Üretken CAD geliyor, 60 milyar dolarlık Autodesk büyük CAD modellerini kendi bünyesine alıyor.

Cad Dev şirket Autodesk de üretken yapay zekayı kullanmaya başlıyor.
Haberin yayınlandığı sırada, Autodesk (US:ADSK) hissesi 2024 yılına göre %20'den fazla artışla hisse başına 293,32 dolara ulaşmış olup, toplam piyasa değeri 63,064 milyar dolardır.
Autodesk'in başkan yardımcısı ve baş teknoloji sorumlusu Raji Arasu, yakın zamanda bir kamu etkinliğinde yaptığı konuşmada, "Piyasada bulunan hiçbir modele benzemeyen, üretken bir yapay zeka temel modeli geliştiriyoruz" dedi. Raji Arasu'nun bahsettiği ve Mayıs 2024'te tanıtılan temel model, "Bernini" adı verilen üretken bir yapay zeka projesidir. DönüştürmekMetinleri, el çizimlerini vb. 3 boyutlu dosyalara dönüştürüyor.
Mevcut büyük model pazarı söz konusu olduğunda, grafik tabanlı 3D işlevselliğinin uygulanması yeni bir şey gibi görünmüyor. Google DeepMind'ın yeni piyasaya sürdüğü Genie 2, yerli Tencent Hybrid ve BioDigital Technology'nin VoxCraft'ı gibi birçok ürün benzer işlevselliği uygulayabiliyor. Ancak küresel bir CAD devi olan Bernini, Autodesk'in gerçek işi için büyük pratik öneme sahip.

Bernini'nin sırlarını ortaya çıkarmak
Bernini, 17. yüzyılın ünlü İtalyan heykeltıraş ve mimarı Gian Lorenzo Bernini'nin adını almıştır. Eğitim verisi seçimi açısından, model, Autodesk AI Labs tarafından Hong Kong Çin Üniversitesi ile işbirliği içinde, kamuya açık 10 milyon 3 boyutlu şekil üzerinde eğitilmiştir.
Bernini'nin diğer temel büyük modellerden farklı olmasının nedeni, Bernini'nin 3 boyutlu görüntüler oluşturmada üç ana özelliğe sahip olmasıdır:
1. Oluşturulan 3 boyutlu görüntünün yapısı işlevsel bir 3 boyutlu yapıdır. Örneğin, sadece benzer görünen modeller oluşturmak yerine, içi boş ve gerçekten su tutma işlevini gören su şişeleri oluşturur;
2. Şekilleri ve dokuları ayrı ayrı oluşturma. Şekilleri ve dokuları ayrı ayrı oluşturma yeteneği, kullanıcıya değişkenleri ayarlama, bunları bir araya getirme veya başka tasarımlar yapma özgürlüğü vererek, 3B nesnelerin dokularının ve konturlarının karışması sorununu ortadan kaldırır;
3. Çok çeşitli varyantlar sunar. Profesyonel geometri iş akışları için optimize edilmiş olan bu özellik, tek bir girdiden birden fazla işlevsel 3B şekil varyantı oluşturma olanağı sunarak tasarımcılara seçenek sunar ve yaratıcı iş akışlarını hızlandırır.

Autodesk kullanıcı arayüzü ekran görüntüsü

Bu bağlamda, temel modelin bu özelliklere ulaşabilmesi için tasarım ve üretim sürecindeki doğal bir engeli aşması gerekiyor; yani yapay zekanın, tasarım çalışmasının girdi ve çıktısının karmaşık mantığına tamamen uyum sağlaması gerekiyor. Raji Arasu, 'Metin, eskizler, voksel, nokta bulutları gibi çok modlu girdileri kabul ederek, yaratıcının tasarım sürecini taklit ediyor' diye açıklıyor.
Ayrıca, 3D CAD gibi geometrilerin oluşturulması, uzay ve yapı açısından fizik yasalarına dayalı akıl yürütmeyi gerektirdiğinden, yüksek düzeyde hassasiyet ve doğruluk da gerektirir.
Dolayısıyla zaman açısından bakıldığında, Bernini'nin lansmanı hızlı olmamış gibi görünüyor. Bernini'nin ilerlemesinin açıklandığı Mayıs 2024'ten bu yana yılın büyük bir kısmı geçti. O zamanlar Bernini sadece konsept videosunun bir bölümünü yayınlamıştı. Ve ancak Ekim ayında San Diego'da düzenlenen Autodesk kullanıcı konferansında CEO Andrew Anagnost, Bernini'nin ön izlemesini yayınladı.
Ancak Andrew Anagnost, Bernini'nin kamuya açık verilerle eğitildiğini ve henüz ticari kullanıma sunulmadığını, yapay zeka topluluğuna açıldığını söyledi. Bununla birlikte, Bernini için olası bir iş planını da açıkladı: 'Bernini'nin eğitim yöntemi veriden bağımsızdır, bu nedenle müşteriler gerekirse kendi verilerini kullanarak Bernini'yi optimize edebilir ve modeli sürekli olarak geliştirebilirler.'

