Generatieve CAD komt eraan, Autodesk (met een omzet van $60 miljard) internaliseert grote CAD-modellen.
Cad Ook gigant Autodesk stapt over op generatieve AI.
Op het moment van publicatie is het aandeel Autodesk (US:ADSK) meer dan 20% gestegen ten opzichte van het jaar 2024 en staat het op $293,32 per aandeel, met een totale marktkapitalisatie van $63,064 miljard.
'We ontwikkelen een generatief AI-basismodel dat anders is dan alle andere modellen die er zijn.' Dat zei Raji Arasu, uitvoerend vicepresident en chief technology officer van Autodesk, onlangs tijdens een publiek evenement. Het basismodel waar Raji Arasu naar verwijst, dat in mei 2024 werd onthuld, heet 'Bernini', een generatief AI-project dat Overzettentekst, handgetekende schetsen, enz. omzetten naar 3D-bestanden.
Wat de huidige markt voor grote 3D-modellen betreft, lijkt de implementatie van grafische 3D-functionaliteit niets nieuws te zijn. Google DeepMind's recent uitgebrachte Genie 2, het Amerikaanse Tencent Hybrid en VoxCraft van BioDigital Technology, om er maar een paar te noemen, kunnen allemaal vergelijkbare functionaliteit bieden. Maar als wereldwijde CAD-gigant is Bernini van groot praktisch belang voor de daadwerkelijke bedrijfsvoering van Autodesk.
Bernini ontdekken
Bernini is vernoemd naar Gian Lorenzo Bernini, de beroemde Italiaanse beeldhouwer en architect uit de 17e eeuw. Wat betreft de selectie van trainingsgegevens, werd het model getraind op 10 miljoen openbaar beschikbare 3D-vormen door Autodesk AI Labs in samenwerking met de Chinese Universiteit van Hong Kong.
De reden waarom Bernini verschilt van andere grote basismodellen is dat Bernini drie belangrijke kenmerken heeft bij het genereren van 3D-beelden:
1. De structuur van het gegenereerde 3D-beeld is een functionele 3D-structuur. Het genereert bijvoorbeeld waterflessen die hol zijn en daadwerkelijk de functie hebben om water te bevatten, in plaats van alleen maar modellen te genereren die er op lijken;
2. Vormen en texturen scheiden. De mogelijkheid om vormen en texturen afzonderlijk te genereren geeft de gebruiker de vrijheid om de variabelen aan te passen, ze te combineren of andere ontwerpen te maken, waardoor het probleem van verwarrende texturen en contouren van 3D-objecten wordt vermeden;
3. Biedt een breed scala aan varianten. Geoptimaliseerd voor professionele geometrische workflows, geeft de mogelijkheid om meerdere functionele 3D-vormvarianten te genereren vanuit één enkele invoer ontwerpers keuzevrijheid en versnelt hun creatieve workflow.
Screenshot van de gebruikersinterface van Autodesk
Hiervoor moet het basismodel een natuurlijke barrière in het ontwerp- en productieproces overwinnen om deze eigenschappen te bereiken. De AI moet namelijk volledig afgestemd zijn op de complexe logica van de input en output van het ontwerpwerk. 'Door multimodale inputs zoals tekst, schetsen, voxels en puntenwolken te accepteren, wordt het ontwerpproces van de maker nagebootst', legt Raji Arasu uit.
Daarnaast vereist het genereren van geometrieën zoals in 3D CAD een redenering gebaseerd op de natuurwetten met betrekking tot ruimte en structuur, en dus ook een hoge mate van precisie en nauwkeurigheid.
Qua timing lijkt de lancering van Bernini dus niet snel te zijn verlopen. Sinds mei 2024, toen de voortgang van Bernini werd onthuld, is er bijna een jaar voorbijgegaan. Destijds publiceerde Bernini slechts een deel van de conceptvideo. En pas tijdens de gebruikersconferentie van Autodesk in San Diego in oktober gaf CEO Andrew Anagnost een voorproefje van Bernini.
