If you're confused about what su and sudo commands do for you, this brief guide will help you sort them out.
via Enable Sysadmin https://ift.tt/39pgzzO
via Enable Sysadmin https://ift.tt/39pgzzO
Enable Sysadmin
Exploring the differences between sudo and su commands in Linux
If you're confused about what su and sudo commands do for you, this brief guide will help you sort them out.
10000000_287803999402369_5836388150970685320_n.mp4
31.9 MB
مصاحبه ابر آروان با bbc فارسی
Academy and Foundation unixmens | Your skills, Your future
#jobs
🌀 محمدعلی یوسفی زاده، مدیرعامل شرکت آسیاتک، در گفت‌وگو با خبرنگار سیتنا، گفت: آسیاتک سرویس های مختلفی از جمله سرویس زیرساخت دیتاسنتر و سرویس خدمات ابری دارد. مشکلی که برای شرکت ابرآروان پیش آمده در نگهداری سرویس‌های پلتفرم ابری ابرآروان بوده که در دیتاسنتر آسیاتک نگهداری میشود.
وی ادامه داد: همزمان چندهزار پلتفرم و سایت دیگر هم در دیتاسنترهای آسیاتک نگهداری می شوند. سرویس‌های آسیاتک هم برای ابرآروان و هم برای چندهزار مجموعه دیگر وصل هستند و مشکلی ندارند. خود ابرآروان با مشکلی مواجه شده است که ارتباطی با مجموعه آسیاتک ندارد. هم اکنون هم خدمات ابری آسیاتک فعال و در حال ارائه خدمت است و با مشکلی مواجه نشده و هم خدمات زیرساختی دیتاسنترهای آسیاتک در حال فعالیت بوده و با خللی مواجه نشده است.
وی ادامه داد: همزمان چندهزار پلتفرم و سایت دیگر هم در دیتاسنترهای آسیاتک نگهداری می شوند. سرویس‌های آسیاتک هم برای ابرآروان و هم برای چندهزار مجموعه دیگر وصل هستند و مشکلی ندارند. خود ابرآروان با مشکلی مواجه شده است که ارتباطی با مجموعه آسیاتک ندارد. هم اکنون هم خدمات ابری آسیاتک فعال و در حال ارائه خدمت است و با مشکلی مواجه نشده و هم خدمات زیرساختی دیتاسنترهای آسیاتک در حال فعالیت بوده و با خللی مواجه نشده است.
Five ways you can better prepare yourself for hands-on, technical certification exams.
via Enable Sysadmin https://ift.tt/3u7NGQL
via Enable Sysadmin https://ift.tt/3u7NGQL
Enable Sysadmin
5 tips to help you prepare for technical certification exams
Five ways you can better prepare yourself for hands-on, technical certification exams.
محققان با استفاده از مواد دوبعدی، نانوژنراتور تریبوالکتریک ساختند که بعد از 10 هزار بار سیکل کاری هنوز پایداری بالایی داشته و قادر است انرژی حسگرهای لمسی را تامین کند.
حسگرها کوچک میکرومقیاس با مصرف کم انرژی می‌توانند سیگنال و اطلاعات را در هر زمان و هر مکانی ارسال و دریافت کنند. این حسگرها به جزء جدایی ناپذیر زندگی مردم در دوران اینترنت اشیاء تبدیل شده‌اند. مسئله مهم تامین مدام برق تعداد بی‌شمار دستگاه الکترونیکی متصل به سیستم است.
راه‌حل احتمالی برای این مشکل، استقرار مولدهای تریبوالکتریک است. این ادوات با تولید الکتریسیته اصطکاکی القائی می‌توانند به صورت نیمه‌دائمی انرژی را تامین کنند. این مولد با استفاده از تماس دو ماده با جنس مختلف، الکتریسیته ساکن ایجاد می‌کنند.
یک گروه تحقیقاتی از موسسه ملی علم و فناوری کره‌جنوبی به رهبری سئونگ کی لی، حسگر لمسی ساختند که از طریق دی‌سولفید مولیبدن می‌تواند الکتریسیته تولید کند که این کار با کارایی 40 درصد بیشتر نسبت به مولدهای تریبوالکتریک انجام میشود.
این پروژه نتیجه همکاری مشترک با چانگ کیوجونگ، استاد مهندسی مواد پیشرفته در دانشگاه ملی جیوبوک است.
از ژنراتورهای عمومی تریبوالکتریک نمی‌توان برای دستگاه الکترونیک پوشیدنی استفاده کرد چرا که برای افزایش ظرفیت تولید برق کافی، بسیار سنگین هستند.
