Δυνατότητα χορηγίας Καθώς η τεχνολογία αναπτύσσεται ευρύτερα σε πιο κάθετους κλάδους και βιομηχανίες, η ικανότητα της τεχνητής νοημοσύνης (AI) να μεταμορφώνει τις επιχειρηματικές διαδικασίες, τη λήψη στρατηγικών αποφάσεων και τις εμπειρίες των πελατών επαινείται από τους στρατηγούς πληροφορικής και τους οικονομικούς αναλυτές.

Ακόμη και οι διευθύνοντες σύμβουλοι που κάποτε ήταν επιφυλακτικοί σχετικά με την έγκριση των επενδυτικών αναγκών της τεχνητής νοημοσύνης για να προσφέρει τη βέλτιστη αξία, έρχονται να αναγνωρίσουν τις δυνατότητές της να βελτιώσουν τη λειτουργική αποτελεσματικότητα και να ανοίξουν το δρόμο για νέες ροές εσόδων.

Οι προβλέψεις από αξιόλογους παρατηρητές της αγοράς όπως η PwC υποστηρίζουν την άποψή τους. τουΠαγκόσμια Μελέτη Τεχνητής Νοημοσύνηςυπολογίζει ότι η τεχνητή νοημοσύνη θα μπορούσε να συνεισφέρει έως και 15.7 τρισεκατομμύρια δολάρια στις παγκόσμιες οικονομίες το 2030. Από αυτά, τα 6.6 τρισεκατομμύρια δολάρια θα μπορούσαν να προέλθουν από αυξημένη παραγωγικότητα και τα 9.1 τρισεκατομμύρια δολάρια θα μπορούσαν να προέλθουν από «παρενέργειες στην κατανάλωση», ισχυρίζεται η PwC.

Η πρόσφατη κυκλοφορία πολλών εργαλείων παραγωγής τεχνητής νοημοσύνης θεωρείται α ξεμπλοκάρισμα σημείο για αυτό που προηγουμένως ήταν ένας εξαιρετικά εξειδικευμένος και «φουτουριστικός» κλάδος της επιστήμης των υπολογιστών. Στο Ηνωμένο Βασίλειο το 2022 το Γραφείο Τεχνητής Νοημοσύνης αναφερθεί ότι περίπου το 15 τοις εκατό των επιχειρήσεων είχαν υιοθετήσει τουλάχιστον μία τεχνολογία τεχνητής νοημοσύνης, η οποία αντιστοιχεί σε 432,000 εταιρείες. Περίπου το 2 τοις εκατό των επιχειρήσεων χρησιμοποιούσαν πιλοτικά τεχνητή νοημοσύνη και το 10 τοις εκατό σχεδίαζε να υιοθετήσει τουλάχιστον μία τεχνολογία τεχνητής νοημοσύνης στο μέλλον (62,000 και 292,000 επιχειρήσεις, αντίστοιχα).

Είναι ακόμα πολύπλοκα πράγματα

Μέσα σε αυτό το ενθουσιασμό της AI, οι οργανισμοί θα πρέπει να θυμούνται ότι η τεχνητή νοημοσύνη εξακολουθεί να είναι μια σχετικά νέα τεχνολογία και μπορεί να είναι δύσκολο να εγκατασταθεί για πρώτη φορά. Επιπλέον, η σχετιζόμενη απόδοση επένδυσης (ROI) εξαρτάται σε μεγάλο βαθμό από διαδικασίες εφαρμογής και διαμορφώσεις με πολύ ακριβή διαχείριση που είναι συχνά λιγότερο ισχυρές έναντι σφαλμάτων από τις συμβατικές αναπτύξεις πληροφορικής.

Η τεχνητή νοημοσύνη θέτει εκτιμήσιμα τεστ για τις ομάδες πληροφορικής που είναι επιφορτισμένες με την υλοποίηση πρωτοβουλιών και φόρτου εργασίας AI/Machine Learning, για παράδειγμα, που μπορεί να περιλαμβάνουν την υπέρβαση των κενών δεξιοτήτων και τους περιορισμούς στον υπολογισμό. Μπορεί επίσης να περιλαμβάνουν αντισταθμίσεις πόρων με άλλους φόρτους εργασίας της επιχείρησης που χρησιμοποιούν ήδη μια κοινή υποδομή πληροφορικής.

