure ML ሬጅስትሪ (MLOps) ውስጥ ይዘጋጃሉ ።

---

በደመና ኮምፒውቲንግ ውስጥ ያለው የአይአይ (AI) በተግባር እንዴት እንደሚሰራ (እውነተኛው ፍሰት) 🔁

የተለመደው የህይወት ዑደት ይኸውና። “ፍጹም የሆነ ዲያግራም” አይደለም… በውስጡ የኖረ።.

ደረጃ 1፡ ውሂብ በደመና ማከማቻ ውስጥ ይቀመጣል 🪣

ምሳሌዎች፡ የነገር ማከማቻ ባልዲዎች፣ የውሂብ ሐይቆች፣ የደመና ዳታቤዞች Amazon S3 (የነገር ማከማቻ) AWS፡ የውሂብ ሐይቅ ምንድን ነው? የGoogle Cloud Storage አጠቃላይ እይታ ።

ደረጃ 2፡ የውሂብ ሂደት + የባህሪ ግንባታ 🍳

ታጸዳዋለህ፣ ትለውጠዋለህ፣ ባህሪያትን ትፈጥራለህ፣ ምናልባትም በዥረት መልቀቅ ትችላለህ።.

ደረጃ 3፡ የሞዴል ስልጠና 🏋️

፡ ጂፒዩዎችን ለAI ) ይጠቀማሉ

• ክላሲካል ኤምኤል ሞዴሎች

• ጥልቅ የመማሪያ ሞዴሎች

• የመሠረት ሞዴል ጥቃቅን ማስተካከያዎች

• የማግኛ ስርዓቶች (የRAG ስታይል ቅንጅቶች) የማግኛ-የተጨመረ ትውልድ (RAG) ወረቀት

ደረጃ 4፡ ማሰማራት 🚢

ሞዴሎች በሚከተሉት መንገዶች የታሸጉ እና የሚቀርቡ ናቸው፦

• የREST APIs Red Hat: የREST API ምንድን ነው?

• አገልጋይ አልባ የመጨረሻ ነጥቦች የSageMaker አገልጋይ አልባ ግምት

• የኩበርኔቴስ ኮንቴይነሮች ኩበርኔቴስ፡ ሆሪዞናል ፖድ አውቶስኬሊንግ

• የባች ኢንፍራስመንት ቧንቧዎች የSageMaker ባች ትራንስፎርም ቨርቴክስ AI ባች ትንበያዎች

ደረጃ 5፡ ክትትል + ዝማኔዎች 👀

ትራክ፡

• መዘግየት

• ትክክለኛነት መንሸራተት የሳጅሜከር ሞዴል መቆጣጠሪያ

• የውሂብ drift Vertex AI ሞዴል ክትትል

• በአንድ ትንበያ ዋጋ

• "ይህ ሊሆን አይችልም..." ብለው በሹክሹክታ የሚያስቸግሩዎት የጠርዝ መያዣዎች 😭

ሞተሩ ያ ነው። ያ በክላውድ ኮምፒውቲንግ ውስጥ ያለው AI እንደ ፍቺ ብቻ ሳይሆን በእንቅስቃሴ ላይ ነው።.

---

በደመና ኮምፒውቲንግ ውስጥ ጥሩ የAI ስሪት የሚያደርገው ምንድን ነው? ✅☁️🤖

"ጥሩ" አተገባበር (ብልጭልጭ ማሳያ ብቻ ሳይሆን) ከፈለጉ በእነዚህ ላይ ያተኩሩ፡

ሀ) የጭንቀት መለያየትን በግልፅ መለየት 🧱

• የውሂብ ንብርብር (ማከማቻ፣ አስተዳደር)

• የሥልጠና ንብርብር (ሙከራዎች፣ የቧንቧ መስመሮች)

• የማቅረቢያ ንብርብር (ኤፒአይዎች፣ ልኬት)

• የክትትል ንብርብር (ሜትሪክስ፣ ምዝግብ ማስታወሻዎች፣ ማንቂያዎች) የSageMaker ሞዴል ሞኒተር

ሁሉም ነገር ሲዋሃድ፣ ማረም የስሜት ጉዳት ይሆናል።.

ለ) በነባሪነት እንደገና ማባዛት 🧪

ጥሩ ስርዓት እጅዎን ሳይወዛወዙ እንዲናገሩ ያስችልዎታል፦

• ይህንን ሞዴል የሰለጠነው መረጃ

• የኮድ ሥሪት

• ሃይፐርፓራሜትሮች

• አካባቢው

መልሱ "ኧረ፣ የማክሰኞው ሩጫ ይመስለኛል..." ከሆነ ችግር ውስጥ ነህ 😅

ሐ) ወጪን የሚያውቅ ዲዛይን 💸

የደመና አርቲፊሻል ኢንተለጀንስ (AI) ኃይለኛ ነው፣ ነገር ግን በአጋጣሚ የህይወት ምርጫዎችዎን እንዲጠራጠሩ የሚያደርግ ሂሳብ ለመፍጠር ቀላሉ መንገድ ነው።.

