از Levens بگذرید یک رهبر محصول و استراتژیست هوش مصنوعی در کوانتوم است، پیشرو در راه حل های مدیریت داده برای هوش مصنوعی و داده های بدون ساختار. او در حال حاضر مسئول ایجاد تعامل، آگاهی و رشد برای راه حل های انتها به انتها کوانتوم است. در طول زندگی حرفهای خود – که شامل توقف در سازمانهایی مانند Apple، Backblaze، Symply و Active Storage میشود – او با موفقیت رهبری بازاریابی و توسعه کسبوکار، تبشیر، راهاندازی محصولات جدید، ایجاد روابط با سهامداران کلیدی و افزایش درآمد را بر عهده داشته است.
کوانتومی راهحلهای داده سرتاسری را ارائه میکند که به سازمانها در مدیریت، غنیسازی و محافظت از دادههای بدون ساختار، مانند فایلهای ویدئویی و صوتی، در مقیاس کمک میکند. فناوری آنها بر تبدیل دادهها به بینشهای ارزشمند تمرکز میکند و کسبوکارها را قادر میسازد تا ارزش استخراج کنند و تصمیمات آگاهانه بگیرند. پلتفرم کوانتوم راه حل های ایمن، مقیاس پذیر و انعطاف پذیر را ارائه می دهد و زیرساخت های موجود در محل را با قابلیت های ابری ترکیب می کند. رویکرد این شرکت به کسب و کارها اجازه می دهد تا به طور موثر رشد داده ها را مدیریت کنند و در عین حال امنیت و انعطاف پذیری را در طول چرخه عمر داده ها تضمین کنند.
آیا می توانید یک نمای کلی از رویکرد کوانتوم برای مدیریت داده های مبتنی بر هوش مصنوعی برای داده های بدون ساختار ارائه دهید؟
کوانتوم با کمک به مشتریان در ادغام هوش مصنوعی (AI) و یادگیری ماشینی (ML) در عملیات کلیدی تجاری خود، به مشتریان کمک می کند تا به طور مؤثر ارزش معناداری را از داده های ساختار نیافته خود مدیریت کرده و قفل آن را باز کنند و بینش تجاری عملی ایجاد کند که منجر به تصمیمات تجاری بهتری می شود. با ساخت ابزارهای هوش مصنوعی/ML خود، شرکتها میتوانند از رویارویی ساده با هجوم دادهها و محتوا به استفاده از بینشها بهعنوان یک محرک جدید برای کارایی و در نهایت تقویت تخصص انسانی در تمام مراحل عملیات تجاری حرکت کنند.
فناوری هوش مصنوعی کوانتوم چگونه داده های بدون ساختار را تجزیه و تحلیل می کند و برخی از نوآوری های کلیدی که پلت فرم شما را از رقبا متمایز می کند چیست؟
در مراحل اولیه استفاده از ابزارهای AI/ML، بسیاری از سازمانها متوجه میشوند که گردش کارشان بینظم و قطع میشود و میتوانند ردیابی دادههای خود را از دست بدهند، که اجرای استانداردهای امنیتی و حفاظتی را دشوار میکند. اغلب اوقات، توسعه اولیه با عملکرد نامناسب ذخیره سازی و سیستم فایل مختل می شود.
ما Myriad، یک ذخیرهسازی فایل با کارایی بالا و نرمافزار تعریفشده و محیط پارچهای هوشمند را توسعه دادیم تا به زیبایی چالشهای یکپارچهسازی خط لوله AI/ML و جریانهای کاری با کارایی بالا را در کنار هم ایجاد کنیم – گردشهای کاری را بدون محدودیتها و محدودیتهای سختافزاری دیگر سیستمها متحد میکند. Myriad یک انحراف آشکار از سختافزار قدیمی و محدودیتهای ذخیرهسازی است، و با جدیدترین فناوریهای ذخیرهسازی و ابری ساخته شده است، کاملاً میکروسرویسهایی است که توسط Kubernetes هدایت و تنظیم شده است تا یک سیستم بسیار پاسخگو باشد که به ندرت به تعامل با مدیریت نیاز دارد. Myriad منحصراً به گونهای طراحی شده است که بالاترین عملکرد را از NVMe و شبکههای پارچهای هوشمند و اتصالات دسترسی مستقیم از راه دور از راه دور (RDMA) بین هر مؤلفه ایجاد کند. نتیجه یک سیستم نوآورانه است که به طور هوشمند و خودکار به تغییرات پاسخ میدهد و برای انجام کارهای رایج به حداقل مداخله مدیر نیاز دارد. با تبدیل پارچه هوشمند به بخشی از سیستم، Myriad همچنین یک سیستم ذاتاً متعادل بار است که چندین پورت 100 گیگابیت بر ثانیه از پهنای باند را به عنوان یک آدرس IP واحد و متعادل فراهم می کند.