در حال حاضر مطالعاتی در حال انجام است که شامل استفاده از یک ماده نیمه‌هادی دو بعدی میشود که از نظر ضخامت درحد اتمی هستند و از نظر فیزیکی دارای ویژگی‌های عالی به عنوان یک لایه فعال در تولید تریبوالکتریک هستند.
شدت الکتریسیته تولید شده با توجه به نوع موادی که در تماس هستند، متفاوت بوده و در مطالعه‌های گذشته، با استفاده از مواد دو بعدی انتقال بارهای الکتریکی با مواد عایق همواره رخ نداده است و موجب کاهش قابل ملاحظه خروجی انرژی تولید شده از مولد تریبوالکتریک شده است.
در این پروژه محققان از دی‌سولفید مولیبدن که یک نیمه‌هادی دو بعدی است برای افزایش بهره‌وری تولید برق در ژنراتورهای تریبوالکتریک استفاده کردند. نتایج کار محققان نشان داد که با این روش می‌توان حدود چهل درصد انرژی بیشتر نسبت به مواد مسطح دیگر، تولید کرد.
این مولد تریبوالکتریک بعد از حتی 10000 بار آزمایش پایداری خود را حفظ کرده است. این گروه تحقیقاتی از این مولد برای تامین انرژی حسگرهای لمسی نظیر آنچه که در نمایشگرهای لمسی استفاده میشود، بهره‌برداری کردند.
نتایج این پروژه در قالب مقاله‌ای با عنوان Laser-directed synthesis of strain-induced crumpled MoS2 structure for enhanced triboelectrification toward haptic sensors در نشریه Nano Energy به چاپ رسیده است.
منبع : https://phys.org/news/2020-10-haptic-sensor-static-electricity.html
#biocomputing #linux #eeg #bci
@unixmens
حسگرها کوچک میکرومقیاس با مصرف کم انرژی می‌توانند سیگنال و اطلاعات را در هر زمان و هر مکانی ارسال و دریافت کنند. این حسگرها به جزء جدایی ناپذیر زندگی مردم در دوران اینترنت اشیاء تبدیل شده‌اند. مسئله مهم تامین مدام برق تعداد بی‌شمار دستگاه الکترونیکی متصل به سیستم است.
راه‌حل احتمالی برای این مشکل، استقرار مولدهای تریبوالکتریک است. این ادوات با تولید الکتریسیته اصطکاکی القائی می‌توانند به صورت نیمه‌دائمی انرژی را تامین کنند. این مولد با استفاده از تماس دو ماده با جنس مختلف، الکتریسیته ساکن ایجاد می‌کنند.
یک گروه تحقیقاتی از موسسه ملی علم و فناوری کره‌جنوبی به رهبری سئونگ کی لی، حسگر لمسی ساختند که از طریق دی‌سولفید مولیبدن می‌تواند الکتریسیته تولید کند که این کار با کارایی 40 درصد بیشتر نسبت به مولدهای تریبوالکتریک انجام میشود.
این پروژه نتیجه همکاری مشترک با چانگ کیوجونگ، استاد مهندسی مواد پیشرفته در دانشگاه ملی جیوبوک است.
از ژنراتورهای عمومی تریبوالکتریک نمی‌توان برای دستگاه الکترونیک پوشیدنی استفاده کرد چرا که برای افزایش ظرفیت تولید برق کافی، بسیار سنگین هستند.
در حال حاضر مطالعاتی در حال انجام است که شامل استفاده از یک ماده نیمه‌هادی دو بعدی میشود که از نظر ضخامت درحد اتمی هستند و از نظر فیزیکی دارای ویژگی‌های عالی به عنوان یک لایه فعال در تولید تریبوالکتریک هستند.
شدت الکتریسیته تولید شده با توجه به نوع موادی که در تماس هستند، متفاوت بوده و در مطالعه‌های گذشته، با استفاده از مواد دو بعدی انتقال بارهای الکتریکی با مواد عایق همواره رخ نداده است و موجب کاهش قابل ملاحظه خروجی انرژی تولید شده از مولد تریبوالکتریک شده است.
در این پروژه محققان از دی‌سولفید مولیبدن که یک نیمه‌هادی دو بعدی است برای افزایش بهره‌وری تولید برق در ژنراتورهای تریبوالکتریک استفاده کردند. نتایج کار محققان نشان داد که با این روش می‌توان حدود چهل درصد انرژی بیشتر نسبت به مواد مسطح دیگر، تولید کرد.
این مولد تریبوالکتریک بعد از حتی 10000 بار آزمایش پایداری خود را حفظ کرده است. این گروه تحقیقاتی از این مولد برای تامین انرژی حسگرهای لمسی نظیر آنچه که در نمایشگرهای لمسی استفاده میشود، بهره‌برداری کردند.
