Image Source: Getty
आजच्या जगात कृत्रिम बुद्धिमत्तेचा (AI) व्यापक लाभ मिळवण्यासाठी केवळ संशोधनावर भर न देता, त्याच्या अंमलबजावणीत येणाऱ्या त्रुटी दूर करण्यावर लक्ष केंद्रित करणे आवश्यक आहे. यासाठी अशा संसाधनांची गरज आहे, जे उपायांची मागणी पूर्ण करू शकतील आणि वास्तविक जगात AI च्या प्रभावी अंमलबजावणीस मदत करू शकतील. या संसाधनांमध्ये संगणकीय क्षमतेचा समावेश तर असलाच पाहिजे, पण तांत्रिक कौशल्ये आणि सार्वजनिकरित्या उपलब्ध साधने देखील आवश्यक आहेत, जी प्रगत संशोधनाच्या व्यावहारिक उपयोगात हातभार लावू शकतात. NVDIA च्या ग्राफिक्स प्रोसेसिंग युनिट (जीपीयू) आणि कॉम्प्युट युनिफाइड डिव्हाइस आर्किटेक्चर (CUDA) मुळे संगणकीय क्षेत्रात प्रवेश सुलभ झाला आहे. मात्र, पायाभूत सुविधांची प्रचंड किंमत आणि हार्डवेअरचा मर्यादित प्रवेश ही अजूनही मोठी आव्हाने आहेत, विशेषतः त्या संस्था आणि वापरकर्त्यांसाठी, ज्यांना अधिक संगणकीय शक्तीची गरज आहे.
आजच्या जगात, कृत्रिम बुद्धिमत्तेचा (AI) लाभ मिळवण्यासाठी अशा संसाधनांवर भर देण्याची आवश्यकता आहे, जे उपायांची मागणी पूर्ण करू शकतील आणि त्याच्या अंमलबजावणीतील त्रुटी दूर करण्यास सक्षम असतील. हे संसाधने वास्तविक जगात AI लागू करण्यासाठी आणि संशोधनाच्या पलीकडे जाण्यास मदत करतील.
संसाधनांच्या दृष्टिकोनातून आपण या सर्व आव्हानांवर मात करण्यात यशस्वी झालो, तरी या संसाधनांचा वापर कसा केला जातो, हा आणखी एक महत्त्वाचा मुद्दा विचारात घ्यायला हवा. अंमलबजावणीतील तफावत भरून काढण्यासाठी पावले उचलण्याबरोबरच अभियंत्यांनी 'डेटा टू इनसाइट' कालमर्यादेतील त्रुटींवरही लक्ष केंद्रित करण्याची गरज आहे. ही पाईपलाईन एक बहुआयामी आव्हान आहे, ज्यामध्ये डेटा सायन्स टीम, अंमलबजावणी करणारे अभियंते आणि या प्रयत्नांना सर्व संघ व प्रकल्प स्वरूपांशी जोडण्यासह विविध त्रुटींचा समावेश आहे. एज आणि क्लाऊड कॉम्प्युटिंगमधील योग्य संतुलन साधून, साधने आणि प्रक्रिया सुलभ करून आणि मॉडेलच्या देखभालीवर अधिक लक्ष केंद्रित करूनच जगभरात AI चा व्यापक स्वीकार शक्य होईल.
चाकाची पुनर्रचना करणे थांबवा; त्याला इंजिन जोडा
Image source: Well-Architected machine learning lifecycle | AWS
कृत्रिम बुद्धिमत्तेची अचूकता, वेग आणि संरचनेबाबत तज्ज्ञ सतत चर्चा करतात. मात्र, समुदायांनी या मानकांच्या पलीकडे पाहून, डेटाच्या आधारे संबंधित क्षेत्रांमध्ये AIच्या अनुप्रयोगांचे मूल्यांकन करणे आवश्यक आहे. अंमलबजावणीच्या दृष्टीने, वेग, पुनरावृत्ती आणि देखभाल हे मोठ्या प्रमाणावर AI तैनात करण्यासाठी महत्त्वाचे घटक आहेत. हे आव्हान केवळ एका मॉडेलची कामगिरी दुसऱ्याच्या तुलनेत किती चांगली आहे यापुरते मर्यादित नसून, संपूर्ण मशीन लर्निंग (एमएल) जीवनचक्रात अनेक स्तरांवर कार्यरत असलेल्या तज्ज्ञांच्या समन्वयावर अवलंबून असते.
