رهاكو، مرجع مجازي سازي

با گسترش هوش مصنوعي هر روز بيشتر با كاربردهاي آن و همين طور با موقعيت‌هاي كاري مختلف مربوط به هوش مصنوعي و يادگيري ماشين و ديتا ساينس آشنا مي‌شويم. برخي از بزرگ‌ترين شركت‌هاي حوزه فناوري مانند: گوگل، مايكروسافت، اپل و تسلا به شكل گسترده‌اي در حال استفاده از يادگيري ماشين هستند. جالب است كه بدانيد فناوري يادگيري ماشين مي‌تواند فرصت‌هاي شغلي مختلفي را براي متخصصان به وجود آورد. ايران نيز در رتبه‌ي 15 جهان در زمينه هوش مصنوعي قرار دارد و تنها رقيب وي در خاورميانه كشور تركيه است. مسلما با پيشرفت روزافزون اين حوزه و توسعه كاربردهاي آن ايران مي‌تواند به زودي جزو 10 كشور برتر در زمينه يادگيري ماشين و هوش مصنوعي قرار بگيرد. دانشگاه‌هاي معتبر ايراني تحقيقات زيادي در اين حوزه انجام مي‌دهند و به پيشرفت‌هاي قابل توجهي رسيده‌اند. در اين مقاله به توضيحات بيشتر درباره وظايف يك مهندس يادگيري ماشين مي‌پردازيم.
مهندسان يادگيري ماشين برنامه نويساني ماهر هستند كه به تحقيق، ساخت و طراحي نرم افزارهاي self-governing براي خودكارسازي مدل‌هاي پيش بيني مي‌پردازند. يك مهندس ML سيستم‌هاي هوش مصنوعي (AI) مي‌سازد. كه از مجموعه داده‌هاي عظيمي براي توليد و توسعه الگوريتم‌ها استفاده مي‌كند كه قادر به يادگيري و در نهايت پيش‌بيني هستند. هر بار كه نرم افزار عملياتي را انجام مي‌دهد، از آن نتايج «ياد مي‌گيرد» تا عمليات آينده را با دقت بيشتري انجام دهد.
مهندس يادگيري ماشين كيست؟
يك مهندس يادگيري ماشين فردي است كه با حجم زيادي از داده‌ها روبه رو است. اين فرد داده‌ها را از منابع مختلف مانند: بانك‌هاي اطلاعاتي، فضاي ذخيره سازي ابري، شبكه‌هاي اجتماعي و بازخوردهاي مشتريان را دريافت كرده و تمام داده‌ها را تجزيه و تحليل و دسته بندي مي‌كند. در ادامه الگوريتمي براي پردازش داده‌ها آماده مي‌كند، تا بتواند از داده‌هاي دريافتي نكاتي را بياموزد و تصميماتي دقيق و بي نقص بگيرد. طراحي سيستم‌هاي يادگيري ماشين مستلزم آن است كه مهندس يادگيري ماشين، داده‌ها را ارزيابي، تجزيه و تحليل كند. تا اينكه بتواند فرآيند يادگيري را براي كمك به توسعه مدل‌هاي يادگيري ماشيني با كارايي بالا، بهينه كند.
مهندس يادگيري ماشين چه كاري انجام مي‌دهد؟
كاري كه يك مهندس يادگيري ماشين انجام مي‌دهد اين است كه به كامپيوترها اجازه مي‌دهد بر مبناي دانشي كه به دست آورده‌اند، تصميماتي را اتخاذ كنند. مهندسان يادگيري ماشين برنامه نويسان بسيار ماهري مي‌باشند كه سيستم‌هاي هوش مصنوعي (AI) را توسعه مي‌دهند. و از مجموعه داده‌هاي بزرگ براي تحقيق، توسعه و توليد الگوريتم‌هايي استفاده مي‌كنند كه مي‌توانند ياد بگيرند و پيش بيني كنند. به طور كلي، اين نقش مسئول طراحي سيستم‌هاي يادگيري ماشين است كه شامل ارزيابي و سازماندهي داده‌ها، اجراي آزمايش‌ها، و به طور كلي نظارت و بهينه‌ سازي فرآيندهاي يادگيري ماشين براي كمك به توسعه سيستم‌هاي يادگيري ماشيني با عملكرد قوي است. بسياري از شغل‌ها مستلزم دانش زبان‌هاي برنامه نويسي مانند: پايتون، جاوا و C/C++ هستند.
يك مهندس يادگيري ماشين با چه كساني كار مي‌كند؟
تيم مهندس ماشين از ادامه مطلب...