نتایج این پروژه در قالب مقاله‌ای با عنوان Laser-directed synthesis of strain-induced crumpled MoS2 structure for enhanced triboelectrification toward haptic sensors در نشریه Nano Energy به چاپ رسیده است.
منبع : https://phys.org/news/2020-10-haptic-sensor-static-electricity.html
#biocomputing #linux #eeg #bci
@unixmens
phys.org
Development of haptic touch sensor that works by static electricity
Super-micro, low-power sensors and devices that can send and receive signals and information anytime, anywhere will become an integral part of people's lives in a hyper-connected world driven by the Internet ...
پژوهشگران با استفاده از یکی از زیرساخت‌های پروژه مغز انسان (HBP) موسوم به EBRAINS، اقدام به ساخت مغز مجازی کردند که در درمان بیماری صرع بسیار موثر است.
صرع یکی از شایع‌ترین اختلالات عصبی است که بیش از 50 میلیون نفر در سراسر جهان به آن مبتلا هستند. بیماران مبتلا به صرع از تشنج ناشی از فعالیت عصبی ناگهانی و درگیر شدن در شبکه‌های بزرگ مغز رنج می برند. در یک سوم موارد بیماری به داروها مقاوم است. رایج‌ترین گزینه درمانی برای این بیماران برداشتن "ناحیه صرع" با جراحی است، نواحی از مغز که تشنج در آن ظاهر میشود.
ویکتور جیرسا می‌گوید: «موفقیت جراحی به تعیین موقعیت دقیق این مناطق بستگی دارد. اما در عمل این مسئله بسیار دشوار است و میانگین موفقیت در عمل فقط در حدود 60٪ است. هر پیشرفتی در این مسیر، برای بسیاری از بیماران تأثیر عمده ای خواهد داشت.»
دانشمند ابزاری محاسباتی به نام "مغز مجازی" (TVB) را برای مدل‌سازی و پیش بینی فعالیت در مغز فردی بیمار ایجاد کرده‌اند. آنها با همکاری متخصص مغز و اعصاب، فابریک بارتولومی، مدلی ارائه کرده‌اند که با صرع سازگار بوده و گسترش فعالیت تشنج مغز مبتلا به صرع را شبیه‌سازی می‌کند. بنابراین این مدل می‌تواند به ابزاری مشاوره‌ای برای جراحان مغز و اعصاب به منظور کمک به جراحی‌های دقیق‌تر تبدیل شود.
در حال حاضر یک آزمایش بالینی برای ارزیابی مدل‌های مغزی شخصی TVB به عنوان ابزاری جدید برای برنامه‌ریزی جراحی صرع در حال انجام است که نتایج اولیه آن بسیار امیدوار کننده بوده است. تاکید بر این نکته مهم است که ابزار مغز مجازی (Virtual Brain) هنوز در مرحله بررسی بالینی است، بنابراین هنوز در دسترس بیماران نیست.
این تیم اکنون روی نسل بعدی مغز مجازی کار می کند، که با استفاده از زیرساخت‌های تحقیقاتی EBRAINS دقت مدل را بیشتر می کند. هدف این است که به طور قابل توجهی پتانسیل شخصی‌سازی مغز را با کمک مجموعه داده‌های اطلس مغز EBRAINS افزایش داده شود. این دستاورد شامل دقیق‌ترین نمایش سه بعدی آناتومی مغز، BigBrain ، با رزولوشن 20 میکرومتر است.
جیرسا می‌گوید: «فقط EBRAINS اجازه می‌دهد تا به این مقیاس و وضوح گسترده برسیم. در اینجا منابع داده مغز با ابزارهای محاسباتی و انفورماتیک با کارایی بالا سازگار و یکپارچه می‌شوند. EBRAINS امکان استفاده از یادگیری عمیق و سایر روش‌ها را برای یافتن پیکربندی متناسب با مغز بیمار را فراهم می کند. این مرحله برای تعیین دقیق منطقه صرع با دقت بالا مهم است.»
کاترین آمونتس، مدیر تحقیقات علمی پروژه مغز انسان موسوم به HBP می گوید: «رویکرد چند رشته ای HBP ، به دست آوردن درک علمی از تجزیه و تحلیل داده های بزرگ و مطالعات تصویربرداری عصبی را برای عصب‌شناسان تسهیل می‌کند. این کار با پشتیبانی مدل‌سازی مغز و محاسبات پیشرفته انجام میشود که راهی بسیار تأثیرگذار برای پیشرفت تحقیقات مغز و ایجاد نوآوری در این زمینه است.»