डेटा शास्त्रज्ञ सर्वात अचूक मॉडेल विकसित करण्यावर भर देतात. एमएल अभियंते त्या मॉडेल्सचे ऑप्टिमायझेशन आणि सुरक्षितता सुनिश्चित करतात. हार्डवेअर अभियंते विविध हार्डवेअर प्लॅटफॉर्मवर ते मॉडेल कार्यक्षमतेने बसवण्यावर लक्ष केंद्रित करतात, तर सॉफ्टवेअर अभियंते शेवटच्या वापरकर्त्यासाठी त्याचा वापर सोपा आणि सुलभ होईल याची काळजी घेतात. या प्रत्येक गटाची स्वतःची प्राथमिकता असल्याने, इतर घटकांकडे दुर्लक्ष होऊ शकते आणि परिणामी, उपायांच्या विकासादरम्यान समस्या वाढण्याची शक्यता असते.
आज संगणकीय आणि ऊर्जेची वाढती मागणी नव्या उंचीवर पोहोचत असताना, केवळ क्लाउड केंद्रित दृष्टिकोनावर अवलंबून न राहता पर्यायी संधींचा विचार करणे अत्यावश्यक झाले आहे.
संसाधनांचे प्रमाण कितीही असले तरी, AI तज्ज्ञ आणि अभियंत्यांनी मशीन लर्निंग पाईपलाईनसाठी ‘सामायिक मानके’ निश्चित करण्यावर भर द्यायला हवा, जेणेकरून ती प्रक्रिया अधिक स्वयंचलित, वेगवान आणि आवश्यकतेनुसार अधिक प्रभावी बनू शकेल.यासाठी पायाभूत सुविधांशी संबंधित मूलभूत प्रश्न सोडवणे हे प्राथमिक आव्हान असेल, कारण यावरच भविष्यातील AI प्रगतीचा मजबूत पाया उभा राहणार आहे.
मूलभूत पायाभूत सुविधांची मागणी आणि सतत वाढणारा डेटा प्रवाह
Image Source: Computation Used to Train Notable AI Systems | Our World In Data
मूलभूत पायाभूत सुविधांची मागणी आणि सतत वाढणारा डेटा प्रवाह हे आर्टिफिशियल इंटेलिजन्सशी संबंधित प्रत्येकासाठी ‘काहीतरी मोठे पणाला लावण्यासारखे’ आहे. परिभाषित पायाभूत सुविधा आणि स्पष्टपणे ठरवलेली पाइपलाइन नसल्यामुळे, कोणत्याही AI मॉडेलचे प्रशिक्षण आणि अंमलबजावणी अधिक आव्हानात्मक ठरते. गूगलच्या संशोधनातून स्पष्ट झाले आहे की AI च्या मूलभूत पायाभूत सुविधांवरील चर्चा प्रामुख्याने क्लाउड-आधारित उपायांवर केंद्रित असते. मात्र, प्रश्न असा आहे की, ज्या वापरकर्त्यांकडे उच्च क्षमतेचे संगणकीय साधन नाही, त्यांचे काय?
आज संगणकीय आणि ऊर्जेची मागणी नवनवीन उंची गाठत असताना, केवळ क्लाउड केंद्रित (क्लाउड) दृष्टिकोनावर अवलंबून न राहता पर्यायी संधी शोधण्याची गरज निर्माण झाली आहे. उच्च-स्तरीय संगणक प्रशिक्षणाचा दबाव कमी करण्यास मदत करतो, मात्र प्रत्येक अनुप्रयोगासाठी अमर्यादित संगणकीय संसाधनांची गरज नसते. अशा परिस्थितीत हार्डवेअरच्या ‘धारे’चा (Edge Computing) मोठा फायदा होऊ शकतो. उदाहरणार्थ, एज कॉम्प्युटिंगमुळे अनेक अनुप्रयोग स्थानिक पातळीवर मर्यादित संसाधनांमध्ये गणना करू शकतात. यामुळे कार्बन उत्सर्जन कमी होऊ शकते, नेटवर्क बँडविड्थवरील अवलंबित्व घटू शकते, डेटा सुरक्षा सुधारू शकते आणि एंड-टू-एंड अनुप्रयोग अधिक प्रभावी होऊ शकतात. क्लाउड आणि एज कॉम्प्युटिंग यांच्या एकत्रित वापरामुळे AI कार्यभार विविध प्रणालींमध्ये वितरित करता येतो, परिणामी क्लाउडवरील अवलंबित्व कमी होते. या संकल्पनेला ‘एज कॉन्टिन्युअम’ असे म्हटले जाते. संगणक उद्योगासाठी ही संकल्पना नवीन नाही, मात्र पायाभूत सुविधांच्या दृष्टीने एज कॉम्प्युटिंगमुळे निर्माण होणारी आव्हाने गंभीर चर्चेचा विषय ठरतात. जर आपण एज AI चे फायदे स्वीकारले, तर महत्त्वाचा प्रश्न असा आहे की त्याचा जास्तीत जास्त उपयोग करण्याच्या मार्गात कोणते अडथळे आहेत? क्लाउडमध्ये उपलब्ध असलेल्या विकासाच्या सोयीसुविधा किमान सध्यातरी एज कॉम्प्युटिंगमध्ये त्या प्रमाणात उपलब्ध नाहीत, ही मोठी मर्यादा आहे.
संमिश्र दृष्टिकोन अवलंबल्यास, प्रणाली आपल्या संगणकीय मागण्यांचे ओझे अधिक प्रभावीपणे वाटून घेऊ शकते. उदाहरणार्थ, लहान आणि कमी शक्तिशाली उपकरणांचा वापर केल्याने इतर प्रणालींमध्ये पाठवला जाणारा डेटा फिल्टर केला जाऊ शकतो, परिणामी संपूर्ण प्रणालीवरील लोड कमी होतो. मूलभूत पायाभूत सुविधांची मागणी पूर्ण करण्यासाठी आणि संसाधनांवरील ताण कमी करण्यासाठी, हायब्रीड संगणकीय पद्धती अधिक परिणामकारक ठरू शकते.
हार्डवेअरचे विविध प्रकार
Image Source: Platform Overview | Latent AI
वर उल्लेख केल्याप्रमाणे, एज कंटीन्यूअम सातत्यपूर्ण अनुभव क्लाउड इतका एकसंध नसतो. क्लाउड कॉम्प्युटिंगचा एक महत्त्वाचा फायदा म्हणजे क्लाउड सेवा प्रदात्यांद्वारे उपलब्ध करून दिलेल्या साधनांच्या मदतीने त्याचे वितरण, अंमलबजावणी आणि व्यवस्थापन सुलभ होते. तथापि, क्लाउडव्यतिरिक्त इतर प्रणाली स्वीकारल्यास अधिक गुंतागुंत निर्माण होते. उदाहरणार्थ, यासाठी विविध हार्डवेअर विक्रेत्यांकडून वेगवेगळ्या उपकरणांमधून निवड करावी लागते. हे विक्रेते मोठ्या संगणकीय प्रणालींसह दुर्गम भागांमध्ये कार्यान्वित होऊ शकणाऱ्या लहान उपकरणांच्या स्वरूपातही संसाधने प्रदान करतात. प्रत्येक विक्रेत्याकडे स्वतःचे विशिष्ट तंत्रज्ञान असते आणि प्रत्येक प्लॅटफॉर्मवर त्याची अंमलबजावणी कशी करावी, हे समजून घेण्यासाठी वेळ आणि संसाधने गुंतवावी लागतात.
इतकेच नव्हे, तर प्रत्येक हार्डवेअर प्लॅटफॉर्म विविध त्वरण ग्रंथालये देखील प्रदान करू शकतो. याचा अर्थ असा की मॉडेलसाठी सर्वोत्तम मानक निश्चित करणे आणि त्यांची प्रभावी अंमलबजावणी करण्यासाठी योग्य सेटिंग्ज शोधणे अधिक वेळ आणि प्रयत्नांची मागणी करू शकते. सर्वच मॉडेल्स परिमाणीकरणाचा लाभ घेत नाहीत, तसेच प्रत्येक मॉडेलला त्वरण ग्रंथालयांचा (उदाहरणार्थ, एनव्हीआयडीआयए उपकरणांसाठी टेन्सरआरटी) फायदा होईलच असे नाही. याचा विचार अशा प्रकारे करता येईल: कोणत्याही उपायाची ताकद, आकार आणि कार्यक्षमता या तीनही घटकांमध्ये सतत संतुलन साधण्याची गरज असते. उदाहरणार्थ, वेगवान अनुमान (inference) मिळवण्यासाठी एखाद्याला ऊर्जेचा वापर आणि मेमरीची क्षमता यामध्ये तडजोड करावी लागू शकते. कमी मेमरी वापरल्याने अनुमानाचा वेग कमी होऊ शकतो, परंतु त्यामुळे विजेची बचतही होऊ शकते. काही उपाय वेगापेक्षा अचूकतेला अधिक महत्त्व देतात आणि ते अनुमान गतीच्या तुलनेत अधिक प्राधान्याने पाहिले जातात. त्याचवेळी, वेगवान अनुमानाला प्राधान्य देणाऱ्या उपायांमुळे ऊर्जेचा वापर कमी होऊन कार्बन उत्सर्जनही घटू शकते. त्यामुळे, योग्य संतुलन साधणे हे केवळ तांत्रिक आव्हान नसून, पर्यावरणीय दृष्टिकोनातूनही महत्त्वाचे ठरते.
एज कंटीन्युअम भरभराटीस येण्यासाठी, हार्डवेअर प्लॅटफॉर्म अशा साधनांशी जोडला गेला पाहिजे, जे कोणत्याही अडथळ्याशिवाय आणि हार्डवेअर प्लॅटफॉर्मचे सखोल ज्ञान नसतानाही, मॉडेलमधून हार्डवेअरचा जास्तीत जास्त उपयोग करू शकतील.
एज कंटीन्युअम भरभराटीस येण्यासाठी, हार्डवेअर प्लॅटफॉर्म अशा साधनांशी जोडला गेला पाहिजे, जे कोणत्याही अडथळ्याशिवाय आणि हार्डवेअर प्लॅटफॉर्मचे सखोल ज्ञान नसतानाही, मॉडेलमधून हार्डवेअरचा जास्तीत जास्त उपयोग करू शकतील. विकासकांनी अनुमान पाईपलाईन ट्यून करण्याची किंवा ऑप्टिमायझेशनच्या गुंतागुंतीची चिंता करण्याची आवश्यकता नसावी. यामुळे त्यांना मुख्यतः अनुप्रयोग आणि त्याच्या सोल्यूशनच्या डिझाइनवर अधिक लक्ष केंद्रित करण्याची संधी मिळेल.
मानक पॅकेजिंग इंटरफेससह विविध हार्डवेअर प्लॅटफॉर्म सहज जोडू शकणाऱ्या साधनांचेही मोठे महत्त्व आहे. त्यामुळे, एकसंध आणि कार्यक्षम प्रणाली तयार करणे अधिक सोपे होईल.
कॉम्प्युटिंग आणि कार्बन उत्सर्जन
हार्डवेअरची प्रचंड संख्या आणि डिझाइनशी संबंधित असंख्य निर्णय लक्षात घेतले असता, विकासक अन्वेषणादरम्यान मोठा कालावधी मॉडेल्सच्या पुनर्प्रशिक्षण आणि मूल्यांकनामध्ये घालवतात. मोठ्या टीमसह कार्य करत असतानाही, योग्य मॉडेल्स आणि उपाय निवडण्याची संधी बहुतेक वेळा संघातील काही विशिष्ट सदस्यांपुरतीच मर्यादित राहते. याशिवाय, वेगवेगळ्या हार्डवेअर प्लॅटफॉर्मवर ही मॉडेल्स कार्यरत ठेवण्याचे आव्हानदेखील डेव्हलपर्ससमोर असते. हे त्यांच्या सोल्यूशन्सना अंतिम स्वरूप देण्यापूर्वी त्यांना तांत्रिक गुंतागुंतीचा आणखी एक थर पार करावा लागतो, त्यामुळे या प्रक्रियेतील आव्हाने अधिकच वाढतात.
आर्टिफिशियल इंटेलिजन्सच्या मोठ्या प्रमाणावर अंमलबजावणीसाठी तोडगा काढणे म्हणजे अर्धी लढाई जिंकण्यासारखे आहे. हे समाधान टिकाऊ असावे आणि इतर उपायांसोबत सहज वापरता यावे, विशेषतः वेगवेगळ्या डेटा संचांसह. मूलभूत पायाभूत सुविधा आणि साधने विकसित करताना, त्यांचे सुलभ पुनरुत्पादन आणि वापराचे आकलन सहज होईल, याचीही खात्री असायला हवी. प्रयोग करण्याची प्रक्रिया अशा पद्धतीने रचली पाहिजे की कोडमधील सेटिंग्ज बदलण्याची आवश्यकता न पडता, कोणत्याही मॉडेलच्या संदर्भात फक्त डायल आणि नॉब फिरवून आवश्यक समायोजन करता येईल, जेणेकरून वेगवेगळ्या मॉडेल्समध्ये सहज बदल करता येतील.
आर्टिफिशियल इंटेलिजन्सची (AI) देखभाल
एखाद्या मॉडेलच्या देखभालीकडे दुर्लक्ष करणे म्हणजे त्याच्या कालबाह्य होण्यास कारणीभूत ठरणे. स्थिर वारसा संहितेचे युग संपले असून, AI मॉडेल्सना त्यांच्या सॉफ्टवेअरच्या सतत निरीक्षण आणि देखभालीसाठी आधुनिक दृष्टीकोन आवश्यक आहे. मॉडेल्स तैनात करताना त्यांच्या ‘आरोग्या’चा मागोवा घेणारी प्रभावी साधने विकसित करणे गरजेचे आहे. वर नमूद केल्याप्रमाणे, एज कॉन्टिन्युअममधील सर्वात मोठी आव्हाने क्लाऊड सेवा प्रदात्यांसमोर आहेत. त्यामुळे अशी साधने विकसित होणे महत्त्वाचे आहे, जी तैनात मॉडेल्सची अचूकता आणि कार्यक्षमता कायम राखण्यास मदत करतील.
ही साधने अनुप्रयोगातील बाह्य हस्तक्षेप आणि स्थिरतेचे निरीक्षण करतात, ज्यामुळे मॉडेल त्याची सर्वोत्तम कामगिरी राखू शकते आणि दीर्घकालीन कार्यक्षमतेसाठी सक्षम राहते. हे विशेषतः मर्यादित संगणकीय क्षमता, कमी संसाधने किंवा खराब नेटवर्क कनेक्टिव्हिटी असलेल्या डिव्हाइसेससाठी अत्यंत उपयुक्त ठरेल. या आव्हानांवर योग्य उपाय शोधल्यास मॉडेल्स कार्यक्षमतेने पुनर्प्रशिक्षित करणे आणि धोरणे अद्ययावत करणे शक्य होईल, परिणामी अनुप्रयोगाचे अचूक कार्य सुनिश्चित करताना संगणकीय संसाधनांची बचत होईल आणि विकासाचा वेळही कमी होईल.