Andrew Anagnost gaf echter aan dat Bernini is getraind met openbare data en nog niet beschikbaar is voor commercieel gebruik, maar wel is opengesteld voor de AI-gemeenschap. Hij onthulde wel een mogelijk businessplan voor Bernini: 'De trainingsmethode van Bernini is data-onafhankelijk, waardoor klanten, indien nodig, hun eigen data kunnen gebruiken om Bernini te optimaliseren en het model continu te verbeteren.'
Hoe Bernini 'gevormd' werd
Het trainingsproces van Bernini maakt ook gebruik van NVIDIA GPU's, maar los van de GPU's is Raji Arasu van mening dat de verwerking en het gebruik van 'data' belangrijker zijn bij het trainen van een model. In haar presentatie lichtte Raji Arasu dit proces verder toe. Ze verdeelde het bouwproces in dataverwerking, datavoorbereiding, modeltraining voor kosten en efficiëntie, en complexiteitsbeheer voor modelinferentie.
'Miljarden objecten en petabytes aan data van verschillende groottes, vormen en workloads moeten worden verwerkt', aldus Raji Arasu.
Autodesk had een dataplatform in de cloud nodig voor de enorme hoeveelheid grote ontwerpbestanden. Hiervoor koos het bedrijf Amazon DynamoDB als primaire database en creëerde een canoniek datamodel dat schrijfbewerkingen over honderden partities mogelijk maakt met een hoge doorvoer en vrijwel geen latentie.
Naast het oplossen van het probleem met de dataprestaties, voltooide Autodesk het voorbereidingsproces voor de basismodeltraining met gemak door cloudservices zoals Amazon EMR, Amazon EKS, Amazon Glue en Amazon SageMaker te combineren. Deze services maakten gebruik van de functies, tags en segmentatie van grote hoeveelheden complexe historische data.
Tijdens de modeltrainingsfase stuitte Autodesk ook op diverse problemen, zoals de selectie van de GPU. Uiteindelijk werd Amazon SageMaker ingezet om de oplossing te stroomlijnen voor het testen van instanties, infrastructuurbeheer, enzovoort. Het team kon zich vervolgens richten op datavoorbereiding, modelontwikkeling en de ontwikkeling van klantgerichte AI-functies.
Latentie, kosten en prestaties moeten goed worden aangepakt bij het beheren van modelinferentie op grote schaal. 'De automatische schaling en multi-model-endpoints van Amazon SageMaker ondersteunen naadloos realtime- en batchinferentie voor een hoge doorvoer, minimale latentie en maximale kostenefficiëntie', aldus Raji Arasu.
Zoals je kunt zien, maakt de Bernini-build van Autodesk veelvuldig gebruik van Amazon SageMaker, de bekendste AI- en machine learning-service van Amazon Cloud Technologies. Een aantal vooraanstaande organisaties, waaronder Autodesk, gebruikt Amazon SageMaker HyperPod voor modeltraining. Amazon SageMaker HyperPod heeft de afgelopen tijd verschillende belangrijke updates uitgebracht, zoals Flexible Training Plans om meer geautomatiseerde trainingstaken te creëren die de kosten optimaliseren door efficiënt gebruik te maken van een breed scala aan kosteneffectieve computerbronnen, en Task Governance, dat verschillende trainingstaken prioriteert om modeltraining, finetuning en redenering tijdens het resourcegebruik te maximaliseren.
Dankzij deze innovaties heeft Autodesk de implementatietijd van basismodellen uiteindelijk gehalveerd. Dit verhoogde de AI-productiviteit met 30 procent, terwijl de operationele kosten stabiel bleven. Raji Arasu onthulde ook dat Autodesk is begonnen met het uitrollen van AI-functionaliteiten die op deze basismodellen zijn gebouwd naar klanten.
'We fungeren als ontwerppartner voor onze klanten en helpen hen bij het afwegen van factoren zoals materiaalkwaliteit en kosten, zodat ze het beste ontwerp kunnen kiezen. Dit alles om tijdrovende taken te minimaliseren en de creativiteit te maximaliseren', aldus Raji Arasu.