پروژه مغز انسان (HBP) بزرگترین پروژه علمی مغز در اروپا است و در میان بزرگترین پروژه‌های تحقیقاتی است که توسط اتحادیه اروپا تأمین شده است. در رابطه با علوم اعصاب و فناوری اطلاعات، HBP مغز و بیماری های آن را با کمک روش های بسیار پیشرفته از طریق محاسبات، نوروانفورماتیک و هوش مصنوعی بررسی می‌کند و باعث ایجاد نوآوری در زمینه هایی مانند محاسبات مغزی و نوروبوتیک‌ها می شود.
EBRAINS یک زیرساخت جدید تحقیقات دیجیتالی است که توسط پروژه مغز انسان با بودجه اتحادیه اروپا ایجاد شده است، تا تحقیقات مرتبط با مغز را تقویت کند و به ترجمه آخرین یافته‌های علمی به نوآوری در پزشکی و صنعت، به نفع بیماران و جامعه کمک کند.
منبع : https://www.eurekalert.org/pub_releases/2021-02/hbp-net021921.php
#biocomputing #linux #eeg #bci
@unixmens
صرع یکی از شایع‌ترین اختلالات عصبی است که بیش از 50 میلیون نفر در سراسر جهان به آن مبتلا هستند. بیماران مبتلا به صرع از تشنج ناشی از فعالیت عصبی ناگهانی و درگیر شدن در شبکه‌های بزرگ مغز رنج می برند. در یک سوم موارد بیماری به داروها مقاوم است. رایج‌ترین گزینه درمانی برای این بیماران برداشتن "ناحیه صرع" با جراحی است، نواحی از مغز که تشنج در آن ظاهر میشود.
ویکتور جیرسا می‌گوید: «موفقیت جراحی به تعیین موقعیت دقیق این مناطق بستگی دارد. اما در عمل این مسئله بسیار دشوار است و میانگین موفقیت در عمل فقط در حدود 60٪ است. هر پیشرفتی در این مسیر، برای بسیاری از بیماران تأثیر عمده ای خواهد داشت.»
دانشمند ابزاری محاسباتی به نام "مغز مجازی" (TVB) را برای مدل‌سازی و پیش بینی فعالیت در مغز فردی بیمار ایجاد کرده‌اند. آنها با همکاری متخصص مغز و اعصاب، فابریک بارتولومی، مدلی ارائه کرده‌اند که با صرع سازگار بوده و گسترش فعالیت تشنج مغز مبتلا به صرع را شبیه‌سازی می‌کند. بنابراین این مدل می‌تواند به ابزاری مشاوره‌ای برای جراحان مغز و اعصاب به منظور کمک به جراحی‌های دقیق‌تر تبدیل شود.
در حال حاضر یک آزمایش بالینی برای ارزیابی مدل‌های مغزی شخصی TVB به عنوان ابزاری جدید برای برنامه‌ریزی جراحی صرع در حال انجام است که نتایج اولیه آن بسیار امیدوار کننده بوده است. تاکید بر این نکته مهم است که ابزار مغز مجازی (Virtual Brain) هنوز در مرحله بررسی بالینی است، بنابراین هنوز در دسترس بیماران نیست.
این تیم اکنون روی نسل بعدی مغز مجازی کار می کند، که با استفاده از زیرساخت‌های تحقیقاتی EBRAINS دقت مدل را بیشتر می کند. هدف این است که به طور قابل توجهی پتانسیل شخصی‌سازی مغز را با کمک مجموعه داده‌های اطلس مغز EBRAINS افزایش داده شود. این دستاورد شامل دقیق‌ترین نمایش سه بعدی آناتومی مغز، BigBrain ، با رزولوشن 20 میکرومتر است.
جیرسا می‌گوید: «فقط EBRAINS اجازه می‌دهد تا به این مقیاس و وضوح گسترده برسیم. در اینجا منابع داده مغز با ابزارهای محاسباتی و انفورماتیک با کارایی بالا سازگار و یکپارچه می‌شوند. EBRAINS امکان استفاده از یادگیری عمیق و سایر روش‌ها را برای یافتن پیکربندی متناسب با مغز بیمار را فراهم می کند. این مرحله برای تعیین دقیق منطقه صرع با دقت بالا مهم است.»
کاترین آمونتس، مدیر تحقیقات علمی پروژه مغز انسان موسوم به HBP می گوید: «رویکرد چند رشته ای HBP ، به دست آوردن درک علمی از تجزیه و تحلیل داده های بزرگ و مطالعات تصویربرداری عصبی را برای عصب‌شناسان تسهیل می‌کند. این کار با پشتیبانی مدل‌سازی مغز و محاسبات پیشرفته انجام میشود که راهی بسیار تأثیرگذار برای پیشرفت تحقیقات مغز و ایجاد نوآوری در این زمینه است.»