يك اتاق سرور را تصور كنيد كه پر از ماشين‌هايي است كه كارهاي محاسباتي چندين شركت و سيستم‌هاي خنك‌كننده را انجام مي‌دهند. كارايي اتاق سرور به عملكرد بهينه تجهيزات اين اتاق بستگي دارد. به همين دليل مديران فناوري اطلاعات بايد همواره از كار كردن سرورها به درستي و با ظرفيت كامل اطمينان حاصل كنند. اما چگونه مديران مركز داده در نگهداري از تجهيزات IT سر خود را بالاتر از آب نگه مي‌دارند؟ چگونه مركز داده مي‌تواند سطح بالايي از عملكرد را حفظ كند و در عين حال هزينه‌ها و مصرف انرژي را كاهش دهد؟ يكي از روش‌ها مانيتورينگ اتاق سرور است. در ادامه با اين پديده بيشتر آشنا مي‌شويد.

اهميت مانيتورينگ اتاق سرور

مانيتورينگ اتاق سرور براي زماني كه شركت‌ها بخواهند در هزينه‌هاي خود صرفه‌جويي كنند يك گزينه ايده آل محسوب مي‌شود. حسگرهاي دما كه در مكان‌هاي استراتژيك اطراف اتاق سرور قرار مي‌گيرند اطلاعاتي را درباره گرم، خنك يا مرطوب بودن مركز داده به مديران IT ارائه مي‌دهند. با اين داده‌ها، كاركنان فناوري اطلاعات مي‌دانند كه چگونه بايد مكانيسم‌هاي خنك كننده را تنظيم كنند و از مشكلات پرهزينه اتاق سرور جلوگيري كنند.

وقتي شركت‌ها روي فناوري‌هاي مانيتورينگ اتاق سرور مانند سرمايه‌گذاري مي‌كنند، در درازمدت هم در بهره‌وري انرژي و هم صرفه‌جويي در هزينه‌ها تاثيرات مثبتي ايجاد مي‌كند. سيستم‌هاي نظارت بر رطوبت و دما اتاق سرور با هشدارهاي داخلي ارائه مي‌شوند تا كاركنان فناوري اطلاعات بدانند چه زماني تجهيزات و تنظيمات را تغيير دهند. به اين ترتيب از طريق هشدارها و ترفندهاي سيستم‌هاي خنك كننده مي‌توان دماي اتاق سرور را به راحتي مديريت كرد و مراكز داده مي‌توانند به حداكثر بازدهي دست يابند.

مانيتورينگ اتاق سرور چيست؟

سيستم‌ مانيتورينگ اتاق سرور شما را قادر مي‌سازد تا به طور فعال شرايط را در رك، اتاق سرور، مركز داده يا هر مكان ديگر نظارت كنيد. مواردي كه به نظارت نياز دارند شامل دماهاي شديد، رطوبت، نوسانات برق، نشت آب، دود و مواد شيميايي است. با نظارت مناسب بر محيط اتاق سرور از شرايط نامطلوب تجهيزات در سريع‌ترين زمان ممكن آگاه مي‌شويد. يك سيستم مانيتورينگ محيطي از سه عنصر اصلي تشكيل شده است: يك هاب، حسگرها، و اتصال و يكپارچگي شبكه. هاب‌ها ممكن است شامل يك يا چند حسگر داخلي و همچنين پورت‌هايي براي اتصال پروب هاي خارجي باشند. آن‌ها همچنين داراي يك پورت اترنت هستند و نرم افزاري براي پيكربندي و نمودار از راه دور دارند. اين نرم افزار ممكن است با نرم افزارهاي مديريت شبكه موجود مانند سيستم‌هاي SNMP نيز كار كند.