ጥሩ ቅንጅቶች የሚከተሉትን ያካትታሉ:

• አውቶስካሊንግ Kubernetes: Horizontal Pod አውቶስካሊንግ

• የአብነት የጊዜ ሰሌዳ ማስያዝ

• በሚቻልበት ጊዜ ስፖት-ፕሪኤምፕቲብል አማራጮች Amazon EC2 Spot Instances Google Cloud Preemptible VMs

• የመሸጎጫ እና የባች ማጠቃለያ SageMaker Batch Transform

መ) ደህንነት እና ተገዢነት በ🔐 ውስጥ ተፈጥሯል

ልክ እንደ ፍሳሽ ቱቦ ላይ እንዳለ ቱቦ ቴፕ በኋላ ላይ አይሰካም።.

ሠ) ከፕሮቶታይፕ ወደ ምርት የሚወስድ እውነተኛ መንገድ 🛣️

ይህ ትልቁ ነው። በደመና ውስጥ ያለው ጥሩ የAI “ስሪት” MLOps፣ የማሰማሪያ ቅጦችን እና ከመጀመሪያው ጀምሮ ክትትልን ያካትታል Google Cloud: MLOps ምንድን ነው? . አለበለዚያ የሚያምር ደረሰኝ ያለው የሳይንስ ፍትሃዊ ፕሮጀክት ነው።

---

የንጽጽር ሰንጠረዥ፡- ታዋቂ የAI-በደመና ውስጥ ያሉ አማራጮች (እና ለማን እንደሆኑ) 🧰📊

ከዚህ በታች ፈጣን፣ ትንሽ አስተያየት የሚሰጥ ሰንጠረዥ አለ። ዋጋዎች ሆን ተብሎ ሰፊ ናቸው ምክንያቱም የደመና ዋጋ እንደ ቡና ማዘዝ ነው - መሰረታዊው ዋጋ በጭራሽ ዋጋው አይደለም 😵💫

መሣሪያ / መድረክ	ታዳሚዎች	ዋጋ-አይነት	ለምን እንደሚሰራ (አስገራሚ ማስታወሻዎችን ጨምሮ)
AWS ሳጅሜከር	የኤምኤል ቡድኖች፣ ኢንተርፕራይዞች	እንደሄዱ ይክፈሉ	ሙሉ-ቁልል ኤምኤል መድረክ - ስልጠና፣ የመጨረሻ ነጥቦች፣ የቧንቧ መስመሮች። ኃይለኛ፣ ግን በሁሉም ቦታ ያሉ ምናሌዎች።.
ጉግል ቨርቴክስ ኤአይ	የኤምኤል ቡድኖች፣ የውሂብ ሳይንስ ድርጅቶች	እንደሄዱ ይክፈሉ	ጠንካራ የሚተዳደር ስልጠና + የሞዴል መዝገብ + ውህደቶች። ጠቅ ሲደረግ ለስላሳ ስሜት ይሰማል።.
የአዙር ማሽን መማሪያ	ኢንተርፕራይዞች፣ በኤምኤስ ላይ ያተኮሩ ድርጅቶች	እንደሄዱ ይክፈሉ	ከአዙር ሥነ-ምህዳር ጋር በጥሩ ሁኔታ ይጫወታል። የመልካም አስተዳደር አማራጮች፣ ብዙ አዝራሮች።.
ዳታ ጡቦች (ኤምኤል + ሌክሃውስ)	ከባድ የውሂብ ምህንድስና ቡድኖች	የደንበኝነት ምዝገባ + አጠቃቀም	የውሂብ ቧንቧዎችን + ML በአንድ ቦታ ለማደባለቅ በጣም ጥሩ። ብዙ ጊዜ በተግባራዊ ቡድኖች ይወደዳል።.
የበረዶ ቅንጣት AI ባህሪያት	ትንታኔዎች - የመጀመሪያዎቹ ድርጅቶች	በአጠቃቀም ላይ የተመሰረተ	ዓለምዎ አስቀድሞ በመጋዘን ውስጥ ሲሆን ጥሩ ነው። ያነሰ “ML ላብ”፣ ተጨማሪ “AI በSQL-ish”።
አይቢኤም ዋትሰንክስ	ቁጥጥር የሚደረግባቸው ኢንዱስትሪዎች	የኢንተርፕራይዝ ዋጋ አሰጣጥ	የአስተዳደር እና የድርጅት ቁጥጥር ትልቅ ትኩረት ነው። ብዙውን ጊዜ ለፖሊሲ ከባድ ዝግጅቶች የተመረጡ ናቸው።.
የሚተዳደር ኩበርኔቶች (DIY ML)	የመድረክ መሐንዲሶች	ተለዋዋጭ	ተለዋዋጭ እና ብጁ። እንዲሁም… ሲሰበር የሚሰማህ ህመም አንተ ነህ 🙃
አገልጋይ አልባ መደምደሚያ (ተግባራት + የመጨረሻ ነጥቦች)	የምርት ቡድኖች	በአጠቃቀም ላይ የተመሰረተ	ለተጨናነቀ የትራፊክ ፍሰት በጣም ጥሩ። እንደ ጭልፊት ቀዝቃዛ ጅምር እና መዘግየትን ይመልከቱ።.