پروژه مغز انسان (HBP) بزرگترین پروژه علمی مغز در اروپا است و در میان بزرگترین پروژه‌های تحقیقاتی است که توسط اتحادیه اروپا تأمین شده است. در رابطه با علوم اعصاب و فناوری اطلاعات، HBP مغز و بیماری های آن را با کمک روش های بسیار پیشرفته از طریق محاسبات، نوروانفورماتیک و هوش مصنوعی بررسی می‌کند و باعث ایجاد نوآوری در زمینه هایی مانند محاسبات مغزی و نوروبوتیک‌ها می شود.
EBRAINS یک زیرساخت جدید تحقیقات دیجیتالی است که توسط پروژه مغز انسان با بودجه اتحادیه اروپا ایجاد شده است، تا تحقیقات مرتبط با مغز را تقویت کند و به ترجمه آخرین یافته‌های علمی به نوآوری در پزشکی و صنعت، به نفع بیماران و جامعه کمک کند.
منبع : https://www.eurekalert.org/pub_releases/2021-02/hbp-net021921.php
#biocomputing #linux #eeg #bci
@unixmens
EurekAlert!
New EBRAINS-enabled tool to help guide surgery in drug-resistant epilepsy patients
Scientists of the Human Brain Project have developed a computational tool to locate the areas in a patient's brain where epilepsy seizures emerge. Now, the team is using EBRAINS to further boost the accuracy with high resolution brain atlas data. With a clinical…
This media is not supported in your browser
VIEW IN TELEGRAM
Forwarded from Academy and Foundation unixmens | Your skills, Your future
در واقع Ceph object storage به لطف مقیاس پذیری و قیمت مقرون به صرفه ای که دارد به یک گزینه محبوب برای پیکربندی فضای ذخیره سازی بر روی ماشین های مجازی KVM تبدیل شده است. object storage معمولا در محیط های ابری بیشتر دیده می شود زیرا نیاز به مقیاس پذیری در چنین محیط هایی بیشتر از سایر محیط هاست. Ceph object storage یکی از محبوب ترین محصولاتی است که اخیرا برای پیکربندی backing storage برای ماشین های مجازی KVM مورد استفاده قرار گرفته است.
سف یک سکوی ذخیره‌سازی آزاد است که به منظور ایجاد آبجکت، بلاک و فایل سیستم بر روی مجموعه‌ای از رایانه‌های متصل به هم (کلاستر) ایجاد شده است. در سف، بیشتر نودها در یک کلاستر به همراه یکدیگر کار می کنند تا بتوانند فضای ذخیره سازی توزیع شده ای فراهم آورند. انواع مختلفی از کلاینت ها می توانند به این نودهای( گره ها) ذخیره سازی متصل شوند. اینکار از طریق دستیابی به اطلاعات متاداده ای انجام می شود که از طریق نود ceph-mon فراهم شده است. نرم افزارهای Ceph object storage به منظور ارائه فضای ذخیره سازی به شیوه جدید توسعه یافته اند. اپلیکیشن ها می توانند از طریق رابط برنامه نویسی مستقیم (API) به فضای ذخیره سازی دسترسی داشته باشند. این موضوع بدین معنی است که اپلیکیشن می تواند بدون نیاز به یک سیستم عامل امکان دسترسی به فضای ذخیره سازی را فراهم آورد. برخی از محصولات object storage ، تنها دسترسی از طریق API را در اختیار مشتریان خود قرار می دهند . به همین خاطر چنین برنامه هایی زیاد مفید و کاربردی نخواهند بود. در مقابل، نرم افزار سف(Ceph) روش های مختلفی را برای دسترسی کلاینت ها فراهم می کند.
