ပရိုတင်းဖွဲ့စည်းပုံခန့်မှန်းချက်အတွက် AWS SageMaker JumpStart ရှိ OpenFold3 Lands

Amazon Web Services သည် Amazon SageMaker JumpStart မှ တိုက်ရိုက်အသုံးချနိုင်သော open-source biomolecular တည်ဆောက်မှုပုံစံဖြစ်သော OpenFold3-preview ကို ပြုလုပ်ခဲ့ပြီး AWS Machine Learning Blog တွင် နိုဝင်ဘာ 13 တွင် ပို့စ်တစ်ခုအရ သိရသည်။ အဆိုပါ လှုပ်ရှားမှုသည် စီမံခန့်ခွဲထားသော cloud endpoint နောက်ကွယ်တွင် တွက်ချက်မှုဆိုင်ရာ ဇီဝဗေဒ၏ အကျိုးဆက်အရှိဆုံး စံပြမိသားစုများထဲမှ တစ်ခုဖြစ်ပြီး၊ သုတေသနအဖွဲ့များကို မူပိုင်ဖွဲ့စည်းပုံ-ဟောကိန်းထုတ်မှုစနစ်များအတွက် ပွင့်လင်းမြင်သာစွာ လိုင်စင်ရအခြားရွေးချယ်စရာအဖြစ် သုတေသနအဖွဲ့များကို ပေးအပ်သည်။

OpenFold3 ကို Columbia တက္ကသိုလ်ရှိ OpenFold Consortium နှင့် AlQuraishi Lab မှ တီထွင်ခဲ့သည်။ နောက်ဆုံးပေါ် AI သုတေသန ကို လူတိုင်းလက်လှမ်းမီနိုင်အောင် ထိန်းသိမ်းထားသည့် အခြားသော ပညာရပ်ဆိုင်ရာ ကြိုးပမ်းမှုများကဲ့သို့ပင်၊ ပရောဂျက်သည် black-box API ထက် များစွာပို၍ ဖြန့်ချိသည်- Apache 2.0 လိုင်စင်အောက်တွင် ကုဒ်နှင့် မော်ဒယ်အလေးများ ပို့ဆောင်ပေးသည့်အပြင် ဆော့ဖ်ဝဲအင်ဂျင်နီယာများသည် လေ့ကျင့်ရေးဒေတာနှင့် နည်းလမ်းများကို ထုတ်ဝေထားသည်။

OpenFold3 သည် အဘယ်အရာကို ခန့်မှန်းနိုင်သနည်း။

OpenFold3 သည် အက်တမ်တည်ဆောက်ပုံ ခန့်မှန်းချက် မော်ဒယ်တစ်ခုဖြစ်သည်။ AWS အရ၊ ၎င်းသည် ၎င်းတို့၏ အစီအမံများမှ တိုက်ရိုက် မော်လီကျူးအစုတစ်ခု၏ ပူးတွဲ 3D ဖွဲ့စည်းပုံကို ခန့်မှန်းသည် — နှင့် ၎င်းသည် ပရိုတင်းကွင်းဆက်တစ်ခုတည်းအတွက် အကန့်အသတ်မရှိပါ။ ကြိုတင်ခန့်မှန်းချက်တစ်ခုတည်းသည် ကွင်းဆက်များစွာရှိသော ပရိုတိန်းရှုပ်ထွေးမှုများ၊ ပရိုတင်း-နူကလိစ်အက်ဆစ်စုဝေးမှုနှင့် ပရိုတင်း-လီဂန် ရှုပ်ထွေးမှုများ၊ ဆေးဝါးဖွံ့ဖြိုးတိုးတက်မှုတွင် အရေးပါသော မော်လီကျူလာ အပြန်အလှန်တုံ့ပြန်မှုများ၏ ကြီးမားသောဝေစုကို လွှမ်းခြုံနိုင်သည်။