«Η τεχνητή νοημοσύνη είναι ένα ταξίδι, όχι ένας προορισμός – δεν είναι να είσαι έτοιμος για υιοθεσία ή να αυτοματοποιείς διαδικασίες απλώς για μεγαλύτερη αποτελεσματικότητα», λέει ο Matt Armstrong-Barnes, Chief Technology Officer for Artificial Intelligence στην Hewlett Packard Enterprise (HPE). «Μάλλον, πρόκειται για τη συνειδητοποίηση της μακροπρόθεσμης αξίας, την παροχή καλύτερων αποτελεσμάτων και την αναγνώριση ότι η τεχνητή νοημοσύνη απαιτεί μια θεμελιωδώς διαφορετική προσέγγιση στην ανάπτυξη της πληροφορικής. Για τους τεχνολόγους επιχειρήσεων είναι μια καμπύλη εκμάθησης 360 μοιρών».

Η άποψη του Άρμστρονγκ-Μπαρνς αποδεικνύεται από το τελευταίο της Deloitte «Κατάσταση της τεχνητής νοημοσύνης στην επιχείρησηέρευνα των ηγετών των παγκόσμιων επιχειρήσεων. Οι ερωτηθέντες εντόπισαν ένα σωρό προκλήσεις που η τεχνητή νοημοσύνη ξεπήδησε σε διαδοχικές φάσεις των έργων τους για την υλοποίηση της ΑΙ. Η απόδειξη της επιχειρηματικής αξίας της τεχνητής νοημοσύνης ήταν ένα ζήτημα που αναφέρθηκε από το 37 τοις εκατό – τα έργα μπορεί να αποδειχθούν δαπανηρά και μια συναρπαστική επιχειρηματική υπόθεση μπορεί να είναι δύσκολο να επικυρωθεί όταν αντιμετωπίζουν επιφυλακτικά διοικητικά συμβούλια και στελέχη της C-Suite.

Η κλιμάκωση αυτών των έργων τεχνητής νοημοσύνης με την πάροδο του χρόνου μπορεί να προσκρούσει σε περαιτέρω προσδιορισμένα εμπόδια, όπως η διαχείριση κινδύνων που σχετίζονται με την τεχνητή νοημοσύνη (αναφέρεται από το 50 τοις εκατό όσων συμμετείχαν στην έρευνα της Deloitte), η έλλειψη συμμετοχής στελεχών (επίσης 50 τοις εκατό) και η έλλειψη συντήρηση ή συνεχή υποστήριξη (50 τοις εκατό πάλι).

«Απολύτως κατανοητό, οι εταιρικοί ηγέτες πρέπει να είναι πεπεισμένοι ότι η τεχνητή νοημοσύνη θα πληρώσει τον δρόμο της», λέει ο Armstrong-Barnes. «Αυτό είναι όπου η συνεργασία από την αρχή με έναν τεχνολογικό συνεργάτη που έχει εμπλακεί με αποδεδειγμένες εφαρμογές τεχνητής νοημοσύνης για πολλά χρόνια βοηθά να κερδίσουμε την υπόθεση. Το ιστορικό του θα προσδώσει αξιοπιστία στις προτάσεις έργων και θα βοηθήσει να πειστούν τα στελέχη ότι οι κίνδυνοι της τεχνητής νοημοσύνης είναι τόσο διαχειρίσιμοι όσο κάθε άλλη επιχείρηση πληροφορικής».

Και ενώ η τεχνολογία και το ταλέντο χρειάζονται σίγουρα, είναι εξίσου σημαντικό να ευθυγραμμιστεί η κουλτούρα, η δομή και οι τρόποι εργασίας μιας εταιρείας για την υποστήριξη της ευρείας υιοθέτησης της τεχνητής νοημοσύνης, σύμφωνα με τον McKinsey, με διακριτικά χαρακτηριστικά που μερικές φορές λειτουργούν ως εμπόδια στην αλλαγή που βασίζεται στην τεχνητή νοημοσύνη.

«Εάν μια εταιρεία έχει διαχειριστές σχέσεων που υπερηφανεύονται που είναι συντονισμένοι με τις ανάγκες των πελατών, μπορεί να απορρίψουν την ιδέα ότι μια «μηχανή» θα μπορούσε να έχει καλύτερες ιδέες για το τι θέλουν οι πελάτες και να αγνοήσει τις προσαρμοσμένες συστάσεις προϊόντων ενός εργαλείου AI», προτείνει η McKinsey.