این برنامه در چه محیط هایی عملکرد بهتری دارد؟
ا Ceph object storage ؛ در برخی از محیط ها عملکرد بهتر و دقیق تری دارد. بهترین محیط برای استفاده از سف در محیط های ابری است زیرا محصول مقرون به صرفه ای است که می توان آن را برای محدوده وسیعی از فضاهای ذخیره سازی مقیاس بندی کرد. با این وجود، انجام دادن تنظیمات سف زیاد ساده و آسان نیست. این موضوع بدین معناست که کارمندان مربوطه باید دانش کافی در مورد این محصول را داشته باشند. سف در برابر سایر SAN های سنتی بسیار مقرون به صرفه‌تر است و در بیشتر مراکز داده امروزی مورد استفاده قرار می گیرد. همین امر باعث شده است سف یک محصول ذخیره سازی ایده آل برای محیط های بزرگتر باشد. بیشتر شرکت هایی که تنها می خواهند تعداد اندکی ماشین مجازی را میزبانی کنند از این گزینه استفاده نمی کنند. در پیشنهاداتی که بر اساس سف انجام می شود، کلاینت سف ابجکت های باینری را می نویسد. این موارد به عنوان بلوک های داده در سطح سف به کار می رود و می تواند به صورت خودکار حداقل سه بار تکرار(Replicate) شود. مهم ترین قابلیتی که در سف وجود دارد این است که ماهیت توزیعی دارد. زمانی که ادمین ماشین مجازی را ایجاد می کند، این ماشین مجازی به عنوان نسخه تکرار شده از ابجکت های باینری نوشته خواهد شد. ذخیره ساز آبجکت سف می تواند به سرعت کار کند و سرورهای مختلفی را با هم سازگار نماید. زمانی که مسئله رابط ها به میان می آید، کلاینت ها دیگر نیازی ندارند تنها به یک رابط ذخیره سازی دسترسی داشته باشند. در عوض، درخواست ها توسط ده ها سرور به صورت همزمان مدیریت می شود. این موضوع بدین معناست که فایل ها به سرعت در اختیار افراد قرار می گیرد.
گزینه مقرون به صرفه تر:
شاید بهترین خبر در مورد سف این باشد که می توان آن را به جای اجرا بر روی سخت افزارهای گران قیمت، بر روی سخت افزارهای مناسب و مقرون به صرفه اجرا کرد. نتیجه ای که از این موضوع به دست می آید این است که Ceph object storage می تواند بسیار ارزانتر از SAN های سنتی باشد. کاربران می توانند سف را با استفاده از سرورهای قرار گرفته بر روی رک تنظیم کنند. اگرچه سخت افزارهای ذخیره سازی سف ارزان قیمت هستند اما باید به خاطر داشته باشید که برای سخت افزارهای شبکه باید سرمایه زیادی در نظر بگیرید. از آنجایی که هر آبجکت باینری سه بار Replicate می شود، مقدار داده هایی که از طریق شبکه ارسال می شود سه برابر خواهد شد. شما می توانید با استفاده از فضای ۱ گیگا بایتی همه چیز را تست کنید اما به خاطر داشته باشید که به هنگام استفاده از سف در یک محیط تولیدی، به ۱۰ گیگابایت فضا برای شبکه خود نیاز خواهید داشت.
سف یک نرم افزار رایگان و متن باز است. مستنداتی که در سایت این شرکت وجود دارد نحوه راه اندازی آن را به خوبی نشان می دهد.
#ceph #storage @unixmens
سف یک سکوی ذخیره‌سازی آزاد است که به منظور ایجاد آبجکت، بلاک و فایل سیستم بر روی مجموعه‌ای از رایانه‌های متصل به هم (کلاستر) ایجاد شده است. در سف، بیشتر نودها در یک کلاستر به همراه یکدیگر کار می کنند تا بتوانند فضای ذخیره سازی توزیع شده ای فراهم آورند. انواع مختلفی از کلاینت ها می توانند به این نودهای( گره ها) ذخیره سازی متصل شوند. اینکار از طریق دستیابی به اطلاعات متاداده ای انجام می شود که از طریق نود ceph-mon فراهم شده است. نرم افزارهای Ceph object storage به منظور ارائه فضای ذخیره سازی به شیوه جدید توسعه یافته اند. اپلیکیشن ها می توانند از طریق رابط برنامه نویسی مستقیم (API) به فضای ذخیره سازی دسترسی داشته باشند. این موضوع بدین معنی است که اپلیکیشن می تواند بدون نیاز به یک سیستم عامل امکان دسترسی به فضای ذخیره سازی را فراهم آورد. برخی از محصولات object storage ، تنها دسترسی از طریق API را در اختیار مشتریان خود قرار می دهند . به همین خاطر چنین برنامه هایی زیاد مفید و کاربردی نخواهند بود. در مقابل، نرم افزار سف(Ceph) روش های مختلفی را برای دسترسی کلاینت ها فراهم می کند.