Bernini nasıl 'yaratıldı'
Bernini'nin eğitim sürecinde NVIDIA GPU'ları da kullanılıyor, ancak Raji Arasu'ya göre GPU'ların dışında, bir modeli eğitmede daha önemli olan şey 'veri'nin işlenmesi ve kullanılmasıdır. Raji Arasu konuşmasında bu süreç hakkında daha fazla bilgi verdi. Oluşturma sürecini maliyet ve verimlilik için veri işleme, veri hazırlama, model eğitimi ve model çıkarımı için karmaşıklık yönetimi olarak ayırdı.
Raji Arasu, "Milyarlarca nesne ve petabaytlarca farklı boyutta, şekilde ve iş yükünde verinin işlenmesi gerekiyor" dedi.
Autodesk, devasa tasarım dosyaları hacmine dayalı olarak bulutta bir veri merkezi oluşturmaya ihtiyaç duydu ve bu amaçla birincil veritabanı olarak Amazon DynamoDB'yi seçti ve yüzlerce bölüm arasında yüksek verimlilik ve neredeyse sıfır gecikmeyle yazma işlemlerini mümkün kılan standart bir veri modeli oluşturdu.
Autodesk, veri performansı sorununu çözmenin yanı sıra, Amazon EMR, Amazon EKS, Amazon Glue ve Amazon SageMaker gibi bulut hizmetlerini birleştirerek, büyük miktarda karmaşık geçmiş veriyi etiketleyip bölümlere ayırarak temel model eğitimi için veri hazırlama sürecini de kolaylıkla tamamladı.
Model eğitim aşamasında Autodesk, GPU seçimi gibi birçok sorunla karşılaştı ve sonunda örnek test, altyapı yönetimi vb. için çözümü birleştirmek amacıyla Amazon SageMaker'ı kullandı. Ekip daha çok veri hazırlığına, model geliştirmeye ve müşteri odaklı yapay zeka fonksiyonu geliştirmeye odaklandı.
Büyük ölçekte model çıkarımı yönetilirken gecikme, maliyet ve performans konularına doğru şekilde yaklaşılmalıdır. Raji Arasu, 'Amazon SageMaker'ın otomatik ölçeklendirme ve çoklu model uç noktaları, yüksek verimlilik, minimum gecikme ve maksimum maliyet etkinliği için gerçek zamanlı ve toplu çıkarımı sorunsuz bir şekilde destekler.' dedi.
Gördüğünüz gibi, Autodesk'in Bernini sürümü, Amazon Cloud Technologies'in en bilinen yapay zeka ve makine öğrenimi hizmeti olan Amazon SageMaker'ı yoğun bir şekilde kullanıyor. Autodesk de dahil olmak üzere birçok önemli kuruluş, model eğitimi için Amazon SageMaker HyperPod'u kullanıyor. Amazon SageMaker HyperPod, yakın geçmişte, maliyetleri optimize etmek için daha uygun maliyetli bilgi işlem kaynaklarını verimli bir şekilde kullanan daha otomatik eğitim işleri oluşturmak için Esnek Eğitim Planları ve kaynak kullanım sürecinde model eğitimini, ince ayarını ve akıl yürütmesini en üst düzeye çıkarmak için farklı eğitim görevlerine öncelik veren Görev Yönetimi gibi birçok önemli güncelleme yayınladı.
Bu yenilikler sayesinde Autodesk, temel model dağıtım süresini yarıya indirdi. Bu da operasyonel maliyetleri sabit tutarken yapay zeka verimliliğini %30 artırdı. Raji Arasu ayrıca Autodesk'in bu temel modeller üzerine kurulu yapay zeka yeteneklerini müşterilerine sunmaya başladığını da açıkladı.
'Müşterilerimizin tasarım ortağı olarak hareket ediyor ve malzeme dayanıklılığı, maliyet gibi parametreleri dengelemelerine yardımcı olarak en iyi tasarımı belirlemelerini sağlıyoruz. Tüm bunlar, sıkıcı işleri en aza indirip yaratıcılığı en üst düzeye çıkarmak için yapılıyor.' dedi Raji Arasu.