نقش مانيتورينگ اتاق سرور براي كسب و كار شما 

مانيتورينگ اتاق سرور از قلب كسب و كار شما محافظت مي‌كند. نظارت و   ادامه مطلب...

هوش مصنوعي شاهد رشد چشمگيري در پر كردن شكاف بين توانايي‌هاي انسان و ماشين بوده است. محققان و علاقه مندان به طور يكسان، روي جنبه‌هاي متعددي از اين رشته كار مي‌كنند تا بتوانند اتفاقات شگفت انگيزي را رقم بزنند. يكي از اين حوزه‌ها، حوزه بينايي كامپيوتر است. پيشرفت‌هاي بينايي رايانه‌اي با يادگيري عميق در گذشت زمان، عمدتا بر روي يك الگوريتم خاص يك شبكه عصبي كانالوشن، ساخته و تكميل شده است.

شبكه عصبي كانولوشن براي يافتن الگوهايي در تصاوير براي تشخيص اشيا، چهره‌ها و صحنه‌ها مفيد مي‌باشد. آن‌ها همچنين مي‌توانند براي طبقه بندي داده‌هاي غير تصويري مانند: صدا، داده‌هاي سيگنال كاملا موثر باشند. برنامه‌هايي كه به تشخيص اشيا و ديد كامپيوتري نياز دارند. مانند: وسايل نقليه خودران و برنامه‌هاي تشخيص چهره به شدت به CNNها متكي هستند.

توضيحي مختصر درباره بينايي كامپيوتر

بينايي كامپيوتري حوزه‌اي از هوش مصنوعي است كه به رايانه‌ها و سيستم‌ها اين قابليت را مي‌دهد؛ تا اطلاعات معنا داري را از تصاوير ديجيتال، ويدئوها و ساير ورودي‌هاي بصري به دست آورند. و بر اساس آن اطلاعات، اقداماتي انجام دهند يا توصيه‌هايي را ارائه كنند. هوش مصنوعي رايانه‌ها را قادر مي‌سازد فكر كنند، بينايي رايانه آن‌ها را قادر مي‌سازد كه ببينند، مشاهده كنند و بفهمند.  

انواع مختلفي از شبكه‌هاي عصبي وجود دارد. به عنوان مثال: شبكه‌هاي عصبي مكرر كه معمولا براي پردازش زبان طبيعي و تشخيص گفتار استفاده مي‌شوند. در حالي كه شبكه‌هاي عصبي كانولوشنال (يا CNN) اغلب براي طبقه ‌بندي و وظايف بينايي كامپيوتري مورد استفاده قرار مي‌گيرند.

تعريف شبكه عصبي كانولوشن

شبكه عصبي كانولوشن (CNN) نوعي شبكه عصبي مصنوعي مي‌باشد. كه در تشخيص و پردازش تصوير استفاده مي‌شود و به طور خاص براي پردازش داده‌هاي پيكسلي طراحي شده است. شبكه عصبي سيستمي از سخت افزار و يا نرم افزار مي‌باشد. كه از عملكرد نورون‌ها در مغز انسان الگوبرداري شده است. CNN نورون‌هاي خود را بيشتر شبيه نورون‌هاي لوب فرونتال، ناحيه‌اي كه مسئول پردازش محرك‌هاي بصري در انسان و ساير حيوانات است، مرتب مي‌كند. لايه‌هاي CNN شامل يك لايه ورودي، يك لايه خروجي و يك لايه پنهان است. 

دستور كار در زمينه شبكه‌هاي عصبي كانولوشن اين است كه ماشين‌ها را قادر سازد تا جهان را مانند: انسان‌ها ببينند، آن را به شيوه‌اي مشابه درك كنند و حتي از اين دانش براي بسياري از وظايف مشابه استفاده كنند. مانند: تشخيص تصوير و ويدئو، تجزيه و تحليل و طبقه بندي تصوير و باز آفريني رسانه‌ها مورد استفاده قرار مي‌گيرد. شبكه عصبي كانولوشن (CNN)، يك معماري شبكه براي يادگيري عميق است كه مستقيما از داده‌ها ياد مي‌گيرد. شبكه‌هاي عصبي كانولوشنال زير مجموعه‌اي از   ادامه مطلب...