«Συζητώ συχνά με τους ομολόγους της HPE και τους πελάτες της HPE σχετικά με το εύρος των προκλήσεων που αντιμετωπίζουν με την ανάπτυξη της τεχνητής νοημοσύνης», αναφέρει ο Armstrong-Barnes. «Κάποια κοινά αποδεικτικά χαρακτηριστικά εμφανίζονται ξανά και ξανά. Το ένα είναι μια υποεκτίμηση του πόσο ουσιαστικά διαφορετικές είναι οι αναπτύξεις τεχνητής νοημοσύνης από τις παραδοσιακές υλοποιήσεις IT. Οι οργανισμοί πρέπει να αναπτύξουν την τεχνητή νοημοσύνη με έναν πρωτίστως διαφορετικό τρόπο από τα έργα πληροφορικής που έχουν εφαρμόσει στο παρελθόν. Η διαχείριση δεδομένων και η κλιμάκωση διαφέρουν σημαντικά για την τεχνητή νοημοσύνη. Αυτό σημαίνει ότι μερικές φορές, η εμπειρία της τεχνολογίας που κερδίζεται με κόπο πρέπει να μαθαίνεται εκ νέου».

Η τάση να πειραματιστείτε με πιλότους τεχνητής νοημοσύνης προτού το αναπτύξετε απευθείας σε μια πραγματική περίπτωση χρήσης που υποστηρίζει μια πιεστική επιχειρηματική ανάγκη θα πρέπει να αποφευχθεί, εξηγεί ο Armstrong-Barnes. «Η προσέγγιση «δοκιμάζω πριν αγοράσεις» φαίνεται λογική – η τεχνητή νοημοσύνη είναι περίπλοκη και διψάει για επενδύσεις», εξηγεί, «Αλλά με την τεχνητή νοημοσύνη, οι ξηρές εκτελέσεις και τα δοκιμαστικά έργα δεν αναπαράγουν πραγματικά τις προκλήσεις που θα αντιμετωπίσουν οι οργανώσεις χρηστών με μια πραγματική εφαρμογή . Αυτό που ξεκινά «στο εργαστήριο» τείνει να παραμένει στο εργαστήριο».

Στο άλλο άκρο της κλίμακας υιοθέτησης η Armstrong-Barnes βλέπει εταιρείες που προσπαθούν να εφαρμόσουν την τεχνητή νοημοσύνη οπουδήποτε μπορεί να εφαρμοστεί, ακόμη και όταν μια εφαρμογή λειτουργεί βέλτιστα χωρίς AI: «Το takeaway εδώ είναι – ακριβώς επειδή στην τεχνητή νοημοσύνη έχετε ένα τεράστιο σφυρί. τότε δεν πρέπει να βλέπεις τα πάντα σαν καρύδι που πρέπει να σπάσεις».

Άνθρωποι και υποδομές δεν είναι άμεσα διαθέσιμα

Ακόμη και τα πιο προηγμένα συστήματα τεχνητής νοημοσύνης δεν έχουν ακόμη αποκτήσει πλήρη αυτονομία από άκρο σε άκρο – πρέπει να εκπαιδευτούν και να βελτιωθούν από την ανθρώπινη τεχνογνωσία. Αυτό αντιπροσωπεύει μια περαιτέρω πρόκληση για τις υποψήφιες εταιρείες τεχνητής νοημοσύνης: πώς να αποκτήσουν καλύτερα τις απαραίτητες δεξιότητες - να επανεκπαιδεύσουν το υπάρχον προσωπικό ΤΠ; Να προσλάβετε νέα μέλη της ομάδας με τις απαραίτητες γνώσεις AI; Ή εξερευνήστε επιλογές για να μεταθέσετε την ανάγκη για τεχνογνωσία σε τεχνολογικούς συνεργάτες;

McKinsey εκθέσεις ότι οι δυνατότητες της τεχνητής νοημοσύνης περιορίζονται από την έλλειψη ειδικευμένων ταλέντων. Ένα τυπικό έργο τεχνητής νοημοσύνης απαιτεί μια ομάδα υψηλού επιπέδου που περιλαμβάνει έναν επιστήμονα δεδομένων, έναν μηχανικό δεδομένων, έναν μηχανικό ML, τον υπεύθυνο προϊόντων και τον σχεδιαστή – και απλά δεν υπάρχουν αρκετοί διαθέσιμοι ειδικοί για να καταλάβουν όλες αυτές τις ανοιχτές θέσεις εργασίας.