ဖွဲ့စည်းတည်ဆောက်ပုံ ခန့်မှန်းချက်သည် တွက်ချက်မှုဆိုင်ရာ ဆေးဝါးရှာဖွေတွေ့ရှိမှုအတွက် တိတ်တဆိတ် အခြေခံအဆောက် အအုံဖြစ်လာသောကြောင့် ယင်းစွမ်းရည်သည် အရေးကြီးပါသည်။ အဖွဲ့များသည် ပစ်မှတ်ခွဲခြားသတ်မှတ်ခြင်း၊ ပဋိပစ္စည်းနှင့် ပရိုတင်းအင်ဂျင်နီယာပညာနှင့် ဖွဲ့စည်းတည်ဆောက်ပုံအခြေခံသည့် virtual စိစစ်ခြင်းအတွက် ယခုအဖွဲ့များသည် ၎င်းကို မှီခိုအားထားနေရကြောင်း AWS ၏ပို့စ်တွင် မှတ်ချက်ပြုသည်—မည်သည့်ဆေးကိုယ်စားလှယ်လောင်းများသည် စိုစွတ်သောဓာတ်ခွဲခန်းသို့ရောက်ဖူးသည်ကို ဆုံးဖြတ်သည့် အစောပိုင်းအဆင့်အလုပ်ဖြစ်သည်။

Open License is the point

Apache 2.0 လိုင်စင်သည် တံခါးပိတ်စနစ်များဖြင့် ပြည့်ကျပ်နေသော နယ်ပယ်တစ်ခုတွင် OpenFold3 ကို ကွဲပြားစေသည်။ သုတေသနအဖွဲ့အစည်းများနှင့် ဆေးဝါးကုမ္ပဏီများသည် မော်ဒယ်ကို စစ်ဆေးခြင်း၊ သီးသန့်ဒေတာဖြင့် ကောင်းစွာပြင်ဆင်နိုင်ပြီး လိုင်စင်၏စည်းကမ်းချက်များအရ ၎င်း၏ထိပ်တွင် စီးပွားဖြစ်ထုတ်ကုန်များ တည်ဆောက်နိုင်သည်ဟု AWS မှ ပြောကြားခဲ့သည်။ မော်လီကျူးဖွဲ့စည်းပုံများနှင့် စိစစ်ခြင်းဒေတာသည် ကုန်သွယ်မှုလျှို့ဝှက်ချက်များကို အနီးကပ်စောင့်ကြပ်ထားသော လုပ်ငန်းတစ်ခုအတွက်၊ အလေးချိန်နှင့် လေ့ကျင့်ရေးနည်းလမ်းများကို ထုတ်ပြန်ထားသော ပုံစံသည် အဖွဲ့များအား ပိတ်ထားသော APIs များနှင့် မကိုက်ညီသည့် စာရင်းစစ်အဆင့်ကို ပေးပါသည်။

AWS သည် OpenFold3-preview ကို သုတေသနအကြိုသုံးသပ်ချက်အဖြစ် ဖော်ပြသည်၊ ၎င်းသည် ထုတ်ကုန်အချောထည်မဟုတ်ဘဲ အစောပိုင်းတွင် ပြောင်းလဲနေသော ဖြန့်ကျက်မှုတစ်ခုဖြစ်သည်။ သို့သော် အဖွင့်၊ အက်တမ်ခေါက်ပုံစံ အားလုံးကို အစမ်းကြည့်ရှုခြင်း ဖြန့်ချီခြင်းသည်ပင် လုပ်ငန်းလိုင်စင်များကို သီးသန့်မော်ဒယ်ဝန်ဆောင်မှုပေးသူများနှင့် ညှိနှိုင်းမရနိုင်သော ပညာရေးဆိုင်ရာ ဓာတ်ခွဲခန်းများအတွက် အတားအဆီးကို လျှော့ချပေးပါသည်။