مجازي سازي شبكه به تبديل شبكه سخت افزاري به يك شبكه مبتني بر نرم افزار گفته مي‌شود. مجازي‌سازي شبكه مانند ساير مجازي‌ سازي‌ها يك لايه ميان سخت‌افزار فيزيكي و برنامه‌ها و سرويس‌ها ايجاد مي‌كند. اصلي‌ترين كاربرد مجازي سازي شبكه بهبود عملكرد، انعطاف پذيري، مقياس پذيري و ايجاد امنيت در شبكه است. پياده سازي مجازي سازي در شبكه‌هايي كه كارايي قابل توجهي دارند بسيار سودمند خواهد بود.

مجازي‌سازي منابع شبكه را با يكديگر تركيب مي‌كند و با تقسيم پهناي باند، كانال‌ها را از يكديگر جدا مي‌كند. اين كانال‌ها بسيار ايمن هستند و كاربر از طريق يك ماشين به منابع شبكه دسترسي دارد. به همين ترتيب، مديران شبكه بار كاري را تغيير مي‌دهند و قوانين و برنامه‌ها را راحت‌تر تنظيم مي‌كنند تا از تنظيمات وقت‌گير جلوگيري شود. كاربران به دنبال پياده سازي اين فناوري همواره مي‌توانند به برنامه‌هاي قابل اعتماد و امن دسترسي داشته باشند.

مجازي سازي شبكه چگونه كار مي‌كند؟

مجازي‌سازي خدمات شبكه را از سخت‌افزاري كه روي آن اجرا مي‌شود، جدا مي‌كند تا شبكه به عنوان يك ماشين مجازي ارائه شود. مديريت شبكه مبتني بر نرم افزار به لطف اين فناوري امكان پذير خواهد شد. منابع شبكه فيزيكي توسط نرم افزار (فايروال، لود بالانسر و اين نام مجاز نمي باشد ها) ارائه مي‌شود و بسته هاي IP را از شبكه فيزيكي زيرساخت ارسال مي‌كند.

نرم افزار مجازي سازي شبكه تجهيزات فيزيكي مانند روترها، سوئيچ‌ها، لود بالانسرها و فايروال‌ها را شبيه سازي مي‌كند. اين سيستم سطوح متعددي دارد كه در شبكه مجازي مي‌شوند. نرم‌ افزار مجازي‌سازي از طريق استفاده از نمايش‌هاي سخت‌افزار و نرم‌افزار مجازي يك شبكه‌ واحد ايجاد مي‌كند. منابع مجازي‌ براي كاهش هزينه‌ها مي‌توانند بر روي سخت‌افزارهايي مانند ماشين‌هاي مجازي (VM) يا كانتينرها كار كنند. نرم افزار شبكه مجازي تضمين مي‌كند كه خدمات شبكه در راستاي سياست‌هاي تعيين شده انجام شود.

كاربرد مجازي سازي شبكه براي كسب و كارها

جهان به سرعت در حال تغيير است و كسب و كارهاي امروزي به يك زيرساخت شبكه عالي نياز دارند. جاي تعجب نيست كه مشاغل بايد سرمايه‌گذاري‌هاي زيرساخت شبكه خود را بهينه كنند تا كارايي خود را در شرايط مختلف حفظ نمايند.

مقرون به صرفه

روزهايي كه مجبور بوديد با راهكارهاي دستي و به روز رساني‌هاي پرهزينه و وقت گير دست و پنجه نرم كنيد، گذشته است. اكنون كسب ‌و كارها نيازهاي خود را با استفاده از شبكه‌اي مقرون ‌به ‌صرفه برآورده مي‌كنند. اين امر مجازي سازي شبكه را به يك استراتژي براي بسياري از شركت‌ها تبديل كرده است. مجازي سازي هزينه‌هاي عمليات را با خودكار كردن فرآيندهاي مديريتي كاهش مي‌دهد. علاوه بر اين، خدمات تجاري را با پياده‌سازي يك زيرساخت‌ شبكه مقياس‌پذير بهبود مي‌بخشد و مديران شبكه را قادر مي‌سازد تا  ادامه مطلب...

