A “felhő” most már évtizedes múltra tekint vissza, és úgy lett a mindennapjaink része, hogy sokszor nem is teljesen egyértelmű, mit értünk alatta. Ebben a cikkben minden alapkérdést tisztázunk, bemutatjuk a legjobb felhőszolgáltatásokat, és azt, milyen szerepe és lehetősége van a mesterséges intelligenciának ebben a helyfüggetlen technológiában.


Mi az a felhő és mire jó?

A “felhő” kifejezés a digitális technológiában alapvetően csak annyit jelent, hogy egy munkafolyamat során távoli eléréssel igénybeveszünk egy kifejezetten erre tervezett infrastruktúrát. Például nem a saját eszközeinken tárolunk bizonyos adatokat, hanem fizikailag máshol elhelyezkedő szervereken: ezt nevezhetjük “felhőalapú adattárolásnak”.  Természetesen ezeken a távoli eszközökön bármilyen szoftveres szolgáltatás is elvégezhető, tehát nem csak az adatok tárolására, hanem azok feldolgozására is képes lehet a “felhő”.

Az, hogy valamit egy bizonyos távolságra, akár a bolygó átellenes pontján elvégezhetünk, már önmagában hasznos lehet persze. De a felhőalkalmazások ezen túl azért is előnyösek, mert nem a saját infrastruktúránkat veszik igénybe, nem a saját adattároló-kapacitásainkat kell használnunk, így nem okozhat nekünk gondot egy váratlan áramkimaradás, illetve az adataink egyszerre több fizikai helyszínen tárolódnak, tehát komolyabb katasztrófák esetén is biztonságban vannak.

Az “Internet of Things” technológiákkal kapcsolatos alapvető tudnivalókat ebben a posztban már összegeztük. Ez úgy kapcsolódik ide, hogy ezek az IoT eszközök szinte minden esetben csatlakoztatva vannak valamilyen felhőalkalmazáshoz is, például abba továbbítják az adatokat, de ott feldolgozásra is kerülhetnek és a felhőből újabb instrukciók is érkezhetnek vissza (ezért is tud bekapcsolni a fűtés akkor, amikor a lakó éppen elindul a munkahelyéről).

Felhőalapú rendszerek

Felhasználói szinten is teljesen hétköznapinak számít már a felhőtechnológia alkalmazása. A Lexunit is napi szinten használ olyan eszközöket, mint a levelezésre alkalmas Gmail, a dokumentumok távelérését biztosító Google Drive, a különböző helyszíneken dolgozók együttműködését segítő Slack, vagy a weboldalak kezelésére használt Wordpress. A mobiltelefonok gyártói minden telefonhoz kínálnak felhőszolgáltatásokat, például az adatok mentésére, ezért is olyan könnyű egyik telefonról a másikra átvinni mindenünket, főleg, ha azonos a gyártójuk.

A konkrét fejlesztői munkában pedig nagy segítséget tudnak jelenteni a Virtuális Gépek (Virtual Machines). A Google, és egyéb nagy tech cégek felhőszolgáltatási körében lehetséges például a szervereik számítási kapacitásainak egy részét “kölcsönvenni”, és virtuális számítógépként használni, akár Windows, akár Linux operációs rendszerrel. A Lexunit az Amazon szolgáltatását, az AWS-t (Amazon Web Services) rendszeresen alkalmazza, például az ügyfélprojektek számára hozunk létre virtuális számítógépeket, adatbázisokat, többféle mentést, amelyek közül aztán fizikai meghajtóra írjuk ki a végleges verziókat. Az ilyen szolgáltatásokkal nem csak egy számítógépet, hanem egész komplex rendszereket is lehet modellezni, és nagyon magas adatátviteli sebességekkel működnek.

Felhőalapú ipari megoldások

A felhőrendszerek alkalmazására a Lexunit ipari ügyfélkörében is számos példa van. Az ipari rendszerekben például nagy szerep jut a különböző szimulációknak. Az egyik projektünkben turbinák hőtani és elektromechanikai adatait elemezve jutunk olyan következtetésekhez, amelyek az egész rendszer hatékonyságát növelik. Itt több különböző fizikai modell (hőtani, mechanikai, elektromos) fut párhuzamosan, amelyek egymásra is hatással vannak.

Az ilyen, jól párhuzamosítható, számítások elvégzéséhez videokártyákra van szükség, nagy kapacitásban, amit sok egymáshoz kapcsolt kártyával (cluster) lehet elvégezni, ilyen speciális hardverek pedig csak az erre szakosodott cégeknél állnak rendelkezésre. Ilyen clustereket használunk táveléréssel, vagyis a felhőben végeztetjük el ezeket a szimulációkat.