၎င်းသည် Asynchronous Inference တွင် အဘယ်ကြောင့် အလုပ်လုပ်သနည်း။

အခြေခံအဆောက်အအုံ ဇာတ်လမ်းက မော်ဒယ်ကိုယ်တိုင်က စိတ်ဝင်စားဖို့ကောင်းတယ်။ JumpStart မော်ဒယ်အများစု — ကြီးမားသောဘာသာစကားမော်ဒယ်များနှင့် ၎င်းတို့ကြားတွင်ထည့်သွင်းထားသောမော်ဒယ်များ — စက္ကန့် 60 အတွင်း တောင်းဆိုချက်တစ်ခုအတွင်း တုံ့ပြန်မှုတစ်ခုပြန်ပေးရမည့်အချိန်နှင့်တစ်ပြေးညီအဆုံးမှတ်များဆီသို့အသုံးချပါ။ ဖွဲ့စည်းပုံ ခန့်မှန်းချက်သည် ထိုပုံစံနှင့် မကိုက်ညီပါ။ ခေါက်ထားသောအချိန်သည် စုံစမ်းမှုတစ်ခုရှိ ကွင်းဆက်များ၏ အရေအတွက်နှင့် အရှည်နှင့်အတူ တိုးလာကာ လက်တွေ့ကမ္ဘာမှ ပရိုတင်းများနှင့် ရှုပ်ထွေးမှုများကို ခန့်မှန်းရန် မိနစ်များစွာ ကြာတတ်သည်။

ထို့ကြောင့်၊ JumpStart ရှိ OpenFold3 သည် SageMaker Asynchronous Inference တွင် အလုပ်လုပ်ပါသည်။ AWS သည် သိပ္ပံနည်းကျ အလုပ်တာဝန်များနှင့် ကိုက်ညီသည့် အပြိုင်အဆိုင် အဆုံးမှတ်များ၏ ဂုဏ်သတ္တိနှစ်ခုကို မီးမောင်းထိုးပြသည်- ၎င်းတို့သည် အတွင်းပိုင်း၌ တောင်းဆိုမှုများကို ဆက်တိုက်တန်းစီနေသောကြောင့် ဓာတ်ခွဲခန်းတစ်ခုသည် ၎င်း၏ကိုယ်ပိုင်အလုပ်တန်းစီခြင်းကို မတည်ဆောက်ဘဲ အတွဲလိုက်အမြောက်အများကို တင်သွင်းနိုင်ပြီး၊ ၎င်းတို့သည် စမ်းသပ်မှုများကြားတွင် ရပ်နားထားသော GPU အချိန်ကို ပေးဆောင်ခြင်းမှ ရှောင်ကြဉ်သည့် တန်းစီဗလာဖြစ်သည့်အခါ ဖြစ်ရပ်များကို သုညအထိ တိုင်းတာနိုင်သည်။ မော်ဒယ်သည် G6 GPU ဖြစ်ရပ်များတွင် လုပ်ဆောင်နေပြီး အချို့ဒေသများတွင် G6 စွမ်းရည်ကို ကန့်သတ်ထားနိုင်သည်ဟု AWS မှ သတိပေးထားသည် — InsufficientInstanceCapacity အမှားကြောင့် ပျက်ကွက်သော ဖြန့်ကျက်မှုများကို နောက်မှ ထပ်စမ်းကြည့်သင့်သည် သို့မဟုတ် ပံ့ပိုးပေးထားသည့် မတူညီသော စံနမူနာအရွယ်အစားကို ရွေးချယ်သင့်သည်။

ကြေငြာချက်တွင် ထည့်သွင်းထားသော ကုန်ကျစရိတ်သတိပေးချက်လည်း ရှိသည်- SageMaker အဆုံးမှတ်များကို ရပ်နားနေစဉ် အပါအဝင် လည်ပတ်နေစဉ်အတွင်း တစ်နာရီလျှင် ကောက်ခံပါသည်။ AWS ၏ပို့စ်သည် သုံးစွဲသူများအား ၎င်း၏ရှင်းလင်းရေးအဆင့်များအတိုင်းလုပ်ဆောင်ရန် သို့မဟုတ် မမျှော်လင့်ထားသောအခကြေးငွေများကိုရှောင်ရှားရန် စကေးမှသုညကိုစီစဉ်ပေးခြင်း — အံ့အားသင့်ဖွယ်ရာ cloud ငွေတောင်းခံလွှာများကိုသည်းမခံနိုင်သောသုတေသနဘတ်ဂျက်များအတွက် လက်တွေ့ကျသောအကြံပြုချက်။