«Βλέπουμε ότι οι τεχνολόγοι επιχειρήσεων γενικά πρέπει να αναβαθμίσουν τις ικανότητές τους σε πέντε βασικούς τομείς», λέει ο Armstrong-Barnes. «Κυρίως, βρίσκονται στους τομείς της τεχνογνωσίας της τεχνητής νοημοσύνης, της υποδομής πληροφορικής, της διαχείρισης δεδομένων, της διαχείρισης πολυπλοκότητας και, σε μικρότερο βαθμό, των προαναφερθέντων πολιτισμικών φραγμών. Καμία από αυτές τις προκλήσεις δεν είναι ανυπέρβλητη δεδομένης της σωστής προσέγγισης και της εταιρικής υποστήριξης».

Η τεχνητή νοημοσύνη θέλει επίσης να τρέχει το εξαιρετικά ισχυρό υλικό. Η παροχή υπολογιστικών πλατφορμών υψηλής απόδοσης συνεχίζεται ως διαρκής πρόκληση, επειδή λίγοι οργανισμοί θέλουν – ή μπορούν να αντέξουν οικονομικά – να κάνουν τις απαραίτητες επενδύσεις στα κτήματα διακομιστών τους χωρίς αποδεδειγμένη αύξηση των αναλογιών απόδοσης επένδυσης (ROI).

«Όταν σχεδιάζονται εφαρμογές τεχνητής νοημοσύνης, σε πολύ πρώιμο στάδιο οι σχεδιαστές πληροφορικής πρέπει να λάβουν ορισμένες βασικές αποφάσεις σχετικά με την βασική τεχνολογία ενεργοποίησης», λέει ο Armstrong-Barnes. «Για παράδειγμα, θα το αγοράσετε, θα το κατασκευάσετε - ή θα ακολουθήσετε μια υβριδική προσέγγιση που να περιλαμβάνει στοιχεία και των δύο;»

Η επόμενη σημαντική απόφαση αφορά τις συνεργασίες. Μια καθοριστική προϋπόθεση για την επιτυχή παράδοση της τεχνητής νοημοσύνης είναι να μην μπορεί κανείς να το κάνει μόνος του, επισημαίνει ο Armstrong-Barnes: «Χρειάζεστε την υποστήριξη τεχνολογικών συνεργατών και ο καλύτερος τρόπος για να δημιουργήσετε αυτές τις συνεργασίες είναι μέσω ενός οικοσυστήματος AI. Σκεφτείτε ένα οικοσύστημα τεχνητής νοημοσύνης ως μια υποστηρικτική κοινοπραξία εμπειρογνωμοσύνης που, ενωμένοι, θα σας δώσει πρόσβαση στη σωστή τεχνογνωσία, δεδομένα, εργαλεία τεχνητής νοημοσύνης, τεχνολογία και οικονομία για να αναπτύξετε και να λειτουργήσετε τις προσπάθειές σας για την τεχνητή νοημοσύνη».

Ο Armstrong-Barnes προσθέτει: «Οι πελάτες ρωτούν μερικές φορές πώς το HPE έγινε τόσο έμπειρο σε περιπτώσεις χρήσης τεχνητής νοημοσύνης – είχαμε προβλέψει τον αντίκτυπό του πριν από χρόνια και αρχίσαμε να προετοιμαζόμαστε πολύ νωρίτερα από την αγορά; Το γεγονός είναι ότι είδαμε τον αντίκτυπο της τεχνητής νοημοσύνης να έρχεται όχι πριν από χρόνια αλλά δεκαετίες, ιδρύσαμε κέντρα αριστείας και οικοσυστήματα τεχνητής νοημοσύνης για μεγάλο χρονικό διάστημα και πραγματοποιήσαμε στρατηγικές εξαγορές για να ενισχύσουμε την υπάρχουσα τεχνογνωσία μας σύμφωνα με τις απαιτήσεις των πελατών και τις ευκαιρίες ανάπτυξης».