Doğru veri, büyük modellerin eğitilmesinin ön koşuludur.
ChatGPT'den sonra NVIDIA GPU'ları, büyük yapay zeka şirketlerinin peşinden koştuğu popüler bir hedef haline geldi ve büyük bir şirketin bir yılda kaç NVIDIA GPU sipariş ettiği bile medyanın manşetlerine çıkabiliyor. Ancak Bernini'nin doğuş sürecini özetlemek gerekirse, GPU elbette önemli, ancak büyük model eğitiminin kalitesini belirleyen veridir.
Ve iş dünyasında gerçekten işe yarayacak büyük bir modeli eğitmek, birçok yönü içeren tam kapsamlı bir sistem problemidir.
'Büyük modeller, üretken yapay zeka uygulamalarının inovasyonunun sadece bir parçasıdır. Üretken yapay zeka uygulamalarının inovasyonunun başarılı bir şekilde yapılabilmesi için geliştirilmesi gereken başka yetenekler de vardır. Her şeyden önce, üretken yapay zekanın, bir kuruluşun kendi verileriyle üretken yapay zeka uygulamalarının büyük model yeteneklerini artırabildiğinden emin olmalısınız.' Amazon'un küresel başkan yardımcısı ve Amazon Bulut Teknolojisi Büyük Çin Başkanı Ruisong Chu da bir konuşmasında benzer görüşleri dile getirdi.
Büyük modeller için büyük bir endişe kaynağı olan yanılsama problemi, büyük modelleri eğitmeden önce bilgi tabanındaki verilerin kalitesini sağlamak anlamına gelen 'meta veri' perspektifinden de çözülebilir. Amazon Cloud Technologies'in teknoloji başkan yardımcısı Mai-Lan Tomsen Bukovec, büyük modelleri eğiten kuruluşları, insanlar tarafından oluşturulan veriler ile yapay zeka tarafından üretilen veriler arasında ayrım yapmaya dikkat etmeleri konusunda uyardı.
Verinin önemi nedeniyle büyük modeller, şirketlerin veri varlıklarını gerçekleştirme biçimini hızlandırıyor. İki ay önce, Çinli 3D mekansal tasarım platformu Cool Spaces'in ana şirketi Qunar Technology de yeni bir iş planı açıkladı ve dünyanın en büyük iç mekan sahne farkındalığı derin öğrenme veri setini kullanıma açmak için somutlaştırılmış zeka ve diğer alanlar için bir veri eğitim platformu başlattı. Şirket, platformun halihazırda 320 milyondan fazla 3D modele sahip olduğunu ve ortalama 77,8 milyon aylık aktif ziyaretçisi olduğunu açıkladı. Şirket, yapay zeka tabanlı içerik oluşturma (AIGC), somutlaştırılmış zeka, artırılmış gerçeklik/sanal gerçeklik (AR/VR) ve diğer işletmeler için fiziksel olarak doğru 3D mekansal veri varlıkları, mekansal biliş çözümleri ve mekansal zeka eğitimi ile ilgili hizmetler sunacak.
Veriler, şirketlerin yaklaşık %77'sinin önümüzdeki 3 yıl içinde yapay zekâya ve gelişmekte olan teknolojilere yaptıkları yatırımı artıracağını veya önemli ölçüde artıracağını ve yapay zekânın verimlilik artışının ilk görüleceği 3 alanın Otomasyon, Analiz ve Geliştirme (otomasyon, veri analizi ve destekli geliştirme) olduğunu göstermektedir.
'Yapay zeka tüm sektörleri yeniden şekillendiriyor' artık bir slogan değil. 'Giderek daha fazla sektör, üretken yapay zeka alanında daha aktif hale geliyor.' Amazon Cloud Technologies'in küresel hizmetlerden sorumlu başkan yardımcısı Uwem Ukpon, üretken yapay zekanın endüstriyel uygulama alanının, en başlarda finans sektöründen başlayarak kamu sektörü, geleneksel endüstriler, devlet kuruluşları ve yaşam bilimleri ve sağlık hizmetleri gibi geniş bir yelpazeye yayıldığını söyledi. Aynı zamanda, üretken yapay zeka işletmeler için yeni iş fırsatları da sunuyor; Autodesk, potansiyel bir gelecek pazarı olan büyük ölçekli veri tabanlı üretken CAD'e yatırım yapıyor.