این برنامه در چه محیط هایی عملکرد بهتری دارد؟
ا Ceph object storage ؛ در برخی از محیط ها عملکرد بهتر و دقیق تری دارد. بهترین محیط برای استفاده از سف در محیط های ابری است زیرا محصول مقرون به صرفه ای است که می توان آن را برای محدوده وسیعی از فضاهای ذخیره سازی مقیاس بندی کرد. با این وجود، انجام دادن تنظیمات سف زیاد ساده و آسان نیست. این موضوع بدین معناست که کارمندان مربوطه باید دانش کافی در مورد این محصول را داشته باشند. سف در برابر سایر SAN های سنتی بسیار مقرون به صرفه‌تر است و در بیشتر مراکز داده امروزی مورد استفاده قرار می گیرد. همین امر باعث شده است سف یک محصول ذخیره سازی ایده آل برای محیط های بزرگتر باشد. بیشتر شرکت هایی که تنها می خواهند تعداد اندکی ماشین مجازی را میزبانی کنند از این گزینه استفاده نمی کنند. در پیشنهاداتی که بر اساس سف انجام می شود، کلاینت سف ابجکت های باینری را می نویسد. این موارد به عنوان بلوک های داده در سطح سف به کار می رود و می تواند به صورت خودکار حداقل سه بار تکرار(Replicate) شود. مهم ترین قابلیتی که در سف وجود دارد این است که ماهیت توزیعی دارد. زمانی که ادمین ماشین مجازی را ایجاد می کند، این ماشین مجازی به عنوان نسخه تکرار شده از ابجکت های باینری نوشته خواهد شد. ذخیره ساز آبجکت سف می تواند به سرعت کار کند و سرورهای مختلفی را با هم سازگار نماید. زمانی که مسئله رابط ها به میان می آید، کلاینت ها دیگر نیازی ندارند تنها به یک رابط ذخیره سازی دسترسی داشته باشند. در عوض، درخواست ها توسط ده ها سرور به صورت همزمان مدیریت می شود. این موضوع بدین معناست که فایل ها به سرعت در اختیار افراد قرار می گیرد.
گزینه مقرون به صرفه تر:
شاید بهترین خبر در مورد سف این باشد که می توان آن را به جای اجرا بر روی سخت افزارهای گران قیمت، بر روی سخت افزارهای مناسب و مقرون به صرفه اجرا کرد. نتیجه ای که از این موضوع به دست می آید این است که Ceph object storage می تواند بسیار ارزانتر از SAN های سنتی باشد. کاربران می توانند سف را با استفاده از سرورهای قرار گرفته بر روی رک تنظیم کنند. اگرچه سخت افزارهای ذخیره سازی سف ارزان قیمت هستند اما باید به خاطر داشته باشید که برای سخت افزارهای شبکه باید سرمایه زیادی در نظر بگیرید. از آنجایی که هر آبجکت باینری سه بار Replicate می شود، مقدار داده هایی که از طریق شبکه ارسال می شود سه برابر خواهد شد. شما می توانید با استفاده از فضای ۱ گیگا بایتی همه چیز را تست کنید اما به خاطر داشته باشید که به هنگام استفاده از سف در یک محیط تولیدی، به ۱۰ گیگابایت فضا برای شبکه خود نیاز خواهید داشت.
سف یک نرم افزار رایگان و متن باز است. مستنداتی که در سایت این شرکت وجود دارد نحوه راه اندازی آن را به خوبی نشان می دهد.
#ceph #storage @unixmens
Forwarded from Academy and Foundation unixmens | Your skills, Your future
اجزای تشکیل دهنده کلاستر ذخیره سازی:
فرق نداره شما برای محیط ابری به Object Storage یا Block Storage نیاز دارید یا برای ذخیره سازی فایل ها Ceph File System رو راه اندازی می کنید یا برای هر منظور دیگه بخواید از Ceph استفاده کنید. پیاده سازی Ceph Cluster با راه اندازی Ceph Node ها، شبکه و منابع ذخیره سازی شروع میشه. یک کلاستر Ceph برای شروع به کار به حداقل یک نود مانیتور(Monitor Node)، یک نود مدیر(Manager Node)، یک نود ذخیره سازی(OSD Node) و برای استفاده از Ceph File System یا همون CephFS به یک نود ابرداده(MDS Node) نیاز دارد.
نود مانیتور(Monitor Node): ceph-mon وظیفه نگهداری وضعیت کلی کلاستر را به عهده دارد. تمامی اجزای این سیستم دارای Map هایی هستند که توسط این نود نگهداری و مدیریت می شود. همچنین وظیفه تصدیق و احراز هویت اعضای کلاستر و کلاینت ها به عهده این نود می باشد. مهمترین عضو کلاستر Ceph همین نود مانیتور هست که به عنوان قلب کلاستر فعالیت می کند. در یک پیاده سازی کوچک تا متوسط برای افزونگی و پایداری سرویس حداقل به 3 نود مانیتور نیاز است.
