【AI Stack 101】21世紀的模仿遊戲
上一篇【AI Stack 101】文章中，我們提到了「AI Stack」這個人工智慧靈魂組成的結構要素，同時也比較了過去和現在在建構AI的過程中會遇到的不同問題。今天就讓我們來談談從電腦的計算到人工智慧機器學習的演進過程，也進一步探索AI Stack的組成以及商用的軟體如何輔助我們建置AI Stack。
模仿遊戲
圖取自電影<模仿遊戲>劇照。
電影<模仿遊戲>中描述了圖靈及其團隊在二戰分秒必爭的情況下，拋棄以往人工解密的方式轉而依賴科技，最終成功完成任務的過程。而當中也多少透露了圖靈在那個年代所擁有的展望和抱負。20世紀的模仿遊戲中，人們看見了科技未來的可能性。
21世紀的模仿遊戲中，人類能不能將其運用，互相成就？
21世紀的人工智慧已經邁向了新的里程碑。
從2011年IBM的計算機系統Watson 在智力競賽節目贏得比賽冠軍，到2016年Google Deepmind推出的AlphaGo以4:1的佳績戰勝韓國圍棋冠軍，AI 已經在不知不覺中進入我們的生活留下深刻足跡，也進一步拉開第四波工業革命的序曲。
人工智慧在21世紀能做到什麼？
人工智慧在這個時代已經於各個方面都有顯著的表現。舉例來說，每天早上解鎖手機的人臉辨識、上班途中音樂軟體自動推薦符合喜好的音樂、中午外送程式根據過往訂餐推薦的餐點，都是透過大量數據所計算出的服務。在大環境中也不乏這類的案例，近年來無論是在政府政策的制定，亦或是各企業的管理研發都逐漸引進了AI 的技術，讓人類的生活更加便利也節省了反覆嘗試的時間。
人工智慧在21世紀成為了一個不可忽視的力量。這些軟體不僅僅是推算的工具，其重要性也隨著科技的開發與日俱增。人類也因此賦予它們更高的期待，透過與AI的合作一同面對氣候變遷、環境污染和新型疾病等等議題的可能性也成為了大眾對未來AI發展的憧憬之一。
AI Stack扮演的角色 - 為這場遊戲注入靈魂
AI Stack 於此同時，扮演著每一個人工智慧背後的重要角色。Sriram Subramanian於《Modern AI Stack & AI as a Service Consumption Models》認為AI Stack包含三個部份的組成，從基礎架構 (infrastructure)、資料堆疊 (Data Stack)到 LOB (Line of Business)。其中，基礎架構指的是從底層的Compute、Data、Algorithms到ML Platform層層堆疊而成，資料堆疊則包括開發AI所需的各式Libraries、Languages、IDE、Workflow和Visualization工具，LOB則是開發出來的AI應用和服務。一個完整的AI Stack是成就AI應用必須準備的架構，這其中有很多的工作要準備和完成，才能將AI應用順利的開發到上線。
如何能妥善整合管理這些工具達成最高效益成為各大單位著重的領域。舉例來說，近年來越來越多人使用PyTorch、Tensorflow、CUDA等等來進行AI的開發，然而開發環境的配置已然成為開發者共同面對的棘手議題。不同配置的衝突經常耽誤專案的順利進行，也促使各企業爭相投注大量成本，設法著手解決。
AI-Stack 你的AI小幫手
數位無限(InfinitiesSoft)的產品AI-Stack 正是為了解決各公司的AI開發難題而生。
隨著人工智慧的發展趨勢日漸增加，大量的運算工具也成為每個企業開發AI必備的能力。以往單片GPU只能服務一個使用者，透過AI-Stack可以記憶體方式切割，讓單片GPU可以用百分比方式提供給更多使用者同時使用。AI-Stack允許使用者批次預約、申請作業，讓資源配置100%透明，GPU的利用率也大幅增長。
AI-Stack不僅僅透過共享、彈性的資源調配等等優勢讓AI設備的投資報酬率大幅成長，建置的機器學習平台(ML Platform)也內建支援多種AI框架(如Tensorflow等)，讓AI的開發環境部署流程(workflow)更加流暢。身為AI開發和落地的最佳平台，AI-Stack致力協助企業加速AI數位轉型的腳步。
於此同時，憑藉媲美AWS般方便用戶理解使用的介面、圖像化管理的設計，AI-Stack成功成為AI開發者最值得信賴的小幫手。想要節省最多的時間、高效率開發專屬於自己的人工智慧嗎？AI-Stack機器學習開發與營運管理平台即能實現這樣的願景。
【參考文獻】
- Can Machines Think?
- 是人？還是機器？圖靈的模仿遊戲－《創新者們》
- Modern AI Stack & AI as a Service Consumption Models