adminKira-kira setahun yang lalu, Google mengumumkan peluncuran Vertex AI, platform AI terkelola yang dirancang untuk membantu perusahaan mempercepat penerapan model AI. Untuk menandai ulang tahun layanan dan dimulainya KTT ML Terapan Google, Google pagi ini mengumumkan fitur baru menuju Vertex, termasuk server khusus untuk pelatihan sistem AI dan penjelasan “berbasis contoh”.
“Kami meluncurkan Vertex AI setahun yang lalu dengan tujuan untuk memungkinkan generasi baru AI yang memberdayakan ilmuwan dan insinyur data untuk melakukan pekerjaan yang memuaskan dan kreatif,” kata Henry Tappen, manajer produk grup Google Cloud, kepada TechCrunch melalui email. “Fitur AI Vertex baru yang kami luncurkan hari ini akan terus mempercepat penerapan model pembelajaran mesin di seluruh organisasi dan mendemokratisasi AI sehingga lebih banyak orang dapat menerapkan model dalam produksi, terus memantau dan mendorong dampak bisnis dengan AI.”
Seperti yang pernah dikatakan Google secara historis, manfaat Vertex adalah menyatukan layanan Google Cloud untuk AI di bawah UI dan API terpadu. Pelanggan termasuk Ford, Seagate, Wayfair, Cashapp, Cruise, dan Lowe’s menggunakan layanan ini untuk membangun, melatih, dan menerapkan model pembelajaran mesin dalam satu lingkungan, klaim Google — memindahkan model dari eksperimen ke produksi.
Vertex bersaing dengan platform AI terkelola dari penyedia cloud seperti Amazon Web Services dan Azure. Secara teknis, ini cocok dengan kategori platform yang dikenal sebagai MLOps, serangkaian praktik terbaik bagi bisnis untuk menjalankan AI. Deloitte memperkirakan pasar untuk MLOps akan bernilai $4 miliar pada tahun 2025, tumbuh hampir 12 kali lipat sejak 2019.
Gartner memproyeksikan munculnya layanan terkelola seperti Vertex akan menyebabkan pasar cloud tumbuh 18,4% pada tahun 2021, dengan cloud diperkirakan mencapai 14,2% dari total pengeluaran TI global. “Ketika perusahaan meningkatkan investasi dalam mobilitas, kolaborasi, dan teknologi serta infrastruktur kerja jarak jauh lainnya, pertumbuhan dalam cloud publik [will] dipertahankan hingga 2024,” tulis Gartner dalam studi November 2020.
Kemampuan baru
Di antara fitur-fitur baru di Vertex adalah Server Pengurangan Pelatihan AI, sebuah teknologi yang menurut Google mengoptimalkan bandwidth dan latensi pelatihan terdistribusi multisistem pada GPU Nvidia. Dalam pembelajaran mesin, “pelatihan terdistribusi” mengacu pada penyebaran pekerjaan pelatihan sistem di beberapa mesin, GPU, CPU, atau chip khusus, mengurangi waktu dan sumber daya yang diperlukan untuk menyelesaikan pelatihan.
“Hal ini secara signifikan mengurangi waktu pelatihan yang diperlukan untuk beban kerja bahasa yang besar, seperti BERT, dan selanjutnya memungkinkan paritas biaya di berbagai pendekatan,” kata Andrew Moore, VP dan GM cloud AI di Google, dalam sebuah postingan hari ini di blog Google Cloud. “Dalam banyak skenario bisnis kritis misi, siklus pelatihan yang dipersingkat memungkinkan ilmuwan data untuk melatih model dengan kinerja prediktif yang lebih tinggi dalam batasan jendela penerapan.”
