CAD generatif akan segera hadir, Autodesk senilai $60 miliar sedang menginternalisasi model CAD besar.

Cad Perusahaan raksasa Autodesk juga menghadirkan AI generatif.
Saat berita ini ditulis, saham Autodesk (AS:ADSK) naik lebih dari 20% sepanjang tahun 2024 menjadi $293,32 per saham, dengan kapitalisasi pasar total sebesar $63,064 miliar.
"Kami sedang mengembangkan model dasar AI generatif yang tidak seperti model apa pun yang ada di luar sana," kata Raji Arasu, wakil presiden eksekutif dan kepala teknologi Autodesk, baru-baru ini saat tampil di sebuah acara publik. Model dasar yang dimaksud Raji Arasu, yang diungkapkan pada Mei 2024, disebut 'Bernini', sebuah proyek AI generatif yang Mengubahmengubah teks, sketsa tangan, dll. menjadi file 3D.
Sejauh menyangkut pasar model besar saat ini, implementasi fungsi 3D yang dihasilkan grafik tampaknya bukan hal baru. Genie 2 yang baru saja dirilis oleh Google DeepMind, Tencent Hybrid dalam negeri, dan VoxCraft dari BioDigital Technology, untuk menyebutkan beberapa, semuanya dapat mengimplementasikan fungsi serupa. Tetapi sebagai raksasa CAD global, Bernini memiliki signifikansi praktis yang besar bagi bisnis aktual Autodesk.

Mengungkap rahasia Bernini
Bernini dinamai berdasarkan Gian Lorenzo Bernini, pematung dan arsitek Italia terkenal abad ke-17. Dari segi pemilihan data pelatihan, model ini dilatih menggunakan 10 juta bentuk 3D yang tersedia untuk umum oleh Autodesk AI Labs bekerja sama dengan Universitas Tiongkok Hong Kong.
Alasan mengapa Bernini berbeda dari model-model besar dasar lainnya adalah karena Bernini memiliki tiga karakteristik utama dalam menghasilkan gambar 3D:
1. Struktur gambar 3D yang dihasilkan adalah struktur 3D fungsional. Misalnya, ia menghasilkan botol air yang berongga dan benar-benar berfungsi untuk menampung air, bukan hanya menghasilkan model yang terlihat serupa;
2. Memisahkan bentuk dan tekstur. Kemampuan untuk menghasilkan bentuk dan tekstur secara terpisah memberi pengguna kebebasan untuk menyesuaikan variabel, memadukannya, atau membuat desain lain, menghindari masalah tekstur dan kontur objek 3D yang saling tumpang tindih;
3. menyediakan beragam varian. Dioptimalkan untuk alur kerja geometri profesional, kemampuan untuk menghasilkan berbagai varian bentuk 3D fungsional dari satu input memberi desainer pilihan dan mempercepat alur kerja kreatif mereka.

Tangkapan layar antarmuka pengguna Autodesk

Dalam hal ini, model dasar perlu mengatasi hambatan alami dalam proses desain dan manufaktur untuk mencapai karakteristik tersebut, yaitu, AI perlu sepenuhnya selaras dengan logika kompleks dari input dan output pekerjaan desain. 'Menerima input multimodal seperti teks, sketsa, voxel, point cloud, ini mereplikasi proses desain dari penciptanya,' demikian penjelasan Raji Arasu.
Selain itu, karena pembuatan geometri seperti CAD 3D memerlukan penalaran berdasarkan hukum fisika dalam hal ruang dan struktur, maka hal ini juga menuntut tingkat presisi dan akurasi yang tinggi.
Jadi, dari segi waktu, peluncuran Bernini tampaknya tidak berlangsung cepat. Sejak Mei 2024, ketika kemajuan Bernini diungkapkan, hampir setahun telah berlalu. Saat itu, Bernini hanya merilis sebagian dari video konsepnya. Dan baru pada konferensi pengguna Autodesk di San Diego pada bulan Oktober, CEO Andrew Anagnost merilis pratinjau Bernini.
Namun, Andrew Anagnost mengatakan bahwa Bernini dilatih dengan data publik dan belum tersedia untuk penggunaan komersial, dan telah dibuka untuk komunitas AI. Tetapi dia mengungkapkan kemungkinan rencana bisnis untuk Bernini: 'Metode pelatihan Bernini tidak bergantung pada data, sehingga pelanggan dapat menggunakan data mereka sendiri, jika diperlukan, untuk mengoptimalkan Bernini dan terus meningkatkan model.'