ይህ "ምርጡን" ስለመምረጥ አይደለም፤ የቡድንዎን እውነታ ስለማዛመድ ነው። ጸጥተኛው ሚስጥር ይህ ነው።.

---

በደመና ኮምፒውቲንግ ውስጥ ለAI የተለመዱ የአጠቃቀም ጉዳዮች (ከምሳሌዎች ጋር) 🧩✨

የAI-in-cloud ቅንብሮች በጣም የተሻሉበት ቦታ ይኸውና፦

1) የደንበኛ ድጋፍ አውቶሜሽን 💬

• የውይይት ረዳቶች

• የቲኬት መስመር

• ማጠቃለያ

• የስሜት እና የዓላማ ማወቂያ የደመና የተፈጥሮ ቋንቋ ኤፒአይ

2) የምክር ስርዓቶች 🛒

• የምርት ጥቆማዎች

• የይዘት ምግቦች

• "ሰዎችም ገዝተዋል"
  እነዚህ ብዙውን ጊዜ ሊሰፋ የሚችል መደምደሚያ እና በቅርብ ጊዜ የሚደረጉ ዝመናዎችን ይፈልጋሉ።

3) የማጭበርበር ምርመራ እና የአደጋ ውጤት 🕵️

ክላውድ ፍንዳታዎችን ማስተናገድ፣ ዝግጅቶችን መልቀቅ እና ስብስቦችን ማስኬድ ቀላል ያደርገዋል።.

4) የሰነድ መረጃ 📄

• የኦሲአር ቧንቧዎች

• የህጋዊ አካል ማውጣት

• የኮንትራት ትንተና

• የክፍያ መጠየቂያ መተንተን የበረዶ ፍሌክ ኮርቴክስ የAI ተግባራት
  በብዙ ድርጅቶች ውስጥ፣ ጊዜ በጸጥታ የሚመለስበት ቦታ ይህ ነው።

5) ትንበያ እና የብቃት ተኮር ማመቻቸት 📦

የፍላጎት ትንበያ፣ የክምችት እቅድ ማውጣት፣ የመንገድ ማመቻቸት። ዳመናው ይረዳል ምክንያቱም ዳታ ትልቅ ስለሆነ እና እንደገና ስልጠና በተደጋጋሚ ስለሚሰጥ።.

6) ጀነሬቲቭ የ AI መተግበሪያዎች 🪄

• የይዘት ቀረጻ

• የኮድ እገዛ

• ውስጣዊ የእውቀት ቦቶች (RAG)

• ሰው ሰራሽ የውሂብ ማመንጫ መልሶ ማግኛ-የተጨመረ ትውልድ (RAG) ወረቀት
  ይህ ብዙውን ጊዜ ኩባንያዎች በመጨረሻ “የውሂብ መዳረሻ ደንቦቻችን የት እንደሚኖሩ ማወቅ አለብን” የሚሉበት ጊዜ ነው። 😬

---

በየቦታው የሚያዩዋቸው የስነ-ህንፃ ቅጦች 🏗️

ንድፍ 1፡ የሚተዳደር የኤምኤል መድረክ ("ያነሰ የራስ ምታት እንፈልጋለን" የሚለው መንገድ) 😌

• ውሂብ ስቀል

• በሚተዳደሩ ስራዎች ይለማመዱ

• ወደሚተዳደሩ የመጨረሻ ነጥቦች ያሰማሩ

• በመድረክ ዳሽቦርዶች ውስጥ መቆጣጠሪያ SageMaker ሞዴል መቆጣጠሪያ Vertex AI ሞዴል ክትትል

ፍጥነት አስፈላጊ በሚሆንበት ጊዜ እና ውስጣዊ መሳሪያዎችን ከባዶ መገንባት በማይፈልጉበት ጊዜ በጥሩ ሁኔታ ይሰራል።.

ንድፍ 2፡ ሌክሃውስ + ኤምኤል (“ዳታ-መጀመሪያ” መንገድ) 🏞️

• የውሂብ ምህንድስናን + የML የስራ ፍሰቶችን ያዋህዱ

• ከውሂቡ አቅራቢያ የማስታወሻ ደብተሮችን፣ የቧንቧ መስመሮችን እና የባህሪ ምህንድስናን ያሂዱ

• በትልልቅ የትንታኔ ስርዓቶች ውስጥ ለሚኖሩ ድርጅቶች ጠንካራ Databricks Lakehouse

ንድፍ 3፡ በኩበርኔቶች ላይ ኮንቴይነር የተደረገበት ኤምኤል (“ቁጥጥር እንፈልጋለን” የሚለው መንገድ) 🎛️

• የጥቅል ሞዴሎች በመያዣዎች ውስጥ

• ስኬል ከአውቶስኬሊንግ ፖሊሲዎች ጋር Kubernetes: Horizontal Pod Autoscaling

• የአገልግሎት መረብን ማዋሃድ፣ ታዛቢነት፣ ሚስጥራዊነት mgmt

እንዲሁም "በራስ መተማመን አለን፣ እና እንዲሁም በተለያዩ ሰዓታት ማረም እንወዳለን።"

ንድፍ 4፡ RAG (የማግኛ-የተጨመረ ትውልድ) ("የእውቀትዎን ይጠቀሙ" መንገድ) 📚🤝

• በደመና ማከማቻ ውስጥ ያሉ ሰነዶች

• መክተቶች + የቬክተር መደብር

• የማግኛ ንብርብር አውድ ወደ ሞዴል ይመገባል

• የመከላከያ ዘንጎች + የመዳረሻ መቆጣጠሪያ + ምዝግብ ማስታወሻ የማግኛ-የተጨመረ ትውልድ (RAG) ወረቀት

ይህ በዘመናዊ የ AI-በደመና ውስጥ ያሉ ውይይቶች ዋና አካል ነው ምክንያቱም ብዙ እውነተኛ ንግዶች ጀነሬተር AIን ደህንነቱ በተጠበቀ ሁኔታ የሚጠቀሙት በምን ያህል ጊዜ ነው።.

---

MLOps: ሁሉም ሰው የሚያቃልለው ክፍል 🧯

በደመና ውስጥ ያለው AI በምርት ውስጥ እንዲሠራ ከፈለጉ፣ MLOps ያስፈልግዎታል። ወቅታዊ ስለሆነ አይደለም - ምክንያቱም የሞዴሎች መንሸራተት፣ የውሂብ ለውጦች እና ተጠቃሚዎች በጣም በከፋ ሁኔታ ፈጣሪዎች ስለሆኑ Google Cloud: MLOps ምንድን ነው ?

ቁልፍ ክፍሎች:

• የሙከራ ክትትል ፡ ምን ሰርቷል፣ ምን አላደረገም MLflow Tracking

• የሞዴል መዝገብ ፡ የጸደቁ ሞዴሎች፣ ስሪቶች፣ ሜታዳታ MLflow ሞዴል መዝገብ ቤት Vertex AI ሞዴል መዝገብ ቤት

• ለኤምኤልኤል CI-CD ፡ የሙከራ + የማሰማራት አውቶሜሽን የGoogle Cloud MLOps (ሲዲ እና አውቶሜሽን)

• የባህሪ መደብር ፡ በስልጠና እና በማጠቃለያ ላይ ወጥነት ያላቸው ባህሪያት SageMaker የባህሪ መደብር

• ክትትል ፡ የአፈጻጸም መንሸራተት፣ አድልዎ ምልክቶች፣ መዘግየት፣ ወጪ የSageMaker ሞዴል መቆጣጠሪያ Vertex AI ሞዴል ክትትል

• የሮልባክ ስትራቴጂ ፡ አዎ፣ እንደ መደበኛ ሶፍትዌር

ይህንን ችላ ካልክ፣ ሁሉም ነገር ሕያው የሆነበት፣ ምንም ምልክት የማይደረግበት እና በሩን ለመክፈት የምትፈራበት “ሞዴል መካነ አራዊት” ይኖርሃል።.

---

ደህንነት፣ ግላዊነት እና ተገዢነት (አስደሳች ክፍል አይደለም፣ ግን… አዎ) 🔐😅

በደመና ኮምፒውቲንግ ውስጥ ያለው የ AI ቴክኖሎጂ ጥቂት አስደሳች ጥያቄዎችን ያስነሳል፡-

የውሂብ መዳረሻ ቁጥጥር 🧾

የስልጠና መረጃን ማን ማግኘት ይችላል? የማጠቃለያ ምዝግብ ማስታወሻዎች? ጥያቄዎች? ውጤቶች?

ምስጠራ እና ምስጢሮች 🗝️

ቁልፎች፣ ቶከኖች እና ምስክርነቶች በአግባቡ መያዝ ያስፈልጋቸዋል። “በማዋቀር ፋይል ውስጥ” አያያዝ አይደለም።.

ማግለል እና ተከራይነት 🧱

አንዳንድ ኦርጎች ለልማት፣ ለዝግጅት እና ለምርት የተለያዩ አካባቢዎችን ይፈልጋሉ። ክላውድ ይረዳል - ግን በትክክል ካዋቀሩት ብቻ።.

ኦዲት ማድረግ 📋

ቁጥጥር የሚደረግባቸው ድርጅቶች ብዙውን ጊዜ የሚከተሉትን ማሳየት አለባቸው፦

• ምን ውሂብ ጥቅም ላይ ውሏል

• ውሳኔዎች እንዴት ተደረጉ

• ማን ምን አሰማራ

• የ IBM watsonx.governanceን ሲቀይር

የሞዴል ስጋት አስተዳደር ⚠️

ይህ የሚከተሉትን ያካትታል፦

• አድልዎ ፍተሻዎች

• የተቃዋሚ ሙከራ

• ፈጣን የመርፌ መከላከያዎች (ለጄኔቲክ AI)

• ደህንነቱ የተጠበቀ የውጤት ማጣሪያ

ይህ ሁሉ ወደ ዋናው ነገር ይመለሳሉ፡- “AI በመስመር ላይ የሚስተናገድ” ብቻ አይደለም። በእውነተኛ ገደቦች ስር የሚሰራ AI ነው።.

---

የወጪ እና የአፈጻጸም ምክሮች (ስለዚህ በኋላ እንዳያለቅሱ) 💸😵💫

ጥቂት የተፈተኑ ምክሮች፡-

• ፍላጎቱን የሚያሟላ ትንሹን ሞዴል ተጠቀም፤
  ትልቅ ሁልጊዜ የተሻለ አይደለም። አንዳንድ ጊዜ… ትልቅ ይሆናል።

• በተቻለ መጠን የቡድን መደምደሚያ
  ርካሽ እና የበለጠ ቀልጣፋ የሳጅሜከር የባች ትራንስፎርም ።

• 
  በተለይ ለተደጋጋሚ ጥያቄዎች እና ኢንክሪፕሽን በጠንካራ ሁኔታ መሸጎጫ ያድርጉ

• በራስ-ሰር ማመጣጠን፣ ግን መዝጋት
  ያልተገደበ ማመጣጠን ያልተገደበ ወጪን ሊያመለክት ይችላል ኩበርኔቶች፡ አግድም ፖድ ራስ-ማመጣጠን ። እንዴት እንደማውቅ ጠይቁኝ… እውነቱን ለመናገር፣ አታድርጉት 😬

• በእያንዳንዱ የመጨረሻ ነጥብ እና በአንድ ባህሪ ላይ ያለውን ወጪ ይከታተሉ።
  አለበለዚያ የተሳሳተውን ነገር ያመቻቹታል።

• ለስልጠና ስፖት-ፕሪኤምቲብል ኮምፒውትን ይጠቀሙ
  የስልጠና ስራዎችዎ መቆራረጦችን መቋቋም የሚችሉ ከሆነ በጣም ጥሩ ቁጠባ Amazon EC2 Spot Instances Google Cloud Preemptible VMs ።

---

ሰዎች የሚፈጽሟቸው ስህተቶች (ብልጥ ቡድኖችም ጭምር) 🤦♂️

• የደመና AIን እንደ “ሞዴል ብቻ ይሰኩ” አድርጎ መመልከት

• የውሂብ ጥራትን እስከ መጨረሻው ደቂቃ ድረስ ችላ ማለት

• የSageMaker Model Monitor ን ሳይከታተል ሞዴል መላክ

• እንደገና ለማሰልጠን እቅድ የለም ፡ MLOps ምንድን ነው?

• የደህንነት ቡድኖች እስከ ጅማሬ ሳምንት ድረስ መኖራቸውን መዘንጋት 😬

• ከመጀመሪያው ቀን ጀምሮ ከመጠን በላይ ምህንድስና (አንዳንድ ጊዜ ቀላል የመነሻ መስመር ያሸንፋል)

እንዲሁም፣ በጸጥታ ጭካኔ የተሞላበት፡ ቡድኖች ተጠቃሚዎች መዘግየትን ምን ያህል እንደሚጠሉ አቅልለው ይመለከቱታል። ትንሽ ትክክለኛ ያልሆነ ግን ፈጣን ሞዴል ብዙውን ጊዜ ያሸንፋል። ሰዎች ትዕግስት የሌላቸው ትናንሽ ተዓምራት ናቸው።.

---

ቁልፍ ነጥቦች 🧾✅

በደመና ኮምፒውቲንግ ውስጥ ያለው AI በደመና መሠረተ ልማት በመጠቀም የ AI ግንባታ እና የማስኬድ ሙሉ ልምምድ ነው - ስልጠናን ማሳነስ፣ ማሰማራትን ቀላል ማድረግ፣ የውሂብ ቧንቧዎችን ማዋሃድ እና ሞዴሎችን ከ MLOps፣ ደህንነት እና አስተዳደር ጋር ኦፕሬቲንግ ማድረግ Google Cloud: MLOps ምንድን ነው? NIST SP 800-145 ።

ፈጣን ማጠቃለያ፡

• ክላውድ ለ AI መስፋፋትና ለመላክ የሚያስችል መሠረተ ልማት ይሰጣል 🚀 NIST SP 800-145

• AI ውሳኔዎችን በራስ-ሰር የሚያደርጉ የደመና ጭነቶችን "አንጎል" ይሰጣል 🤖

• አስማቱ ስልጠና ብቻ አይደለም - ማሰማራት፣ ክትትል እና አስተዳደር ነው 🧠🔐 የሳጅሜከር ሞዴል ሞኒተር

• በግብይት ጭጋግ ላይ ሳይሆን በቡድን ፍላጎቶች ላይ በመመስረት መድረኮችን ይምረጡ 📌

• የሰዓት ወጪዎች እና ኦፕሽን ልክ እንደ ጭልፊት መነጽር አድርጎ 🦅👓 (መጥፎ ዘይቤ፣ ግን ተረድተኸዋል)

"በደመና ኮምፒውቲንግ ውስጥ ያለው AI ሞዴል ኤፒአይ ብቻ ነው" ብለህ እዚህ ከመጣህ - ሙሉ ሥነ-ምህዳር ነው። አንዳንድ ጊዜ የሚያምር፣ አንዳንድ ጊዜ ግርግር የሚፈጥር፣ አንዳንድ ጊዜ ሁለቱም በተመሳሳይ ከሰዓት 😅☁️

ተደጋጋሚ ጥያቄዎች

"በደመና ኮምፒውቲንግ ውስጥ ያለው AI" በዕለት ተዕለት አነጋገር ምን ማለት ነው?

በደመና ኮምፒውቲንግ ውስጥ ያለው AI ማለት ውሂብ ለማከማቸት፣ ኮምፒውቲንግ (ሲፒዩዎች/ጂፒዩዎች/ቲፒዩዎች) ለማንቀሳቀስ፣ ሞዴሎችን ለማሰልጠን፣ ለማሰማራት እና ለመከታተል የደመና መድረኮችን መጠቀም ማለት ነው - ሃርድዌር ሳይዙ። በተግባር፣ ደመናው የእርስዎ ሙሉ የAI የህይወት ዑደት የሚሄድበት ቦታ ይሆናል። የሚያስፈልግዎትን ሲፈልጉት ይከራያሉ፣ ከዚያም ሲጨርሱ ይቀንሱ።.

የ AI ፕሮጀክቶች ያለ ደመና አይነት መሠረተ ልማት እና MLOps ለምን ይከሽፋሉ?

አብዛኛዎቹ ውድቀቶች የሚከሰቱት በሞዴሉ ዙሪያ ነው፣ በውስጡ አይደለም፡ ወጥነት የሌለው መረጃ፣ ያልተጣጣሙ አካባቢዎች፣ ደካማ ማሰማራት እና ክትትል የለም። የደመና መሳሪያዎች ሞዴሎች “በላፕቶጼ ላይ ሰርቷል” በሚለው ላይ እንዳይጣበቁ ማከማቻ፣ ስሌት እና የማሰማራት ቅጦችን መደበኛ ለማድረግ ይረዳል። MLOps የጎደለውን ማጣበቂያ ያክላል፡ ክትትል፣ መዝገቦች፣ የቧንቧ መስመሮች እና መልሶ ማገገሚያ ስርዓቱ እንደገና ሊሰራ እና ሊጠበቅ የሚችል ሆኖ እንዲቆይ።.

በደመና ኮምፒውቲንግ ውስጥ ለAI የተለመደው የስራ ፍሰት፣ ከውሂብ እስከ ምርት

የተለመደው ፍሰት የሚከተለው ነው፡ ዳታ በደመና ማከማቻ ውስጥ ይወድቃል፣ ወደ ባህሪያት ይቀየራል፣ ከዚያም ሞዴሎች በሚዛናዊ ስሌት ላይ ይሰለጥናሉ። በመቀጠል፣ በኤፒአይ የመጨረሻ ነጥብ፣ በባች ስራ፣ በአገልጋይ አልባ ማዋቀር ወይም በኩበርኔትስ አገልግሎት በኩል ያሰማራሉ። በመጨረሻም፣ መዘግየትን፣ መንሸራተትን እና ወጪን ይከታተላሉ፣ ከዚያም እንደገና ስልጠና እና ደህንነቱ በተጠበቀ ማሰማራት ይደገማሉ። አብዛኛዎቹ እውነተኛ የቧንቧ መስመሮች አንድ ጊዜ ከመላኪያ ይልቅ ያለማቋረጥ ይሽከረከራሉ።.

በ SageMaker፣ Vertex AI፣ Azure ML፣ Databricks እና Kubernetes መካከል መምረጥ

በቡድንዎ እውነታ ላይ በመመስረት ይምረጡ፣ “ምርጥ መድረክ” የግብይት ጫጫታ አይደለም። የሚተዳደሩ የML መድረኮች (SageMaker/Vertex AI/Azure ML) በስልጠና ስራዎች፣ የመጨረሻ ነጥቦች፣ መዝገቦች እና ክትትል አማካኝነት የአሠራር ራስ ምታትን ይቀንሳሉ። የዳታ ጡቦች ብዙውን ጊዜ ML ወደ ቧንቧዎች እና ትንታኔዎች ቅርብ እንዲሆን የሚፈልጉ የውሂብ ምህንድስና-ከባድ ቡድኖችን ይገጥማሉ። Kubernetes ከፍተኛ ቁጥጥር እና ማበጀት ይሰጣል፣ ነገር ግን ነገሮች ሲበላሹ አስተማማኝነት፣ የማሳደግ ፖሊሲዎች እና ማረም እርስዎም ባለቤት ነዎት።.