Dalam pratinjau, Vertex kini juga menampilkan Alur Kerja Tabular, yang bertujuan untuk memberikan kemampuan penyesuaian yang lebih besar pada proses pembuatan model. Seperti yang dijelaskan Moore, Alur Kerja Tabular memungkinkan pengguna untuk memilih bagian mana dari alur kerja yang mereka inginkan untuk ditangani oleh teknologi “AutoML” Google versus bagian mana yang ingin mereka rancang sendiri. AutoML, atau pembelajaran mesin otomatis — yang tidak unik untuk Google Cloud atau Vertex — mencakup teknologi apa pun yang mengotomatiskan aspek pengembangan AI dan dapat menyentuh tahap pengembangan dari awal dengan kumpulan data mentah hingga membangun model pembelajaran mesin yang siap diterapkan. AutoML dapat menghemat waktu tetapi tidak selalu dapat mengalahkan sentuhan manusia — terutama jika diperlukan ketelitian.
“Elemen Alur Kerja Tabular juga dapat diintegrasikan ke dalam jaringan pipa Vertex AI Anda yang sudah ada,” kata Moore. “Kami telah menambahkan algoritme terkelola baru termasuk model penelitian lanjutan seperti TabNet, algoritme baru untuk pemilihan fitur, distilasi model, dan … lainnya.”
Terkait dengan saluran pengembangan, Vertex juga mendapatkan integrasi (dalam pratinjau) dengan Spark tanpa server, versi tanpa server dari mesin analitik open source yang dikelola Apache untuk pemrosesan data. Sekarang, pengguna Vertex dapat meluncurkan sesi Spark tanpa server untuk mengembangkan kode secara interaktif.
Di tempat lain, pelanggan dapat menganalisis fitur data di platform Neo4j dan kemudian menerapkan model menggunakan Vertex berkat kemitraan baru dengan Neo4j. Dan — berkat kolaborasi antara Google dan Labelbox — sekarang lebih mudah untuk mengakses layanan pelabelan data Labelbox untuk data gambar, teks, audio, dan video dari dasbor Vertex. Label diperlukan untuk sebagian besar model AI untuk belajar membuat prediksi; model dilatih untuk mengidentifikasi hubungan antara label, juga disebut anotasi, dan data contoh (misalnya, keterangan “katak” dan foto katak).
Jika data salah diberi label, Moore menawarkan Penjelasan Berbasis Contoh sebagai solusi. Tersedia dalam pratinjau, fitur Vertex baru memanfaatkan penjelasan “berbasis contoh” untuk membantu mendiagnosis dan menangani masalah dengan data. Tentu saja, tidak ada teknik AI yang dapat menjelaskan setiap kesalahan; ahli bahasa komputasi Vagrant Gautam memperingatkan terhadap alat dan teknik yang terlalu percaya yang digunakan untuk menjelaskan AI.
“Google memiliki beberapa dokumentasi batasan dan buku putih yang lebih rinci tentang AI yang dapat dijelaskan, tetapi tidak ada yang disebutkan di mana pun [today’s Vertex AI announcement], ”mereka memberi tahu TechCrunch melalui email. “Pengumuman tersebut menekankan bahwa ‘kemahiran keterampilan tidak boleh menjadi kriteria untuk berpartisipasi’ dan bahwa fitur baru yang mereka sediakan dapat ‘menskalakan AI untuk pakar non-perangkat lunak.’ Kekhawatiran saya adalah bahwa non-ahli lebih percaya pada AI dan pada penjelasan AI daripada yang seharusnya dan sekarang berbagai pelanggan Google dapat membangun dan menerapkan model lebih cepat tanpa berhenti untuk bertanya apakah itu masalah yang membutuhkan solusi pembelajaran mesin sejak awal, dan menyebut model mereka dapat dijelaskan (dan karena itu dapat dipercaya dan baik) tanpa mengetahui sepenuhnya batasan di sekitarnya untuk kasus khusus mereka.
Namun, Moore menyarankan bahwa Penjelasan Berbasis Contoh dapat menjadi alat yang berguna bila digunakan bersamaan dengan praktik audit model lainnya.
“Ilmuwan data tidak perlu menjadi insinyur infrastruktur atau insinyur operasi untuk menjaga agar model tetap akurat, dapat dijelaskan, diskalakan, tahan bencana, dan aman, dalam lingkungan yang selalu berubah,” tambah Moore. “Pelanggan kami menuntut alat untuk mengelola dan memelihara model pembelajaran mesin dengan mudah.”