Κανένα τρένο, κανένα κέρδος

Μια τέτοια αύξηση είναι το Determined AI, το οποίο έγινε μέρος των προσφορών λύσεων HPC και AI της HPE το 2021. Το λογισμικό ανοιχτού κώδικα της Determined AI αντιμετωπίζει το γεγονός ότι η δημιουργία και η εκπαίδευση βελτιστοποιημένων μοντέλων σε κλίμακα είναι ένα απαιτητικό και κρίσιμο στάδιο ανάπτυξης ML – ένα στάδιο που όλο και περισσότερο απαιτεί από μη τεχνολόγους όπως αναλυτές, ερευνητές και επιστήμονες να ανταποκριθούν στις προκλήσεις του HPC.

Αυτές οι προκλήσεις περιλαμβάνουν τη δημιουργία και τη διαχείριση μιας άκρως παράλληλης στοίβας λογισμικού και υποδομής που εκτείνεται σε εξειδικευμένη παροχή υπολογιστών, αποθήκευση δεδομένων, υπολογιστικό υλικό και κάρτες επιτάχυνσης.

«Επιπλέον, οι εκθέτες ML πρέπει να προγραμματίσουν, να προγραμματίσουν και να εκπαιδεύσουν αποτελεσματικά τα μοντέλα τους για να μεγιστοποιήσουν τη χρήση της εξειδικευμένης υποδομής που έχουν δημιουργήσει», λέει ο Armstrong-Barnes, «η οποία μπορεί να δημιουργήσει πολυπλοκότητα και να επιβραδύνει την παραγωγικότητα».

Αυτά τα καθήκοντα πρέπει να εκτελούνται, φυσικά, με ένα αυστηρό επίπεδο ικανοτήτων, το οποίο, ακόμη και με την υποστήριξη υπερεκτεταμένων εσωτερικών ομάδων πληροφορικής, δεν είναι εύκολα εξασφαλισμένο.

Η πλατφόρμα ανοιχτού κώδικα του Determined AI για εκπαίδευση μοντέλων ML έχει σχεδιαστεί για να καλύψει αυτό το κενό πόρων, καθιστώντας εύκολη τη ρύθμιση, τη διαμόρφωση, τη διαχείριση και την κοινή χρήση σταθμών εργασίας ή συμπλεγμάτων AI που εκτελούνται εντός των εγκαταστάσεων ή στο cloud. Και εκτός από την premium υποστήριξη, περιλαμβάνει χαρακτηριστικά όπως προηγμένα εργαλεία ασφάλειας, παρακολούθησης και παρατηρησιμότητας – όλα υποστηρίζονται από τεχνογνωσία από το HPE.

«Η αποφασιστική τεχνητή νοημοσύνη αφορά την άρση των εμποδίων για τις επιχειρήσεις να κατασκευάζουν και να εκπαιδεύουν μοντέλα ML σε κλίμακα και ταχύτητα, προκειμένου να αποκτήσουν μεγαλύτερη αξία σε λιγότερο χρόνο, με το νέο σύστημα ανάπτυξης μηχανικής μάθησης HPE», εξηγεί ο Armstrong-Barnes. «Αυτές οι δυνατότητες περιλαμβάνουν αρκετά τεχνικά στοιχεία που είναι απαραίτητα για τη βελτιστοποίηση του φόρτου εργασίας AI/Machine Learning, όπως προγραμματισμός επιταχυντή, ανοχή σφαλμάτων, παράλληλη και κατανεμημένη εκπαίδευση μοντέλων υψηλής ταχύτητας, προηγμένη βελτιστοποίηση υπερπαραμέτρων και αναζήτηση νευρικής αρχιτεκτονικής.

«Προσθέστε σε αυτό πειθαρχικά καθήκοντα, όπως η αναπαραγώγιμη συνεργασία και η παρακολούθηση μετρήσεων – είναι πολλά να συνεχίσετε. Με τη βοήθεια του Determined AI, οι ειδικοί του έργου μπορούν να επικεντρωθούν στην καινοτομία και να παρακολουθήσουν γρήγορα το χρόνο τους μέχρι την παράδοση».