جفت کردن Myriad با سیستم ذخیرهسازی اشیاء شبیه ابر ما، ActiveScale، به سازمانها اجازه میدهد تا حتی بزرگترین دریاچهها و محتوا را بایگانی و حفظ کنند. این ترکیب به مشتریان یک راه حل واقعی مدیریت داده سرتاسر برای خطوط لوله هوش مصنوعی آنها ارائه می دهد. علاوه بر این، وقتی در کنار راهحل CatDV ما ارائه میشود، مشتریان میتوانند دادهها را برچسبگذاری و فهرستنویسی کنند تا دادههای خود را غنیتر کنند و آنها را برای تجزیه و تحلیل و هوش مصنوعی آماده کنند.
آیا می توانید بینش هایی در مورد استفاده از هوش مصنوعی با نظارت تصویری در المپیک پاریس به اشتراک بگذارید، و چه رویدادها یا سازمان های بزرگ دیگری از این فناوری استفاده کرده اند؟
یادگیری ماشینی میتواند اقدامات تکرارپذیری را ایجاد کند که الگوهای مورد علاقه را در ویدیو تشخیص دهد و بینشهایی را از سیل دادههای ویدیویی بیدرنگ در مقیاسی بزرگتر و سریعتر از آنچه با تلاشهای انسانی به تنهایی امکانپذیر است، به دست آورد. برای مثال، نظارت تصویری میتواند از هوش مصنوعی برای ضبط و علامتگذاری رفتار مشکوک در زمان وقوع استفاده کند، حتی اگر صدها دوربین وجود داشته باشد که اطلاعات مدل را تغذیه میکنند. انسانی که این کار را انجام می دهد فقط می تواند یک رویداد را در یک زمان پردازش کند، در حالی که نظارت تصویری مبتنی بر هوش مصنوعی می تواند هزاران مورد را به طور همزمان انجام دهد.
کاربرد دیگر تحلیل احساسات جمعیت است که میتواند صفهای طولانی را ردیابی کند و ناامیدیهای احتمالی را مشخص کند. همه اینها اقداماتی هستند که یک متخصص امنیتی می تواند به طور قابل اعتماد آنها را علامت گذاری کند، اما با استفاده از سیستم های AI/ML برای تماشای مداوم فیدهای همزمان، آن کارشناسان آزادند تا در صورت نیاز اقدامات مناسب را انجام دهند و کارایی و ایمنی کلی را به طور چشمگیری افزایش دهند.
چالشهای اصلی سازمانها در هنگام پیادهسازی هوش مصنوعی برای تجزیه و تحلیل دادههای ساختاریافته چیست و کوانتوم چگونه به کاهش این چالشها کمک میکند؟
سازمانها باید رویکرد خود به ذخیرهسازی و همچنین مدیریت دادهها و محتوا را به طور کامل از نو تصور کنند. اکثر سازمان ها قابلیت های ذخیره سازی خود را به صورت ارگانیک، معمولاً در پاسخ به نیازهای یکباره رشد می دهند، و این باعث سردرگمی چند فروشنده و پیچیدگی تاسف بار می شود.
با پذیرش هوش مصنوعی، سازمان ها اکنون باید فضای ذخیره سازی را که زیربنای عملیات خود است، ساده کنند. اغلب اوقات، این امر مستلزم اجرای بخشی «داغ» از دریافت داده اولیه یا منطقه فرود است که در آن برنامهها و کاربران بتوانند با بیشترین سرعت ممکن کار کنند. سپس، یک نوع ذخیرهسازی بزرگ «سرد» اضافه میشود که میتواند به راحتی مقادیر انبوهی از دادهها را بایگانی کند و به روشی مقرونبهصرفه از آنها محافظت کند، با قابلیت انتقال دادهها به یک جریان کار پردازش «گرم» تقریباً آنی.
با تصور مجدد فضای ذخیرهسازی به راهحلهای کمتر و فشردهتر، بار کارکنان مدیریت بسیار کمتر میشود. این نوع راهحل مدیریت داده «سرد/گرم» برای یکپارچهسازی گردش کار AI/ML ایدهآل است و راهحلهای کوانتومی به مشتریان این امکان را میدهد تا یک پلتفرم بسیار چابک و انعطافپذیر ایجاد کنند که مختصر و مدیریت آن آسان است.