A felhő és az AI

Ma már arra is van lehetőség, hogy mesterséges intelligencia-kapacitásokat vegyünk igénybe a felhőben. Például a fentebb említett AWS egyik szolgáltatása a SageMaker, amit pont erre találtak ki.

A SageMakerrel bármilyen külső partner építhet, taníthat, kivitelezhet gépi tanulásra alapuló modelleket. A saját gépi tanulásos algoritmusok fejlesztése komplex folyamat, ezért igen időigényes és drága is. A komplexitása alatt azt is kell érteni, hogy több különböző eszköz, munkafolyamat, szoftver szükséges az összeállításhoz, ami törvényszerűen nehézkes és rengeteg a lehetőség a hibázásra, ezért hosszú finomítási folyamat végére tud összeállni egy valóban használható modell. Ezeket az eszközöket és folyamatokat egy csomagban kínálják az olyan szolgáltatások, mint a SageMaker. Így sem válnak egyszerűvé ezek a feladatok, hiszen a SageMakerrel való kompatibilitást, összehangolt működést is meg kell teremteni, de mégis sokszor egyszerűbb megoldás, mint a kályhától indulva saját gépi tanulás-rendszert fejleszteni.

Minden komolyabb felhőszolgáltatónak, a Googletől a Microsoft Azure-ig van már hasonló AI “szerszámosládája”. Ezekkel át lehet lendülni olyan problémákon, amelyek óhatatlanul felmerülnének, ha egy cég saját maga nulláról állna neki a fejlesztésnek. A legnagyobb márkák is élnek ezzel a lehetőséggel, az ipartól az egészségügyön át a recruitingig. Mindenhol hasznos lehet, ahol nagy adattömegek alapján kell aprólékos döntéseket meghozni.

Íme néhány konkrét példa az AWS esettanulmányaiból:

Az ADP egy emberi erőforrás-menedzsmenttel foglalkozó globális multi, ők az AWS alkalmazásával váltak képessé különböző munkaerőpiaci folyamatok szinte valósidejű elemzésére, amivel olyan modellezéseket tudnak futtatni, hogy egy bizonyos léptékű fizetésemelés milyen hatással fog járni, illetve mintázatok alapján előre tudják jelezni az ügyfél-vállalatok munkavállalói vonzerejének alakulását.

Közismert, hogy talán sehol nincsenek olyan alapos statisztikák, mint a legnagyobb amerikai sportligákban. A Baseball-liga az AWS segítségével fokozza ezt újabb és újabb érdekes metrikák előbányászásával.

A “mikrogridek” hálózatba kötött apró erőművek, például szélerőművek és napelemek, amelyek kistérségi szinten meg tudják oldani az energiaellátást. Az Advanced Microgrid Solutions ilyen rendszerek kiépítését végzi. A rendszer egyik kulcsa, hogy hogyan tudjuk összehangolni az ingadozó energiatermelést a szintén ingadozó energiafogyasztással. Az AWS segítségével építeni tudtak egy olyan  deep learning modellt, ami javítani tudta az előrejelzéseket és így fokozta az egész rendszer hatékonyságát.

A Reuters a világ egyik legnagyobb hírügynöksége. Fejleszteni akartak az ügyfeleik számára egy olyan alkalmazást, amelyben azok kérdéseket tudnak feltenni, és a masszív híradatbázis alapján kapnak rájuk releváns válaszokat. Ennek a klasszikus Natural Language Processing feladatnak a megoldásához a SageMaker kapacitásaira volt szükség.

És még a Tinder is… igen, az alkalmazás már él a gépi tanulás eszközeivel annak eldöntésében, hogy kit dobáljon fel lehetséges matchként, és ebben is a SageMaker segít neki!

Az adat felfelé száll

Általánosságban elmondható, hogy a felhőtechnológia egyre inkább a kiszervezett hardverek bérlése felé halad, vagyis a közeljövőben egyszerű felhasználói konzolokkal elérhetünk rendkívül erős számítási kapacitásokkal rendelkező gépeket - ha van hozzá szélessávú netünk és persze ha kifizetjük a bérleti díjakat. Ezáltal a minket körülvevő eszközök is egyre okosabbak, kifinomultabbak és hatékonyabbak tudnak lenni, hiszen az “agyuk” valójában potenciálisan teljesen máshol is lehet, szakértők által felügyelten, folyamatos optimalizálás mellett.