شرکت‌های پیشرو در زمینه هوش مصنوعی به تازگی در رویداد VB Transform گرد هم آمدند تا به بررسی چالش‌های مهم مربوط به زیرساخت‌های ذخیره‌سازی داده‌ها بپردازند. در راستای تحولات هوش مصنوعی در صنایع مختلف، این نشست به ویژه به چالش‌های دسترسی به مقادیر وسیع داده‌ها، امنیت و سرعت پردازش تمرکز داشت. در این رویداد، نوآوری‌های هوش مصنوعی در تصویربرداری پزشکی با همکاری PEAK:AIO و Solidigm بررسی شد.
در این نشست، مایکل استوارت، شریک مدیریتی در M12 (صندوق سرمایه‌گذاری مایکروسافت) به میزبانی گفتگو پرداخت. راجر کامینگز، مدیرعامل PEAK:AIO و گرگ مَتسون، رئیس محصولات و بازاریابی Solidigm، در این زمینه تجربیات خود را ارائه دادند. آن‌ها به بررسی شیوه‌های نوین ذخیره‌سازی برای تصویربرداری پزشکی پرداخته و آسیب‌پذیری‌های زیرساخت‌های داده‌ای را در این زمینه مورد بحث قرار دادند.
MONAI، یک چارچوب متن باز برای توسعه و پیاده‌سازی هوش مصنوعی در تصویربرداری پزشکی، نقش مهمی در بهبود فرآیندهای تشخیصی و تحقیقاتی ایفا می‌کند. این فریم‌ورک در همکاری با King’s College London و دیگر نهادها توسعه یافته است و ابزارهای مخصوص حوزه سلامت را شامل می‌شود.
به گفته کامینگز، همکاری اولیه با دانشگاه King’s College در توسعه MONAI فرصتی فراهم کرد تا زیرساخت‌های لازم برای پژوهشگران و پزشکان فراهم شود. ماتسون نیز به تفکیک واضحی در سخت‌افزارهای ذخیره‌سازی اشاره کرد و تأکید کرد که ظرفیت ذخیره‌سازی بالا و کارآمد برای استفاده‌های clinical حیاتی است، به ویژه در محیط‌های فشرده فضای فیزیکی.
MONAI با ذخیره بیش از دو میلیون اسکن CT بدن کامل در یک گره از زیرساخت‌های موجود یک بیمارستان، نشان داد که چگونه می‌توان با استفاده از فناوری‌های پیشرفته به نتایج چشمگیری دست یافت. این کارایی یکی از عوامل کلیدی در تحول هوش مصنوعی در حوزه بهداشت و درمان به شمار می‌آید.
در این راستا، PEAK:AIO و Solidigm به ارائه راهکارهای مبتنی بر ذخیره‌سازی سریع و مقیاس‌پذیر پرداخته‌اند که با نیازهای باند پهن حافظه و پردازش‌های بالای داده هماهنگی دارد. فناوری ذخیره‌سازی مبتنی بر نرم‌افزار PEAK:AIO در کنار درایوهای SSD عملکردی Solidigm به صورت اشتراکی از این نیازهای حیاتی پشتیبانی می‌کند.
کامینگز تأکید کرد که “حافظه بخشی از زیرساخت خود هوش مصنوعی است و این نکته‌ای است که اغلب نادیده گرفته می‌شود.” این رویکرد به مشتریان این امکان را می‌دهد که بدون نیاز به بارگذاری مجدد مدل‌های بزرگ، از inference کارآمد و محلی استفاده کنند.
با توجه به افزایش بودجه‌های هوش مصنوعی، نهادها باید در مدیریت بارهای کاری هوش مصنوعی با نگاهی استراتژیک عمل کنند. این موضوع به تازگی در مراکز داده بزرگ مقیاس به وضوح قابل مشاهده است، جایی‌که امکانات جدید به طور خاص برای نزدیک کردن داده به GPUها طراحی شده‌اند.
در نهایت، انتخاب سخت‌افزار مناسب در سطوح مختلف زیرساخت، از اهمیت خاصی برخوردار است، چرا که بر عملکرد کلی سیستم تأثیر می‌گذارد. این توسعه‌ها نشان می‌دهند که چگونه با بهره‌گیری از فناوری‌های پیشرفته، امکان پردازش بالای داده در مقیاس‌های کوچک محقق می‌شود، که خود یک گام بزرگ به سمت بهینه‌سازی در صنعت بهداشت و درمان محسوب می‌شود.