ዛሬ በAI የደመና ቅንብሮች ውስጥ በብዛት የሚታዩ የስነ-ህንፃ ቅጦች

አራት ቅጦችን ያለማቋረጥ ያያሉ፡ ለፍጥነት የሚተዳደሩ የML መድረኮች፣ ለመረጃ-መጀመሪያ ኦርጎች የሌክ ሃውስ + ML፣ ለቁጥጥር በኩበርኔቶች ላይ ኮንቴይነር የተደረገበት ML እና “ውስጣዊ እውቀታችንን ደህንነቱ በተጠበቀ ሁኔታ ተጠቀም” RAG (የማግኛ-የተጨመረ ትውልድ)። RAG ብዙውን ጊዜ በደመና ማከማቻ ውስጥ ሰነዶችን፣ መክተቶችን + የቬክተር ማከማቻን፣ የማግኛ ንብርብር እና ከሎግ ጋር የመዳረሻ መቆጣጠሪያዎችን ያካትታል። የሚመርጡት ንድፍ ከአስተዳደርዎ እና ከኦፕሽን ብስለትዎ ጋር መዛመድ አለበት።.

ቡድኖች የደመና AI ሞዴሎችን እንዴት እንደሚያሰማሩ፦ የREST APIs፣ የባች ስራዎች፣ አገልጋይ አልባ ወይም Kubernetes

የምርት መዘግየት አስፈላጊ በሚሆንበት ጊዜ የREST APIዎች በእውነተኛ ጊዜ ትንበያዎች የተለመዱ ናቸው። የባች ግምት ለተያዘለት ውጤት እና ለወጪ ቅልጥፍና በጣም ጥሩ ነው፣ በተለይም ውጤቶች ፈጣን መሆን በማይፈልጉበት ጊዜ። አገልጋይ-አልባ የመጨረሻ ነጥቦች ለተጨናነቀ ትራፊክ በጥሩ ሁኔታ ሊሰሩ ይችላሉ፣ ነገር ግን ቀዝቃዛ ጅምር እና መዘግየት ትኩረት ያስፈልጋቸዋል። በጥሩ ሁኔታ የተስተካከለ ልኬት እና ከመድረክ መሳሪያዎች ጋር ውህደት ሲፈልጉ Kubernetes ተስማሚ ነው፣ ነገር ግን የአሠራር ውስብስብነትን ይጨምራል።.

የ AI ስርዓቶችን ጤናማ ለማድረግ በምርት ውስጥ ምን መከታተል እንዳለበት

ቢያንስ፣ የክትትል መዘግየትን፣ የስህተት መጠኖችን እና በአንድ ትንበያ የሚወጣውን ወጪ ይከታተሉ፣ ስለዚህ አስተማማኝነት እና በጀት በግልጽ ይታያሉ። በኤምኤል በኩል፣ በሞዴሉ ስር እውነታው ሲለወጥ ለማየት የውሂብ መንሸራተትን እና የአፈጻጸም መንሸራተትን ይከታተሉ። በተለይም ተጠቃሚዎች በፈጠራ ተቃዋሚ ሊሆኑ በሚችሉባቸው የጄኔሬቲቭ አጠቃቀም ጉዳዮች ላይ የምዝግብ ማስታወሻ መያዣዎች እና መጥፎ ውጤቶችም አስፈላጊ ናቸው። ጥሩ ክትትል ሞዴሎች ወደ ኋላ ሲመለሱ የመልስ መልሶ ማግኛ ውሳኔዎችን ይደግፋል።.

ያለ ታንክ አፈፃፀም የደመና AI ወጪዎችን መቀነስ

የተለመደው አካሄድ መስፈርቱን የሚያሟላ ትንሹን ሞዴል መጠቀም ሲሆን ከዚያም በባችቲንግ እና በመሸጎጫ አማካኝነት መደምደሚያ ማመቻቸት ነው። አውቶስኬሊንግ ይረዳል፣ ነገር ግን “ላስቲክ” “ያልተገደበ ወጪ” እንዳይሆን ካፒታል ያስፈልገዋል። ለስልጠና፣ ስራዎችዎ መቆራረጦችን የሚቋቋሙ ከሆነ ስፖት/ፕሪምፕቲብል ኮምፒውቲ ብዙ ሊቆጥብ ይችላል። በእያንዳንዱ የመጨረሻ ነጥብ እና በእያንዳንዱ ባህሪ የሚወጣውን ወጪ መከታተል የስርዓቱን የተሳሳተ ክፍል ከማመቻቸት ይከለክላል።.

በደመና ውስጥ ከ AI ጋር ትልቁ የደህንነት እና የተገዢነት አደጋዎች

ትልቁ አደጋዎቹ ቁጥጥር ያልተደረገበት የውሂብ መዳረሻ፣ ደካማ የሚስጥር አስተዳደር እና ማን ምን እንዳሰለጠነ እና ምን እንዳሰማራ የሚገልጽ የኦዲት ዱካዎች ናቸው። ጀነሬቲቭ AI እንደ ፈጣን መርፌ፣ ደህንነቱ ያልተጠበቀ ውጤት እና በሎጎች ውስጥ የሚታዩ ሚስጥራዊ መረጃዎች ያሉ ተጨማሪ ራስ ምታትን ይጨምራል። ብዙ የቧንቧ መስመሮች የአካባቢ ማግለል (dev/staging/prod) እና ለጥያቄዎች፣ ውጤቶቹ እና ለማጣቀሻ ምዝግብ ግልጽ ፖሊሲዎች ያስፈልጋቸዋል። በጣም አስተማማኝ የሆኑት ቅንብሮች አስተዳደርን እንደ ዋና የስርዓት መስፈርት አድርገው ይቆጥሩታል፣ እንደ ጅምር ሳምንት ጥገና አይደለም።.

