Një shumëllojshmëri e shërbimeve jetësore dixhitale – duke përfshirë atë shërbim të transmetimit me katalogë qesharak të madh të përmbajtjes video, ose atë shërbim të të dhënave që ofron informacion rreth analitikës së saj – shfrytëzojnë sisteme të shumta të varura ose makina që sillen si grumbullime nën ombrellën e kompjuterit të shpërndarë. Sidoqoftë, me këtë aftësi vjen kosto – sistemet e shpërndara janë burime të mëdha ose thjesht të mbinxhiruara – ato mund të jenë, në fakt, jashtëzakonisht joefektive. Mësimi i makinerive nuk është thjesht një buzzword fantastik; mësimi i makinerive është një mjet i dobishëm për të parashikuar kërkesën, për të përmirësuar proceset ekzistuese të biznesit dhe në fund të fundit për të zhvilluar sisteme të shpërndara që jo vetëm punojnë, por punojnë. The Data Deluge: Too Much Information, Too Little Time Përmbytja e të dhënave: shumë informacion, shumë pak kohë Gjatë dekadës së fundit, sasia e të dhënave dixhitale që ne gjenerojmë është rritur në mënyrë dramatike. Çdo ditë ne gjenerojmë mbi 2.5 quintillion bytes të të dhënave! Ne nuk mund të analizojmë, ruajmë ose kuptojmë të dhënat në të njëjtën mënyrë që kemi përdorur ose në këtë shkallë. Mendimi, puna dhe kuptimi i të dhënave në këtë madhësi dhe strukturë na paraqesin një numër çështjesh teknike që do të duhet të konsiderojmë për afat të gjatë, dhe ne duhet të zhvillojmë zgjidhje që do të na lejojnë ta përdorim atë në mënyrë aktive për të trajnuar modelet tona. Punimi brenda sistemeve të shpërndara komplikon përpjekjet tona për të lidhur; jo vetëm që kemi madhësinë e të dhënave për t'u lidhur, por ne Breaking Down Data Silos Shkatërrimi i të dhënave Silos Silo të të dhënave, ku të dhënat mbahen në një ose një tjetër sistem që rregullon atë që një sistem mund ose nuk mund të bëjë jashtë atij sistemi. Pikat e të dhënave nga të gjitha burimet mund të mbajnë sigurisht cilësi bazë shumë të paqëndrueshme ose dallime të produktit. Presioni mbi metodat (tradicionale) të analizës do të paraqesë sfida të konsiderueshme për platformën tuaj të analizës së të dhënave dhe përpjekjet, në fund të fundit duke rezultuar në detyrimin tuaj për të hyrë në rrezikun e mundshëm për të siguruar që vetëm të dhënat 'të mira' ose të mira janë të aksesuara! Ky lloj i të dhënave shpesh sfidon qasjet konvencionale të mësimit me një makinë të vetme. Një mënyrë e të menduarit për këto të dhëna do të ishte përmes mësimit të shpërndarë me makinë. Imagjinoni ndarjen e njohurive me një grup studentësh – ose potencialisht shumë – në një klasë, në krahasim me çdo student një në një kohë. Smarter Data Centers: Intelligent Decisions Drive Sustainability Qendrat e të dhënave janë një komponent i rëndësishëm i botës së lidhur, duke lejuar një rritje në qasjen globale të aplikacioneve dhe shërbimeve përmes rritjes së burimeve dhe konsumit të energjisë. Historikisht, menaxhimi i operacioneve ka çuar në një fokus në kohën e punës, dhe tani po shohim një ndryshim në një model më të qëndrueshëm të menaxhimit të operacioneve. Edge computing - e cila me përkufizim është përpunimi më afër pragut të krijimit - paraqet një mundësi më të madhe për efikasitet në mes të përdorimit të burimeve, optimizimit dhe rezistencës / qëndrueshmërisë. Edge computing mundëson përpunimin dhe interpretimin e të dhënave në prag, më afër pikës së krijimit, kështu që nuk ka nevojë për të lëvizur Optimizing Resource Allocation Optimizimi i alokimit të burimeve Modelet ML mund të parashikojnë ngarkesat e punës që do të nevojiten për përpunimin e CPU-së; për më tepër, ato mund të rekomandojnë vendosjen e ngarkesave të punës për të minimizuar përdorimin e energjisë dhe për të optimizuar shfrytëzimin e përgjithshëm – në vend që të operojnë në kushte të ‘bllokimit’ dhe duke shtuar burime shtesë në mënyrë të panevojshme, të gjitha në përpunimin e CPU-së. Final Thoughts: From Science Fiction to Engineering Reality Mendimet përfundimtare: Nga science fiction në realitetin e inxhinierisë Ne dikur vetëm imagjinuar këto gjëra do të ndodhë - në science fiction. e ardhmja është në fakt tani; të mësuarit makinë dhe kompjuterizimit të shpërndarë gigabit janë të vërteta. ne jemi shumë të përvojë në gjykuar dhe mbivendosje. algoritmet janë të mësuar, të përshtatur, dhe të optimizuar në kohë reale - kudo. Mësimi i makinës është përtej thjesht efikasitetit. Në fakt, mësimi i makinës po ndryshon mënyrën se si mendojmë për kompjuterin. Mësimi i makinës po sjell sisteme të shpërndara me shpejtësi më të madhe, inteligjencë dhe mendje. Dimensioni i inteligjencës do të jetë përcaktuesi i kush do të lulëzojë ose të luftojë kur të fillojmë të ndërtojmë ekosisteme dixhitale që kanë elemente të ndryshme inteligjente, multidimensionale. E ardhmja ndodh – tani, në të tashmen.