Περισσότεροι πόροι HPC και κανονισμοί παίζουν το ρόλο τους

Η ισχύς του HPC χρησιμοποιείται επίσης ολοένα και περισσότερο για την εκπαίδευση και τη βελτιστοποίηση μοντέλων τεχνητής νοημοσύνης, επιπλέον του συνδυασμού με την τεχνητή νοημοσύνη για την αύξηση του φόρτου εργασίας, όπως η μοντελοποίηση και η προσομοίωση – μακροχρόνια εργαλεία για την επιτάχυνση του χρόνου μέχρι την ανακάλυψη σε τομείς σε ολόκληρη τη βιομηχανία παραγωγής.

Η παγκόσμια αγορά HPC είναι έτοιμη για εκτιμώμενη ανάπτυξη κατά την υπόλοιπη δεκαετία του 2020. Mordor Intelligence εκτιμήσεις η αξία του στα 56.98 δισεκατομμύρια δολάρια το 2023 και αναμένει ότι θα φτάσει τα 96.79 δισεκατομμύρια δολάρια έως το 2028 – CAGR 11.18 τοις εκατό κατά την περίοδο πρόβλεψης.

«Η HPE κατασκευάζει υποδομές HPC για μεγάλο χρονικό διάστημα και τώρα διαθέτει ένα χαρτοφυλάκιο HPC που περιλαμβάνει υπερυπολογιστές Exascale και πλατφόρμες υπολογιστών βελτιστοποιημένες για την πυκνότητα. Μερικά από τα μεγαλύτερα συμπλέγματα HPC είναι βασισμένα στην καινοτομία HPE», λέει ο Armstrong-Barnes. «Η HPE διαθέτει απαράμιλλη τεχνογνωσία σε πλατφόρμες υλικού υψηλής απόδοσης».

Με την εισαγωγή του HPE GreenLake για μοντέλα μεγάλων γλωσσών νωρίτερα φέτος (2023), οι επιχειρήσεις – από τις νεοφυείς επιχειρήσεις έως το Fortune 500 – μπορούν να εκπαιδεύσουν, να συντονίσουν και να αναπτύξουν τεχνητή νοημοσύνη μεγάλης κλίμακας χρησιμοποιώντας μια βιώσιμη πλατφόρμα υπερυπολογιστών που συνδυάζει το λογισμικό AI της HPE και τους πιο προηγμένους υπερυπολογιστές.

Σαφώς, η υιοθέτηση της τεχνητής νοημοσύνης είναι πρόκληση για οργανισμούς όλων των μεγεθών, αλλά δεν αφορά μόνο την τεχνολογία, επισημαίνει ο Armstrong-Barnes: «Όλο και περισσότερο, όλοι οι χρήστες τεχνητής νοημοσύνης θα πρέπει να παραμένουν ενημερωμένοι με επείγοντες κανονισμούς και συμμορφώσεις τεχνητής νοημοσύνης. Νομοθεσία όπως η Διακήρυξη των Δικαιωμάτων της ΤΝ των ΗΠΑ, ο νόμος για την τεχνητή νοημοσύνη της ΕΕ και οι επικείμενες ρυθμιστικές προτάσεις που ορίζονται στη Λευκή Βίβλο της κυβέρνησης του Ηνωμένου Βασιλείου για την τεχνητή νοημοσύνη – που γενικά αναμένεται να ενημερώσει ένα πλαίσιο τεχνητής νοημοσύνης έτοιμο για συμμόρφωση – αποτελούν έμμεσα παραδείγματα.

Για τις επιχειρήσεις που δραστηριοποιούνται διεθνώς, αυτό μοιάζει με ένα άλλο εμπόδιο τυλιγμένο με γραφειοκρατία, αλλά ο Armstrong-Barnes προτείνει ότι οι κανονιστικές συμμορφώσεις μπορεί να μην είναι τόσο επαχθείς όσο φαίνονται – με λίγη βοήθεια από ένα καλά εξοπλισμένο οικοσύστημα συνεργασίας AI.

"Ελέγξτε αν οι συνεργάτες σας στο οικοσύστημα τεχνητής νοημοσύνης θα μπορούσαν επίσης να σας βοηθήσουν στις συμμορφώσεις - εάν βρίσκεστε ήδη σε ένα αυστηρά ρυθμισμένο επιχειρηματικό περιβάλλον, μπορεί κάλλιστα να είστε ήδη στα μισά του δρόμου με τις υπάρχουσες τηρήσεις."

Χορηγός της HPE.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://go.theregister.com/feed/www.theregister.com/2023/10/25/putting_ai_challenges_in_perspective/