AI-Driven Science အတွက် ဘာကိုဆိုလိုလဲ။

ဖြန့်ဖြူးရေးသဘောတူညီချက်သည် ပွင့်လင်းသိပ္ပံနှင့် စီးပွားဖြစ် cloud အခြေခံအဆောက်အအုံများ ပေါင်းစည်းနေသည့်အကြောင်း အချက်ပြမှုဖြစ်သည်။ OpenFold3 ၏ developer များသည် စစ်ဆေးရန်၊ သေချာချိန်ညှိကာ တိုးချဲ့ရန် ဒီဇိုင်းထုတ်ထားသော မော်ဒယ်ကို တည်ဆောက်ခဲ့သည်။ AWS သည် ဓာတ်ခွဲခန်းအများစုကို ကိုယ်တိုင် hosting မလုပ်ခြင်းမှ ရပ်တန့်စေမည့် မိနစ်ပေါင်းများစွာ ကောက်ချက်ချမှု၊ အလုပ်ရှုပ်မှုများ၊ အချိန်မဆိုင်းဘဲ ကုန်ကျစရိတ်များ— အဆင်မပြေသည့် လည်ပတ်မှုဆိုင်ရာ ဖြစ်ရပ်မှန်များကို ကိုင်တွယ်နိုင်သည့် ဝန်ဆောင်မှုအလွှာကို တည်ဆောက်ခဲ့သည်။ ၎င်းတို့သည် cloud အကောင့်တစ်ခုရှိ စံသုတေသနအဖွဲ့တစ်ခုအတွက် မကြာသေးမီက နက်ရှိုင်းသော ML အင်ဂျင်နီယာကျွမ်းကျင်မှု လိုအပ်သည့် စွမ်းရည်တစ်ခုကို အတူတကွပြုလုပ်သည်။

အပြိုင်အဆိုင် ရှုခင်းတွေကလည်း ကြည့်လို့ကောင်းတယ်။ ကမ္ဘာပေါ်တွင် ရန်ပုံငွေအကောင်းဆုံး AI ဓာတ်ခွဲခန်းအချို့ပါဝင်သည့် မူးယစ်ဆေးဝါးရှာဖွေတွေ့ရှိမှုလက်နက်ပြိုင်ဆိုင်မှု၏ဗဟိုတွင် တည်ရှိပြီး ဖွဲ့စည်းတည်ဆောက်ပုံခန့်မှန်းသည့်ပုံစံများသည် အဆိုပါဈေးကွက်ရှိလူတိုင်း၏ညှိနှိုင်းမှုအနေအထားကို ပြောင်းလဲစေသည်။ ဆေးဝါးကုမ္ပဏီတစ်ခုသည် အပိတ်စနစ်အား ငှားရမ်းခြင်းအစား ၎င်း၏ကိုယ်ပိုင်ဒေတာပေါ်တွင် Apache 2.0 မော်ဒယ်ကို ကောင်းစွာချိန်ညှိနိုင်လျှင် AI-အကူအညီပေးသည့် ဆေးဝါးရှာဖွေတွေ့ရှိမှု၏ စီးပွားရေးသည် အဓိပ္ပါယ်ရှိလာမည်ဖြစ်သည်။

အဲဒါတွေက သိပ္ပံနည်းကျ သတိပေးချက်တွေကို ဖြေရှင်းနိုင်မှာ မဟုတ်ဘူး။ ကြိုတင်ခန့်မှန်းထားသောဖွဲ့စည်းပုံများသည် တွက်ချက်မှုဆိုင်ရာယူဆချက်များ၊ လက်တွေ့ကျကျဆုံးဖြတ်ထားသည့်အချက်များမဟုတ်ဘဲ၊ AWS ၏ကိုယ်ပိုင်ပို့စ်သည် ထိုအကြောင်းပြချက်အတွက် သုတေသနအကြိုကြည့်ရှုမှုအဖြစ် အသုံးချမှုကိုဘောင်ခတ်ထားသည်။ သို့သော် ဦးတည်ချက်မှာ ရှင်းနေသည်- သဘာဝဘာသာစကားဖြင့် ပြောင်းလဲပုံဖော်ပေးသည့် ပွင့်လင်းသော ဂေဟစနစ်သည် ယခုအခါ မော်လီကျူးသိပ္ပံများဆီသို့ ရောက်ရှိနေပြီဖြစ်ပြီး cloud ဝန်ဆောင်မှုပေးသူများသည် ၎င်းကို လက်ခံကျင်းပရန် ပြိုင်နေကြသည်။

---

AI ၏ရှေ့တွင်နေရန်

နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →