Jak firmy przejmują kontrolę nad danymi do rozwoju AI na wielką skalę

Firmy przejmują kontrolę nad własnymi danymi, aby dostosować sztuczną inteligencję do swoich potrzeb. Wyzwaniem jest znalezienie równowagi między posiadaniem danych a bezpiecznym przepływem wysokiej jakości informacji niezbędnych do generowania wiarygodnych analiz. Ta dyskusja z konferencji EmTech AI organizowanej przez MIT Technology Review analizuje, jak fabryki AI odblokowują nowe poziomy skali, zrównoważoności i zarządzania.

Rozmowa skupia się na pozycjonowaniu kontroli nad danymi jako strategicznego imperatywu dla rządów i przedsiębiorstw, którzy budują bezpieczne, skalowalne możliwości AI na poziomie krajowym i korporacyjnym.

Kluczowe wnioski

• Kontrola nad danymi staje się strategicznym imperatywem dla rządów i przedsiębiorstw rozwijających rozwiązania AI.
• Fabryki AI umożliwiają osiągnięcie nowych poziomów skalowalności, zrównoważoności i zarządzania w rozwoju sztucznej inteligencji.
• Głównym wyzwaniem jest równoważenie własności danych z bezpiecznym przepływem wysokiej jakości informacji.
• Rozwiązania obejmują zarówno krajowe, jak i korporacyjne możliwości AI o charakterze bezpiecznym i skalowalnym.
• HPE rozwija globalną strategię dla rozwiązań AI Factory i Suwerennej AI we współpracy z rządami i instytucjami badawczymi.

Eksperci i ich doświadczenie

Chris Davidson, wiceprezes HPE ds. rozwiązań HPC i AI dla klientów, kieruje globalną strategią firmy dla rozwiązań AI Factory i Suwerennej AI. Współpracuje z rządami, przedsiębiorstwami i instytucjami badawczymi przy budowaniu bezpiecznych, skalowalnych możliwości AI na poziomie krajowym i korporacyjnym.

Davidson odpowiada również za zarządzanie produktami i inżynierię wydajności w portfolio HPC i AI firmy HPE, w tym platformy do trenowania dużych modeli i systemy Cray exascale. Podczas dziewięciu lat pracy w HPE kierował kluczowymi inicjatywami w zakresie inżynierii wydajności, chmury AI i usług profesjonalnych.

Perspektywa badawcza

Arjun Shankar, dyrektor dywizji Narodowego Centrum Nauki Obliczeniowej w Oak Ridge National Laboratory, wnosi perspektywę naukową do dyskusji. Jego badania koncentrują się na interdyscyplinarnym moscie między informatyką a wielkoskalowymi kampaniami odkryć naukowych, które opierają się na skalowalnych obliczeniach i nauce o danych. Shankar jest również wykładowcą w Bredesen Center na Uniwersytecie Tennessee oraz starszym członkiem IEEE i ACM.

Dyskusja podkreśla znaczenie połączenia akademickiej ekspertyzy z przemysłowymi rozwiązaniami w celu skutecznego wdrażania AI na dużą skalę przy zachowaniu suwerenności danych.