ማጣቀሻዎች

1. ብሔራዊ የደረጃዎች እና የቴክኖሎጂ ተቋም (NIST) - SP 800-145 (የመጨረሻ) - csrc.nist.gov

2. ጉግል ክላውድ - ጂፒዩዎች ለAI - cloud.google.com

3. የጉግል ክላውድ - የደመና TPU ሰነድ - docs.cloud.google.com

4. የአማዞን ድር አገልግሎቶች (AWS) - Amazon S3 (የነገር ማከማቻ) - aws.amazon.com

5. የአማዞን የድር አገልግሎቶች (AWS) - የውሂብ ሐይቅ ምንድን ነው? - aws.amazon.com

6. የአማዞን ድር አገልግሎቶች (AWS) - የውሂብ መጋዘን ምንድን ነው? - aws.amazon.com

7. የአማዞን ድር አገልግሎቶች (AWS) - የAWS የAI አገልግሎቶች - aws.amazon.com

8. Google Cloud - የGoogle Cloud AI APIs - cloud.google.com

9. ጉግል ክላውድ - MLOps ምንድን ነው? - cloud.google.com

10. ጉግል ክላውድ - የቨርቴክስ ኤአይ ሞዴል መዝገብ ቤት (መግቢያ) - docs.cloud.google.com

11. ሬድ ሃት - የREST API ምንድን ነው? - redhat.com

12. የአማዞን ድር አገልግሎቶች (AWS) ሰነድ - የSageMaker ባች ትራንስፎርም - docs.aws.amazon.com

13. የአማዞን ድር አገልግሎቶች (AWS) - የውሂብ መጋዘን ከመረጃ ሌክ ከመረጃ ማርት - aws.amazon.com

14. የማይክሮሶፍት ለርን - የ Azure ML ሬጅስትሪ (MLOps) - learn.microsoft.com

15. የጉግል ክላውድ - የጉግል ክላውድ ማከማቻ አጠቃላይ እይታ - docs.cloud.google.com

16. arXiv - የማግኛ-የተጨመረ ትውልድ (RAG) ወረቀት - arxiv.org

17. የአማዞን ድር አገልግሎቶች (AWS) ሰነድ - የSageMaker Serverless Inference - docs.aws.amazon.com

18. Kubernetes - Horizontal Pod Autoscaling - kubernetes.io

19. የጉግል ክላውድ - የቨርቴክስ AI ባች ትንበያዎች - docs.cloud.google.com

20. የአማዞን ድር አገልግሎቶች (AWS) ሰነድ - የSageMaker ሞዴል ሞኒተር - docs.aws.amazon.com

21. ጉግል ክላውድ - የቨርቴክስ ኤአይ ሞዴል ክትትል (የሞዴል ክትትልን በመጠቀም) - docs.cloud.google.com

22. የአማዞን ድር አገልግሎቶች (AWS) - የአማዞን EC2 ስፖት ኢንስታሌሽንስ - aws.amazon.com

23. ጉግል ክላውድ - ቅድመ-ቅምጥ ቪኤምዎች - docs.cloud.google.com

24. የአማዞን ድር አገልግሎቶች (AWS) ሰነድ - AWS SageMaker: እንዴት እንደሚሰራ (ስልጠና) - docs.aws.amazon.com

25. ጉግል ክላውድ - ጉግል ቨርቴክስ ኤአይ - cloud.google.com

26. ማይክሮሶፍት አዙር - አዙር ማሽን መማሪያ - azure.microsoft.com

27. ዳታብሎች - ዳታብሎች ሌክሃውስ - databricks.com

28. የበረዶ ቅንጣት ሰነድ - የበረዶ ቅንጣት AI ባህሪያት (የአጠቃላይ መመሪያ) - docs.snowflake.com

29. IBM - IBM watsonx - ibm.com

30. የጉግል ክላውድ - የደመና የተፈጥሮ ቋንቋ ኤፒአይ ሰነድ - docs.cloud.google.com

31. የበረዶ ቅንጣት ሰነድ - የበረዶ ቅንጣት ኮርቴክስ የAI ተግባራት (AI SQL) - docs.snowflake.com

32. MLflow - MLflow Tracking - mlflow.org

33. MLflow - MLflow ሞዴል መዝገብ ቤት - mlflow.org

34. ጉግል ክላውድ - MLOps፡ በማሽን መማሪያ ውስጥ ቀጣይነት ያለው የማድረስ እና አውቶሜሽን ቧንቧዎች - cloud.google.com

35. የአማዞን ድር አገልግሎቶች (AWS) - የSageMaker የባህሪ መደብር - aws.amazon.com

36. IBM - IBM watsonx.governance - ibm.com

የቅርብ ጊዜውን የ AI ኦፊሴላዊ የ AI ረዳት መደብር ያግኙ

ስለ እኛ