چگونه نوآوریهای هوش مصنوعی کوانتوم با سایر ابزارها و فناوریهای مبتنی بر هوش مصنوعی ادغام میشوند تا رشد و کارایی سازمانی را افزایش دهند؟
بسیاری از مردم فکر می کنند که ذخیره سازی ابزارهای AI/ML فقط مربوط به تغذیه واحدهای پردازش گرافیکی (GPU) است، اما این تنها بخش کوچکی از معادله است. اگرچه سرعت و عملکرد بالا ممکن است در تغذیه دادهها در سریعترین زمان ممکن برای GPUهایی که تجزیه و تحلیل دادهها را انجام میدهند، مفید باشد، تصویر بزرگتر حول محور این است که چگونه یک سازمان میتواند توسعه، آموزش، و حلقههای استنتاج تکراری و مداوم AI/ML را ادغام کند. داده های سفارشی اغلب اولین و مهمترین وظیفه AI/ML ایجاد «رباتهای دانش» یا «رباتهای مشاور» با استفاده از دادههای اختصاصی برای اطلاعرسانی به کارکنان دانش داخلی است. برای اینکه این رباتهای دانش برای هر سازمان مفید و منحصر به فرد باشند، به مقادیر زیادی اطلاعات تخصصی نیاز است تا مدلی که آنها را آموزش میدهد، ارائه کند. راه حل ذخیره سازی مبتنی بر هوش مصنوعی را ارائه دهید: اگر آن داده های اختصاصی به خوبی مرتب شده و در یک گردش کار ذخیره سازی کارآمد در دسترس باشد، سازماندهی آن در انواع، مجموعه ها و کاتالوگ های داده ها بسیار آسان تر خواهد بود که به نوبه خود تضمین می کند که ربات های دانش به شدت از نیازهای منحصر به فرد سازمان مطلع هستند.
آیا می توانید در مورد ویژگی های مدیریت گردش کار با هوش مصنوعی و نحوه ساده سازی فرآیندهای داده توضیح دهید؟
ما در حال ساخت مجموعهای از ابزارهای مدیریت گردش کار با قابلیت هوش مصنوعی هستیم که مستقیماً در راهحلهای ذخیرهسازی ادغام میشوند تا وظایف را خودکار کنند و بینشهای ارزشمندی را در زمان واقعی ارائه دهند و تصمیمگیری سریع و آگاهانه را در سراسر سازمانها ممکن میسازند. این به دلیل سیستمهای طبقهبندی و برچسبگذاری دادههای جدید و پیشرفته است که از هوش مصنوعی هم برای سازماندهی دادهها و هم برای بازیابی آسان آنها استفاده میکنند و حتی اقدامات استانداردی را روی آن رسانه انجام میدهند، مانند مطابقت با اندازهای خاص، که به طور قابل توجهی تلاشهای دستی مورد نیاز هنگام سازماندهی را کاهش میدهد. داده ها در مجموعه های آموزشی
ابزارهای اتوماسیون هوشمند، جابجایی داده ها، پشتیبان گیری، و وظایف انطباق را بر اساس خط مشی های تعیین شده مدیریت می کنند، اطمینان از کاربرد یکنواخت و کاهش بار اداری. تجزیه و تحلیل و نظارت در زمان واقعی همچنین بینش فوری در مورد الگوهای استفاده از داده ها و مسائل بالقوه ارائه می دهد و به طور خودکار یکپارچگی و کیفیت داده ها را در کل چرخه عمر آن حفظ می کند.
چشم انداز مدیریت داده های مبتنی بر هوش مصنوعی چیست و چه روندهایی را در سال های آینده پیش بینی می کنید؟
همانطور که این ابزارها تکامل می یابند و چندوجهی می شوند، روش های گویاتر و بازتر کار با داده های شما را امکان پذیر می کند. در آینده، میتوانید با سیستم خود «مکالمهای» داشته باشید و اطلاعات یا تجزیه و تحلیلهای مورد علاقهتان مانند «اکنون سریعترین نوع داده در «منطقه داغ» من چیست؟» به شما ارائه شود. این سطح از تخصص برای سازمانهایی که این ابزارها را در راهحلهای ذخیرهسازی خود میسازند، متمایزکننده خواهد بود و حتی زمانی که با جریانهای جدید دائمی دادههای در حال تکامل مواجه میشوند، دقیقتر و کارآمدتر میشوند.
تجزیه و تحلیل مبتنی بر ابر و پیشنهادات ذخیره سازی به عنوان یک سرویس شما چه نقشی در استراتژی کلی مدیریت داده ایفا می کند؟
سازمانهایی که نیازمندیهای ذخیرهسازی قابل توجه و در حال گسترش هستند، اغلب در مواجهه با تقاضا، بهویژه زمانی که با بودجههای محدود کار میکنند، تلاش میکنند. ذخیرهسازی ابری عمومی میتواند منجر به هزینههای بالا و غیرقابل پیشبینی شود و برآورد دقیق و خرید ارزش سالها نیاز ذخیرهسازی از قبل چالش برانگیز است. بسیاری از مشتریان مایلند تجربه ابر عمومی از هزینه عملیاتی پیشبینیشده شناخته شده را داشته باشند، اما هزینههای خروج غافلگیرکننده یا هزینههای API را که ابر عمومی میتواند به همراه داشته باشد، حذف میکنند. برای پاسخ به این نیاز، Quantum GO را توسعه دادیم تا به مشتریان آن تجربه ابری خصوصی را با نقطه ورودی اولیه پایین و گزینههای پرداخت ماهانه ثابت کم برای یک تجربه ذخیرهسازی بهعنوان یک سرویس واقعی در تسهیلات خودشان ارائه دهیم. همانطور که نیازهای ذخیره سازی افزایش می یابد، Quantum GO به مشتریان مزیت بیشتری از یک مدل اشتراک ساده «پرداخت در حین رشد» برای ارائه انعطاف پذیری و مقیاس پذیری بیشتر به شیوه ای مقرون به صرفه به مشتریان می دهد.
کوانتوم چگونه برنامه ریزی می کند که در چشم انداز هوش مصنوعی و مدیریت داده که به سرعت در حال تکامل است، پیشتاز بماند؟
در دنیای امروز، صرفاً یک «ارائهدهنده ذخیرهسازی» کافی نیست. چالشهای جدید دادهها و کسبوکار به یک پلتفرم داده هوشمند و تقویتکننده هوش مصنوعی نیاز دارند که به مشتریان کمک میکند تا ارزش دادههای خود را به حداکثر برسانند. در کوانتوم، ما همچنان به نوآوری و سرمایهگذاری روی قابلیتهای بهبود یافته برای مشتریان خود ادامه میدهیم تا به آنها کمک کنیم تا به راحتی و به طور موثر با مجموعهای از دادهها در طول چرخه عمر خود کار کنند.
ما در حال گسترش هوش مصنوعی هستیم تا برچسبگذاری، فهرستنویسی و سازماندهی دادهها را ارتقا دهیم و جستجو، یافتن و تجزیه و تحلیل آنها را برای استخراج ارزش و بینش بیشتر از همیشه آسانتر کنیم. ما به تقویت قابلیتهای هوش مصنوعی خود ادامه میدهیم که به رونویسی خودکار ویدیو، ترجمه فایلهای صوتی و تصویری به زبانهای دیگر در عرض چند ثانیه، و امکان جستجوی سریع در هزاران فایل برای شناسایی کلمات گفتاری یا مکانیابی موارد خاص و موارد دیگر کمک میکند.
چه توصیه ای به سازمان هایی دارید که تازه سفر خود را با هوش مصنوعی و مدیریت داده های بدون ساختار شروع می کنند؟
AI/ML تبلیغات بسیار زیادی داشته است، و به همین دلیل، تجزیه و تحلیل موارد کاربردی و مفید ممکن است دشوار باشد. سازمانها ابتدا باید به دادههایی که ایجاد میشوند فکر کنند و نحوه تولید، ضبط و نگهداری آنها را مشخص کنند. علاوه بر این، سازمانها باید به دنبال راهحلی برای ذخیرهسازی باشند که آماده دسترسی و بازیابی دادهها در صورت نیاز باشد، و راهحلی که به هدایت گردش کار روزانه و تکامل آینده کمک کند. حتی اگر توافق بر سر اهداف نهایی هوش مصنوعی دشوار باشد، اکنون اقدامات لازم را انجام دهید تا مطمئن شوید که سیستمهای ذخیرهسازی و جریانهای کاری دادهها ساده، سادهتر و قوی هستند، سود بسیار زیادی را هنگام ادغام ابتکارات AI/ML فعلی و آینده به همراه خواهد داشت. سپس سازمانها در موقعیت خوبی قرار میگیرند تا به کاوش در مورد اینکه چگونه این ابزارهای AI/ML میتوانند ماموریت خود را بدون نگرانی در مورد اینکه بتوانند به درستی از آن با پلتفرم مدیریت دادههای مناسب پشتیبانی کنند، پیش ببرند.
با تشکر از شما برای مصاحبه عالی، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید بازدید کنند کوانتومی.