گوردون مور، يكي از بنيان گذاران كمپاني اينتل است كه شهرت خود را به دليل نظريه‌اي كه در سال 1965 ارائه داد، به دست آورده است. بر اساس Moore's Law تعداد ترانزيستورهاي مورد استفاده در پردازنده‌ها هر دو سال يك بار دو برابر خواهد شد. قانون مور در دهه‌هاي متمادي صادق بود و بخش عمده‌اي از آن به خاطر توسعه در فناوري‌هاي توليد تراشه (Process Node) ممكن است. به بيان ديگر، ترانزيستورها در داخل تراشه‌ها، سال به سال با كاهش ابعاد رو به رو مي‌شدند و در نتيجه چگالي آن‌ها بيشتر مي‌شد.
قانون مور چيست؟
Moore's Law يا قانون مور به تصور ذهني آقاي گوردون مور(Gordon Moore) اشاره دارد كه بيان مي كند تعداد ترانزيستورهاي روي يك ريزتراشه هر دو سال يكبار دو برابر مي‌شود و هزينه رايانه‌ها به نصف مي‌رسد. قانون مور بيان مي‌كند كه ما مي‌توانيم انتظار داشته باشيم كه سرعت و توانايي رايانه‌ها هر چند سال يكبار افزايش يابد و هزينه كم‌تري براي آن‌ها بپردازيم. يكي ديگر از اصول Moore's Law ادعا مي‌كند كه اين رشد تصاعدي است.
قانون كومي جايگزيني براي قانون مور 
 قانون كومي بيشتر به نحوه تجربه‌اي كه كاربران امروزي از دنياي محاسبات دارند، مربوط مي‌شود. و البته راهي براي ايجاد نقشه دنياي فناوري است. زندگي ديجيتال ما به سمتي حركت مي‌كند كه از چندين دستگاه استفاده مي‌كنيم و شارژدهي باتري همچنين عملكرد به ازاي Watt، اهميت بالاتري نسبت به توان خالص به صورت جداگانه دارد.
به اعتقاد ايتكن، شركت‌ها ديگر نبايد توان پردازشي را بالاتر از صرفه جويي انرژي و حفظ زمين قرار دهند. به گفته مدير فناوري ارم، قانون كومي و مور، قوانين طبيعت نيستند؛ بلكه راهكاري براي تعيين مسير دنياي فناوري به حساب مي‌آيند. و ما مي‌توانيم از آن‌ها در مسيري كه قرار داريم استفاده كنيم. قانون مور باعث شده توليد كنندگان روي افزايش توان پردازشي در گذر زمان تمركز كنند. اما قانون كومي روي اين موضوع تمركز دارد كه چه تعداد محاسبات مي‌توان از هر واحد انرژي مصرف شده بدست آورد. اين قانون بيشتر با طبيعت و محيط زيست سازگار است. به گفته ايتكن، دستيابي به بالاترين عملكرد به ازاي Watt هر چيزي است كه از ابتدا در DNA اين صنعت وجود داشته است.
علت استفاده از قوانين مور در سال‌هاي اخير 
در سال 1965، گوردون مور، يكي از بنيانگذاران اينتل، اين مشاهدات را انجام داد كه به Moore's Law معروف شد. يكي ديگر از اصول قانون مور مي‌گويد كه رشد ريزپردازنده‌‎ها نمايي است. Moore's Law نشان مي‌دهد كه رايانه‌ها، ماشين‌هايي كه روي رايانه‌ها كار مي‌كنند، و قدرت محاسباتي همه با گذشت زمان كوچك‌تر، سريع‌تر و ارزان‌تر مي‌شوند، زيرا ترانزيستورهاي مدارهاي مجتمع كارآمدتر مي‌شوند. بيش از 50 سال بعد، ما تاثير و مزاياي پايدار Moore's Law را از بسياري جهات احساس مي‌كنيم.
همانطور كه ادامه مطلب...