Mākoņi bezpilota ugunsbumbām un genoma analīzei
Veikt daudzus pētījumus universitātēm un zinātniskiem
Piemēri:
Maskavas Valsts tehniskās universitātes sacīkšu komanda N. E.Baumana (Bauman Racing Team) izmantoja mākoņu spēku, lai izveidotu bezpilota sacīkšu automašīnu. Autonomajai braukšanas sistēmai ir algoritms, kas reālā laikā atpazīst trasē esošos objektus. Tas ļauj automašīnai kustēties pareizajā virzienā. Šādai atpazīšanai izstrādātāji izmantoja konvolucionālos neironu tīklus, un šo neironu tīklu apmācība notika mākonī.
Šo pakalpojumu izmantoja Bauman Racing TeamML izstrāde (mašīnmācīšanās) Yandex DataSphere divu neironu tīklu, kas apstrādā attēlus, apmācībai. Šī rīka izmantošana ļāva ievērojami palielināt algoritmu apguves ātrumu un ērtības: jau tagad viens no neironu tīkliem caur sevi ir izlaidis 7000 attēlu, bet otrais - 3000.
Kvantitatīvo metožu pielietošanas centrsBioloģija Vācijas Tībingenes Universitātē sadarbojas savos genoma izpētes projektos ar Amazon mākoņpakalpojumu AWS. Vācu zinātnieki izmanto mākoni, lai analizētu desmitiem tūkstošu ģenētisko paraugu un identificētu dažādus modeļus, piemēram, atšķirības gēnu ekspresijā starp veseliem un slimiem audiem. Mākoņa izmantošana ļāva samazināt genomu izpētes laiku par 50% un paātrināt darbu pie projekta.
Gēnu izpausme- iedzimtības pārveidošanas processinformāciju (DNS nukleotīdu secību) RNS vai proteīnā. Tieši gēnu ekspresijas regulēšana dod šūnām spēju kontrolēt savu struktūru. Gēnu ekspresijas īpašību kontrole ietekmē citu gēnu funkcijas visā organismā.
Skaitiet ābolus, meklējiet vēzi un analizējiet melnā cauruma attēlus
Mūsdienās mākoņpakalpojumu sniedzēji nodrošina ērtus, gatavus rīkus ML izstrādei un darbam ar datiem – un tas ir otrs iemesls, kāpēc zinātniskās organizācijas sāk izmantot mākoni.
Šie rīki galvenokārt ietverpakalpojumi mašīnmācībai: Yandex DataSphere, Google Cloud ML vai Azure ML. Pakalpojumi ērtai datu apskatei un vizualizēšanai interesē pētniekus: piemēram, Yandex DataLens vai Microsoft Power BI. Ir arī specializētāki rīki, piemēram, AWS Panorama datora redzes tehnoloģijām, Yandex SpeechKit runas atpazīšanai un sintēzei vai Google Vision AI attēlu analīzei.
Piemēri:
Maskavas Valsts universitātes Bioloģijas fakultāte kopā ar Federālo pētījumu centruMičurins, Tambovas Valsts universitāte un VIM agroinženierijas centrs izmantoja Yandex.Cloud rīkus, lai izveidotu dārza uzraudzības sistēmu. To izmanto, lai precīzāk novērtētu un prognozētu ražas apjomu un efektīvāk plānotu turpmāko piegādes ķēdi.
Zinātnieki augšupielādē Yandex mākoņkrātuvē.Mākoņfotografē augļus un izmanto Yandex DataSphere, lai izveidotu pašmācības algoritmu: tas atpazīst atsevišķus ābolus uz kokiem un saskaita to skaitu, kā arī iemācās noteikt tādus rādītājus kā ziedēšanas intensitāte, ražas pārpilnība no hektāra un pašu augļu kvalitāte.
Pamatojas Amerikas vēža biedrībaGoogle Cloud analizēja dažādus sieviešu ar krūts vēzi orgānu attēlus un identificēja šādu audzēju rašanās un attīstības modeļus. Zinātnieki izmantoja Cloud ML Engine: mašīnmācīšanās ļāva veikt analīzi 12 reizes ātrāk. Turklāt, kā atzīmē pētījuma autori, mākoņa izmantošana sniedz zinātniekiem iespēju mērogot sava darba rezultātus un izmantot iegūtos rezultātus citos līdzīgos projektos.
Starptautiskie astronomiskie pētījumiTeleskopa projekts Event Horizon izmantoja Google Cloud skaitļošanas jaudu, lai izveidotu pirmo melnā cauruma attēlu. Lai izveidotu šādu attēlu, tika apstrādāts milzīgs datu apjoms no teleskopiem: novērojumu nedēļā katru dienu tika saņemti vidēji 350 TB dati. Lai apstrādātu un analizētu šādu apjomu, zinātniekiem bija nepieciešama ievērojama jauda, tāpēc viņi pievērsās mākoņa izmantošanai.
Aizsargājiet Baikālu, izpētiet artefaktus un meklējiet roņus
Svarīga ir arī mākoņa loma zinātnisko projektu pārejāuz modernākām darba metodēm: no novecojušām analīzes metodēm līdz mākslīgā intelekta izmantošanai. Viss šeit ir svarīgs: papildu jauda, kas pieejama mākonī, unikāli pakalpojumi un mākoņa pakalpojumu sniedzēju vispārējās zināšanas.
