KHOA HỌC MÁY TÍNH VỚI ĐIỆN TOÁN ĐÁM MÂY

Khoa học máy tính đã có một bước tiến lớn so với các mainframe (máy tính lớn) của những năm 1960. Vậy lĩnh vực này sẽ tiếp tục phát triển như thế nào? Có bốn xu hướng mới nổi đã được thảo luận tại hội nghị Practice and Experience in Advanced Research Computing (PEARC) gần đây:

Mở rộng ứng dụng AI và ML

Trí tuệ nhân tạo (AI) và Machine learning (ML) tiếp tục được mở rộng phát triển nhiều ứng dụng. Bên cạnh các phương pháp nghiên cứu cơ bản, machine learning đang được sử dụng trong các ứng dụng từ digital pathology đến tổng hợp nghiên cứu tài liệu khoa học.

Điện toán đám mây là sự lựa chọn phù hợp cho cả AI và ML. Về hỗ trợ đào tạo, thu thập, lưu trữ và chia sẻ dữ liệu trên quy mô lớn. Tại buổi giới thiệu gian hàng tại PEARC, AWS đã chia sẻ cách các nhà nghiên cứu có thể sử dụng Amazon SageMaker, AWS Lake Formation và AWS Glue. Để trích xuất thông tin từ kho dữ liệu trên Amazon Simple Storage Service (Amazon S3), xây dựng kho siêu dữ liệu, truy vấn dữ liệu này. Và sau đó phân tích kết quả bằng cách sử dụng các AI và ML framework chuyên sâu trên môi trường Jupyter notebook. Để biết thêm thông tin, hãy truy cập AWS Machine Learning Blog.

Cơ hội nghề nghiệp

Điện toán đám mây tạo ra nhiều cơ hội phát triển cho ngành khoa học máy tính. Các chương trình giảng dạy và chương trình thực tập mới hiện đã có sẵn. Để đào tạo cho các chuyên gia chuyên nghiên cứu máy tính. Và giải quyết các lỗ hổng lớn trong hiện trạng đào tạo hiện tại (như khả năng tái tạo và quản lý dự án). Để tận dụng các nguồn tài nguyên hiện tại, các nhà nghiên cứu cần nhận được nhiều sự hỗ trợ hơn trong cách sử dụng máy tính để nghiên cứu. Đây là cơ hội trau dồi kỹ năng cho các sinh viên. Các giáo sư thường tuyển những sinh viên chưa tốt nghiệp vào nghiên cứu của mình. Thường là thông qua National Science Foundation (NSF) để hỗ trợ kinh nghiệm nghiên cứu cho sinh viên chưa tốt nghiệp.

Nhưng đây chỉ là một trong nhiều kỹ năng công nghệ mà các tổ chức trên thế giới cần phát triển. Với AWS, họ giải quyết vấn đề này trên quy mô lớn thông qua AWS Educate. Cung cấp cho sinh viên và nhà giáo dục quyền truy cập vào chương trình đào tạo theo khả năng. Các công cụ cộng tác và lộ trình học tập thực hành cho nghề nghiệp trong các lĩnh vực như ML, data science, phát triển ứng dụng, và kiến ​​trúc hạ tầng đám mây.

Xây dựng công cụ nghiên cứu

Các chuyên gia có thể xây dựng nhiều phương pháp giúp khám phá và tổng hợp kết quả nghiên cứu. Nhiều bài báo tập trung vào các science gateways, workbenches và quản lý quy trình làm việc. Trình quản lý quy trình làm việc là các sản phẩm phần mềm. Cho phép các nhà nghiên cứu chia sẻ và thực hiện các quá trình song song phức tạp,  tận dụng các nguồn lực của HPC. Workbenches cung cấp môi trường phát triển đơn giản hơn cho người quản lý quy trình làm việc. Science gateways là các tài nguyên dựa trên web để truy cập dữ liệu, dịch vụ phần mềm và tính toán. Chúng có nhiều cấp độ và cách tiếp cận khác nhau. Cho phép các nhà nghiên cứu truy cập, xử lý dữ liệu hiệu quả hơn, thúc đẩy và tăng tốc phát triển khoa học.

HPC cho lĩnh vực khoa học nhân văn

Nhiều người nói về cuộc khủng hoảng trong ngành khoa học nhân văn tại các trường đại học. Nơi sinh viên từ bỏ các chuyên ngành như lịch sử nghệ thuật hoặc văn học sang các chuyên ngành đang phát triển nhanh nhất trên thị trường việc làm. Nhưng  science gateways đã giúp khoa học mở ra cánh cửa mới – đưa thị trường việc làm đến gần hơn với ngành khoa học nhân văn.

SnowVision gateway là một ứng dụng tiên phong của HPC cho lĩnh vực nhân văn. Từ lâu, các nhà khảo cổ đã nhận ra rằng các thiết kế trên mảnh gốm của thổ dân châu Mỹ từ miền đông nam Hoa Kỳ có thể được sử dụng để theo dõi số lượng và sự tiến hóa của các thiết kế nghệ thuật. Nhưng việc ghép mẫu này là do con người thực hiện, rất chậm và tốn nhiều công sức. SnowVision sử dụng khả năng dự đoán của máy tính cao cấp. Được HPC tăng tốc, để tự động hóa quá trình này. Cho phép các nhà nghiên cứu tải lên một mảnh gốm và khớp với thiết kế của nó ngay lập tức.

ML cũng có một bước ngoặt trong lịch sử nghệ thuật: một bài báo của Paul Rodriguez và các đồng nghiệp đã mô tả ứng dụng tiềm năng của deep learning. Để nhóm các bức tranh lịch sử, mở ra những câu hỏi thú vị về điều có thể xảy ra. Nếu máy có thể được đào tạo về các đặc điểm như các nhà sử học nghệ thuật được đào tạo có thể nhìn thấy.

Phân tích dữ liệu có sức mạnh tác động đến mọi lĩnh vực. Và sức mạnh này có thể được hiện thực hóa khi nhiều bộ tổng hợp được tạo ra (chẳng hạn như Oxford University’s Global Heritage Collections). Nó sử dụng AWS như một lựa chọn giúp tối ưu tối đa chi phí nghiên cứu.

Nguồn: AWS