Bagaimana Bernini 'dibentuk'
Proses pelatihan Bernini juga menggunakan GPU NVIDIA, tetapi di luar GPU, Raji Arasu percaya bahwa pemrosesan dan penggunaan 'data' lebih penting dalam melatih sebuah model. Dalam presentasinya, Raji Arasu mengungkapkan lebih banyak tentang proses ini. Dia membagi proses pembangunan menjadi penanganan data, persiapan data, pelatihan model untuk biaya dan efisiensi, dan manajemen kompleksitas untuk inferensi model.
'Miliaran objek dan petabyte data dengan berbagai ukuran, bentuk, dan beban kerja perlu diproses,' kata Raji Arasu.
Autodesk perlu membangun basis data di cloud berdasarkan volume besar file desainnya, di mana mereka memilih Amazon DynamoDB sebagai basis data utama dan menciptakan model data kanonik yang memungkinkan penulisan di ratusan partisi dengan throughput tinggi dan latensi mendekati nol.
Selain menyelesaikan masalah kinerja data, Autodesk dengan mudah menyelesaikan proses persiapan data untuk pelatihan model dasar dengan menggabungkan layanan cloud seperti Amazon EMR, Amazon EKS, Amazon Glue, dan Amazon SageMaker, yang menampilkan, memberi tag, dan melakukan segmentasi sejumlah besar data historis yang kompleks.
Pada fase pelatihan model, Autodesk juga menghadapi banyak masalah seperti pemilihan GPU, dan akhirnya menggunakan Amazon SageMaker untuk menyatukan solusi untuk pengujian instance, manajemen infrastruktur, dll. Tim lebih fokus pada persiapan data, pengembangan model, dan pengembangan fungsi AI yang berorientasi pada pelanggan.
Latensi, biaya, dan kinerja perlu ditangani dengan benar saat mengelola inferensi model dalam skala besar. 'Penskalaan otomatis dan titik akhir multi-model Amazon SageMaker secara mulus mendukung inferensi waktu nyata dan batch untuk throughput tinggi, latensi minimal, dan efisiensi biaya maksimum,' kata Raji Arasu.
Seperti yang Anda lihat, versi Bernini dari Autodesk sangat memanfaatkan Amazon SageMaker, layanan AI dan pembelajaran mesin yang paling dikenal dari Amazon Cloud Technologies, di mana sejumlah organisasi ternama, termasuk Autodesk, memanfaatkan Amazon SageMaker HyperPod untuk pelatihan model. Amazon SageMaker HyperPod telah secara resmi meluncurkan beberapa pembaruan penting dalam beberapa waktu terakhir, seperti Rencana Pelatihan Fleksibel untuk membuat pekerjaan pelatihan yang lebih otomatis yang mengoptimalkan biaya dengan memanfaatkan berbagai sumber daya komputasi yang lebih hemat biaya secara efisien, dan Tata Kelola Tugas, yang memprioritaskan berbagai tugas pelatihan untuk memaksimalkan pelatihan model, penyempurnaan, dan penalaran selama proses pemanfaatan sumber daya.
Berdasarkan inovasi-inovasi ini, Autodesk akhirnya memangkas waktu penerapan model dasar hingga setengahnya. Hal ini meningkatkan produktivitas AI sebesar 30 persen sambil menjaga biaya operasional tetap stabil. Raji Arasu juga mengungkapkan bahwa Autodesk telah mulai meluncurkan kemampuan AI yang dibangun di atas model dasar ini kepada pelanggan.
"Bertindak sebagai mitra desain bagi pelanggan kami dan membantu mereka menyeimbangkan parameter seperti kekuatan material, biaya sehingga mereka dapat menentukan desain terbaik. Semua ini dilakukan untuk meminimalkan tugas-tugas yang membosankan dan memaksimalkan kreativitas," kata Raji Arasu.