Piemēri:
Viens no acīmredzamākajiem piemēriemsinerģija - sadarbība starp Yandex.Cloud un Krievijā ilgāko vides monitoringa programmu “Point Nr.1”, kas Baikāla ezera veselības stāvokli uzrauga jau 75 gadus. Nesen projektu draudēja slēgt resursu trūkuma un ļoti novecojušo datu analīzes tehnoloģiju dēļ.
Projekta ietvaros Yandex.Cloud kopā ar zinātniekiem veido inteliģentu sistēmu, lai digitāli atbalstītu ūdens paraugu analīzes procesu, izmantojot AI. Lai apmācītu algoritmu, kas spēj atpazīt mikroorganismus Baikāla ūdens paraugos, zinātnieki sniedza vairāk nekā tūkstoš katra mikroorganisma veida attēlu. Nākotnē šis “digitālais palīgs” spēs identificēt līdz pat 400 planktona sugām un automātiski atpazīt līdz pat 99% paraugu.
Stenfordas Universitāte izmantoja iespējasmākoņi no AWS, lai izveidotu arheoloģisko atradumu datubāzi: mēs runājam par atradumiem, kas atklāti izrakumos Çatalhöyük vietā Turcijā. Iepriekš, izveidojot un regulāri atjauninot datubāzi, kurā bija visa informācija par kādu priekšmetu, norādot precīzu atraduma atrašanās vietu un citas ziņas par to, zinātnieku darbs prasīja daudzas stundas – tas prasīja aptuveni 20 stundas nedēļā, un nereti apjukums dažādu cilvēku ievadīto atjauninājumu dēļ. Datu bāzes pārvietošana uz mākoni ir padarījusi informācijas atjaunināšanas procesu daudz efektīvāku.
Vēl viens piemērs:ASV Nacionālā okeāna un atmosfēras pārvalde ir izmantojusi Microsoft Azure mākoni, lai izveidotu AI rīkus, kas palīdzētu izpētīt un aizsargāt polārroņus un beluga vaļus Aļaskā. Iepriekš biologi manuāli pētīja tūkstošiem aerofotogrāfiju un meklēja pētāmo dzīvnieku pazīmes, un informācija šajā laikā bieži kļuva novecojusi. Tagad šim darbam tiek izmantoti AI rīki: mākslīgā intelekta modeļu apmācība un zinātnieku savākto 20 TB datu apstrāde notiek mākonī.
Slēdziet līgumus un nodrošiniet datu drošību
Dažreiz tas ir šķērslis mākoņa izmantošanaiIespējams, ka trūkst zināšanu par mākoņtehnoloģijām: ērtu rīku pieejamība un mākoņdatošanas pakalpojumu sniedzēju zināšanas lielā mērā atrisina šo problēmu. Dažas universitātes un citas valsts pētniecības organizācijas kļūdaini uzskata, ka tās nevar slēgt līgumus par mākoņtehnoloģiju izmantošanu, kas patiesībā tā nav.
Dažos gadījumos trūkst pētījumu projektufinanšu resursi. Tomēr daudziem lieliem mākoņpakalpojumiem ir zinātnes atbalsta programmas. Dažās valstīs ir arī valsts mēroga projekti, kuriem jāveicina mākoņa izmantošana zinātnē. Pagājušajā gadā ASV uzsāka projektu National Research Cloud, kurā piedalījās 22 universitātes, tostarp Stenfordas universitāte un Kārnegija Melona universitāte, kā arī ASV valdības un Kongresa pārstāvji un tehnoloģiju korporācijas, tostarp Google, Microsoft, Amazon un IBM. ... Projekta mērķis ir nodrošināt pētniekiem piekļuvi mākoņa iespējām un atrast finansējumu līdzīgiem projektiem.
Dažos gadījumos zinātnieki var būt noraizējušiesdatu drošības jautājums mākonī. Patiesībā mūsdienu mākoņu platformām ir vairākas priekšrocības salīdzinājumā ar to pašu fizisko infrastruktūru: dati tiek izplatīti visā mākonī, un datu centri ir sadalīti ģeogrāfiski, tāpēc, ja jūsu datu centrs neizdodas, mākoņa koncepcija to mazina. Turklāt mākoņu platformas drošība tiek pastāvīgi uzraudzīta.
Mākonis arī atvieglo sadarbībupar projektiem un zināšanu apmaiņu: piemēram, ML rīki (DataSphere) ļauj koplietot pētījumu rezultātus, izmantojot valsts saglabāšanu, lai citi zinātnieki vajadzības gadījumā varētu eksperimentu atkārtot.
Zinātne turpinās pāriet uz mākoni
Visi projekti, kuru autori vēršas mākonīpakalpojumus vieno, pirmkārt, pats matemātisko metožu izmantošanas fakts un ar to saistīto prasību pieaugums informācijas apstrādes ātrumam un apjomam. Zinātniskie institūti mākonī nāk galvenokārt, lai iegūtu papildu skaitļošanas jaudu, taču tie paliek gatavu rīku un mērogojamu pakalpojumu pieejamības dēļ.
Lasīt vairāk:
Zemes rotācijas palēnināšanās izraisīja skābekļa izdalīšanos uz planētas
Jaunā daļiņa, kas atklāta pie lielā hadronu kolidera
Zinātnieki ir atraduši senāko lietišķās ģeometrijas piemēru