Leadership Forum 2022
AI Enterprise 不僅整合各種 AI 框架與工具，也預先與 VMware、OpenShift 等虛擬機器或容器平台，以市場上所有主流的伺服器或公有雲進行最佳化驗證，使企業無需耗時費力進行設定或優化，便可加速建構高效率 AI 系統。
文／明雲青
眾所皆知，AI 在數位轉型推動過程，一向扮演要角；無論半導體、醫療、金融、零售…等產業，皆需借助 AI 解決產銷人發財各種問題。
NVIDIA 資深資料科學家 Andrew Liu 說，5年前 NVIDIA 必須透過應用實例分享，讓企業理解 AI 用途。但從 2、3年前起，企業已明白 AI 的功用，甚至不少企業已部署 AI，但迄今仍有未解的難題，不知如何加快 AI 模型上線的節拍（Cycle Time）。Andrew Liu 認為，企業欲克服這個挑戰，需要重整 AI 基礎建設。
持平而論，現今 AI 觸角不只延伸到產業或企業，更已縱深到企業內部不同職能。例如人資部門利用 AI 預測離職率；客服部門利用自然語言處理（NLP）技術實現 Chatbot 智能客服；品檢部門利用 AI 結合自動光學檢測（AOI）執行自動化瑕疵檢測；而銀行或券商的風險管理部門也利用 AI 模型進行詐騙偵測。但平均每個 AI 模型上線時間長達 8.6 個月實在太久。
Andrew Liu 說，深究其因，資料科學家的強項是建模，但因需要先在組織內部跨單位建立共識和蒐集資料，接續的系統整合工作亦相當繁瑣，來回的溝通與執行相對拉長了讓模型上線的時間。此外，更由於目前多數企業的AI伺服器規格都是較初階的版本，讓模型開發速度變得緩慢，連帶延宕資料科學家檢視模型績效、修正模型參數的效率。
「當務之急。企業需建構一套高效率的系統，讓資料科學家真正專心建模，」Andrew Liu 說，為此 NVIDIA 根據過往 7、8年與企業互動的心得，打造 AI Enterprise 端到端套件，針對上層的各式框架與工具，中層的 VM 與容器管理機制，以及底層的伺服器或雲端平台，預先做了最佳化驗證與整合，讓企業得以大幅簡化 AI 開發與部署流程，亦無需擔心 GPU Driver、CUDA Driver 與 OS 之間的相依性，快速翻轉過往 AI 系統的低效窘態。
另值得一提，NVIDIA 特別在雲端建立 LaunchPad，不僅備妥雲端託管式的企業級人工智慧訓練平台 (Base Command Platform)，還提供各式實際操作實驗室，讓企業利用兩週的時間免費試用，親身感受高效建模的體驗；若對試用結果滿意，可參照雲端架構，將相同 Appliance 直接導入地端環境做使用。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