आर्टिफिशियल इंटेलिजन्सच्या क्षेत्रातील प्रवेश मानके कमी केल्याने नवकल्पना आणि अभूतपूर्व प्रगतीच्या युगाची दारं खुली होऊ शकतात. मूलभूत पायाभूत सुविधांमध्ये सुधारणा केल्याने अमेरिका, भारत आणि इतर देश त्यांच्या अंमलबजावणीतील त्रुटी दूर करू शकतात आणि अशी अर्थव्यवस्था घडवू शकतात, जिथे प्रत्येकाला AI मध्ये योगदान देण्याची संधी मिळेल.
अंमलात आणलेल्या अनुप्रयोगांची देखभाल योग्य वेळी करणे आणि देखभालीदरम्यान संसाधनांची बचत करणारे तंत्रज्ञान विकसित करणे हेही तितकेच महत्त्वाचे आहे. उदाहरणार्थ, मर्यादित कनेक्टिव्हिटी असलेल्या परिसरात अशा साधनांचा वापर करून डेल्टा अपडेट्स संघटित स्वरूपात पाठवता येतात. डेल्टा अपडेट्समुळे नेटवर्कवरील भार आणि अपडेटचा आकार कमी होतो, कारण केवळ आवश्यक ते नवीन बदल डिव्हाइसवर पाठवले जातात. यामुळे संसाधनांचा कार्यक्षम वापर होतो आणि संपूर्ण प्रणाली अधिक प्रभावी आणि टिकाऊ बनते.
निष्कर्ष
आर्टिफिशियल इंटेलिजन्सच्या क्षेत्रातील प्रवेश मानके कमी केल्याने नवकल्पना आणि प्रगतीच्या अभूतपूर्व युगाची संधी निर्माण होऊ शकते. मूलभूत पायाभूत सुविधांमध्ये सुधारणा केल्यास अमेरिका, भारत आणि इतर देश त्यांच्या अंमलबजावणीतील त्रुटी दूर करून अशा अर्थव्यवस्थेला चालना देऊ शकतात, जिथे प्रत्येकाला AI मध्ये योगदान देण्याची संधी मिळेल. आर्टिफिशियल इंटेलिजन्सच्या क्षमतेचा पूर्ण उपयोग करण्यासाठी धोरणात्मक संसाधनांचे योग्य वाटप आणि प्रभावी साधने विकसित करणे आवश्यक आहे. शैक्षणिक क्षेत्र, औद्योगिक क्षेत्र, धोरणकर्ते आणि समाज यांच्यातील सहकार्याला प्रोत्साहन दिल्यास, अधिक प्रभावी उपाय शोधता येतील आणि मानवतेसमोरील मोठ्या आव्हानांना तोंड देण्यासाठी AI चा योग्य उपयोग केला जाऊ शकतो. यामुळे आर्टिफिशियल इंटेलिजन्समधील तांत्रिक प्रगतीला गती मिळेल आणि अधिक न्याय्य, सुज्ञ आणि सक्षम भविष्याचा पाया मजबूत केला जाऊ शकतो.
होन्सन ट्रान हे ऑब्झर्व्हर रिसर्च फाऊंडेशन अमेरिकेतील यूएस-इंडिया एआय फेलोशिप प्रोग्रामचा (एआयएफपी) एक भाग आहे. तो सध्या लॅटेंट एआयमध्ये डेव्हलपर एक्सपीरियन्स लीड आहे.
The views expressed above belong to the author(s). ORF research and analyses now available on Telegram! Click here to access our curated content — blogs, longforms and interviews.
PREV