Data yang akurat, prasyarat untuk melatih model-model besar.
Setelah ChatGPT, GPU NVIDIA menjadi target populer yang diburu oleh perusahaan AI besar, dan berapa banyak GPU NVIDIA yang dipesan oleh perusahaan besar dalam setahun bahkan bisa menjadi berita utama di media. Namun, untuk menyimpulkan proses kelahiran Bernini, GPU memang penting, tetapi data lah yang menentukan kualitas pelatihan model skala besar.
Melatih model besar yang benar-benar dapat berfungsi dalam bisnis adalah masalah sistem full-stack yang melibatkan banyak aspek.
'Model besar hanyalah satu bagian dari inovasi aplikasi AI generatif. Ada kemampuan lain yang perlu ditingkatkan jika inovasi aplikasi AI generatif ingin dilakukan dengan baik. Pertama dan terpenting, Anda perlu memastikan bahwa AI generatif dapat meningkatkan kemampuan model besar dari aplikasi AI generatif dengan data milik organisasi itu sendiri.' Ruisong Chu, wakil presiden global Amazon dan presiden Amazon Cloud Technology Greater China, menyampaikan pandangan serupa dalam pidatonya.
Dalam kasus masalah ilusi, yang sekarang menjadi perhatian besar bagi model-model besar, masalah ini juga dapat dipecahkan dari perspektif 'metadata,' yaitu untuk memastikan kualitas data dalam basis pengetahuan sebelum melatih model-model besar. 'Metadata dalam basis data, yaitu data berkualitas tinggi yang telah ditinjau dan disetujui, membantu mengurangi latensi dan meningkatkan respons Model Besar.' Mai-Lan Tomsen Bukovec, wakil presiden teknologi di Amazon Cloud Technologies, mengatakan ia memperingatkan organisasi yang sedang melatih model-model besar untuk berhati-hati dalam membedakan antara apa yang dibuat oleh manusia dan data apa yang dihasilkan oleh AI.
Karena pentingnya data, model-model besar mempercepat cara perusahaan mewujudkan aset data mereka. Dua bulan lalu, Qunar Technology, perusahaan induk Cool Spaces, platform desain spasial 3D dari Tiongkok, juga meluncurkan rencana bisnis baru, yaitu platform pelatihan data untuk kecerdasan terwujud (embodied intelligence) dan lainnya untuk membuka kumpulan data pembelajaran mendalam (deep learning) kesadaran adegan dalam ruangan terbesar di dunia. Perusahaan tersebut mengungkapkan bahwa platform tersebut sudah memiliki lebih dari 320 juta model 3D, dengan rata-rata 77,8 juta pengunjung aktif bulanan. Perusahaan akan membuka aset data spasial 3D yang akurat secara fisik, solusi kognisi spasial, dan layanan terkait pelatihan kecerdasan spasial untuk AIGC, kecerdasan terwujud, AR/VR, dan perusahaan lainnya.
Data menunjukkan bahwa sekitar 77% perusahaan akan meningkatkan atau secara signifikan meningkatkan investasi mereka dalam AI dan teknologi baru dalam waktu 3 tahun, dan bahwa 3 area di mana AI akan menjadi yang pertama melihat peningkatan efisiensi adalah Otomatisasi, Analisis, dan Augmentasi (otomatisasi, analisis data, dan augmentasi terbantu).
'AI sedang membentuk kembali semua industri' bukan lagi sekadar slogan. 'Semakin banyak industri yang semakin aktif di bidang AI generatif.' Uwem Ukpon, wakil presiden layanan global di Amazon Cloud Technologies, mengatakan bahwa area aplikasi industri AI generatif secara bertahap meluas dari industri keuangan pada awalnya hingga berbagai industri, termasuk sektor publik, industri tradisional, organisasi pemerintah, serta industri seperti ilmu hayati dan perawatan kesehatan. Pada saat yang sama, AI generatif juga memberikan peluang bisnis baru bagi perusahaan, Autodesk bertaruh pada CAD generatif berbasis data skala besar, yang merupakan pasar potensial di masa depan.