Correcte data, de voorwaarde voor het trainen van grote modellen.
Na ChatGPT zijn NVIDIA GPU's een populair doelwit geworden voor grote AI-bedrijven, en het aantal NVIDIA GPU's dat een groot bedrijf per jaar bestelt, kan zelfs de voorpagina van de media halen. Samenvattend, de GPU is zeker belangrijk, maar de data bepaalt de kwaliteit van de training van grote modellen.
Het trainen van een groot model dat daadwerkelijk in het bedrijfsleven kan worden toegepast, is een systeemprobleem dat de volledige stack omvat en vele aspecten raakt.
'Grote modellen zijn slechts een onderdeel van innovatie in generatieve AI-toepassingen. Er zijn andere mogelijkheden die moeten worden uitgebreid om innovatie in generatieve AI-toepassingen goed te laten verlopen. Allereerst moet je ervoor zorgen dat generatieve AI de mogelijkheden van grote modellen in generatieve AI-toepassingen kan aanvullen met de eigen data van een organisatie.' Ruisong Chu, wereldwijd vicepresident van Amazon en president van Amazon Cloud Technology Greater China, uitte soortgelijke opvattingen in een toespraak.
Het probleem van illusies, dat momenteel een grote zorg is voor grote modellen, kan ook worden opgelost vanuit het perspectief van 'metadata'. Dit houdt in dat de kwaliteit van de gegevens in de kennisbank wordt gewaarborgd voordat grote modellen worden getraind. 'Metadata in de database, oftewel hoogwaardige gegevens die zijn gecontroleerd en goedgekeurd, helpen de latentie te verminderen en de respons van het grote model te verbeteren.' Mai-Lan Tomsen Bukovec, vicepresident technologie bij Amazon Cloud Technologies, waarschuwde organisaties die grote modellen trainen om zorgvuldig onderscheid te maken tussen gegevens die door mensen zijn gemaakt en gegevens die door AI zijn gegenereerd.
Het belang van data zorgt ervoor dat grote modellen de manier waarop bedrijven hun data-activa benutten, versnellen. Twee maanden geleden onthulde Qunar Technology, het moederbedrijf van Cool Spaces, een Chinees platform voor 3D-ruimtelijk ontwerp, een nieuw businessplan. Het bedrijf lanceert een datatrainingsplatform voor belichaamde intelligentie en andere toepassingen, waarmee 's werelds grootste deep learning-dataset voor indoor-scene-awareness wordt ontsloten. Het bedrijf maakte bekend dat het platform al meer dan 320 miljoen 3D-modellen bevat, met gemiddeld 77,8 miljoen actieve bezoekers per maand. Qunar Technology zal fysiek correcte 3D-ruimtelijke data, oplossingen voor ruimtelijke cognitie en diensten voor training in ruimtelijke intelligentie beschikbaar stellen aan AIGC, belichaamde intelligentie, AR/VR en andere bedrijven.
De gegevens tonen aan dat ongeveer 77% van de bedrijven hun investeringen in AI en opkomende technologieën binnen 3 jaar zullen verhogen of aanzienlijk verhogen, en dat de 3 gebieden waar AI als eerste efficiëntieverbeteringen zal laten zien, automatisering, analyse en augmentatie zijn (automatisering, data-analyse en ondersteunde augmentatie).
'AI hervormt alle industrieën' is niet langer een slogan. 'Steeds meer industrieën worden actiever in de wereld van generatieve AI.' Uwem Ukpon, vicepresident van Global Services bij Amazon Cloud Technologies, zegt dat het toepassingsgebied van generatieve AI zich geleidelijk heeft uitgebreid van de financiële sector in het begin naar een breed scala aan industrieën, waaronder de publieke sector, traditionele industrieën, overheidsorganisaties, maar ook sectoren zoals de biowetenschappen en de gezondheidszorg. Tegelijkertijd biedt generatieve AI ook nieuwe zakelijke kansen voor bedrijven. Autodesk zet bijvoorbeeld in op grootschalige, datagestuurde generatieve CAD, een potentiële toekomstige markt.