نود مدیر(Manager Node): این نود(ceph-mgr) وظیفه نگهداری Runtime metrics، وضعیت جاری کلاستر، ذخیره سازها، کارایی و لود سیستم را به عهده دارد. همچنین با میزبانی ماژول هایی که به زبان پایتون نوشته می شوند، می تواند قابلیت های جانبی مثل Dashboard, Exporter, Remote Logging و… را فراهم کند. برای افزونگی و پایداری این سرویس حداقل 2 نمونه نیاز است.
نود ذخیره سازی(OSD Node): ذخیره کننده یا Object Storage Daemon وظیفه ذخیره سازی، مدیریت Replication، بازیابی و Rebalance را بر عهده داشته و اطلاعات لازم را در اختیار Monitor و Manager قرار می دهد. جهت افزونگی و پایداری داده ها حداقل به 3 OSD نیاز است.
نود ابرداده(MDS Node): Metadata Server، اطلاعات متا مربوط به فایل های ذخیره شده در CephFS یا Ceph File System را نگهداری و مدیریت می کند. این نود به کاربران استفاده کننده از استاندارد POSIX قابلیتی می دهد که بدون آوردن بار اضافی به کلاستر Ceph به فایل ها دسترسی داشته باشند. برای پایداری و افزونگی حداقل به 2 MDS نیاز داریم.
نحوه ذخیره سازی داده در کلاستر:
تمام اطلاعات در Ceph به صورت Object در استخر(Pool) های منطقی ذخیره می شوند که الگوریتمی به نام CRUSH وظیفه پیاده سازی Replication بر اساس روش تعریف شده را انجام می دهد. CRUSH محاسبه می کند که Object در کدام PG و PG در کدام OSD ذخیره شود. به طور کلی با وجود CRUSH مقیاس پذیری، بالانس کردن و بازیابی پویای اطلاعات فراهم شده است.
#ceph #storage @unixmens
فرق نداره شما برای محیط ابری به Object Storage یا Block Storage نیاز دارید یا برای ذخیره سازی فایل ها Ceph File System رو راه اندازی می کنید یا برای هر منظور دیگه بخواید از Ceph استفاده کنید. پیاده سازی Ceph Cluster با راه اندازی Ceph Node ها، شبکه و منابع ذخیره سازی شروع میشه. یک کلاستر Ceph برای شروع به کار به حداقل یک نود مانیتور(Monitor Node)، یک نود مدیر(Manager Node)، یک نود ذخیره سازی(OSD Node) و برای استفاده از Ceph File System یا همون CephFS به یک نود ابرداده(MDS Node) نیاز دارد.
نود مانیتور(Monitor Node): ceph-mon وظیفه نگهداری وضعیت کلی کلاستر را به عهده دارد. تمامی اجزای این سیستم دارای Map هایی هستند که توسط این نود نگهداری و مدیریت می شود. همچنین وظیفه تصدیق و احراز هویت اعضای کلاستر و کلاینت ها به عهده این نود می باشد. مهمترین عضو کلاستر Ceph همین نود مانیتور هست که به عنوان قلب کلاستر فعالیت می کند. در یک پیاده سازی کوچک تا متوسط برای افزونگی و پایداری سرویس حداقل به 3 نود مانیتور نیاز است.
نود مدیر(Manager Node): این نود(ceph-mgr) وظیفه نگهداری Runtime metrics، وضعیت جاری کلاستر، ذخیره سازها، کارایی و لود سیستم را به عهده دارد. همچنین با میزبانی ماژول هایی که به زبان پایتون نوشته می شوند، می تواند قابلیت های جانبی مثل Dashboard, Exporter, Remote Logging و… را فراهم کند. برای افزونگی و پایداری این سرویس حداقل 2 نمونه نیاز است.
نود ذخیره سازی(OSD Node): ذخیره کننده یا Object Storage Daemon وظیفه ذخیره سازی، مدیریت Replication، بازیابی و Rebalance را بر عهده داشته و اطلاعات لازم را در اختیار Monitor و Manager قرار می دهد. جهت افزونگی و پایداری داده ها حداقل به 3 OSD نیاز است.
نود ابرداده(MDS Node): Metadata Server، اطلاعات متا مربوط به فایل های ذخیره شده در CephFS یا Ceph File System را نگهداری و مدیریت می کند. این نود به کاربران استفاده کننده از استاندارد POSIX قابلیتی می دهد که بدون آوردن بار اضافی به کلاستر Ceph به فایل ها دسترسی داشته باشند. برای پایداری و افزونگی حداقل به 2 MDS نیاز داریم.
نحوه ذخیره سازی داده در کلاستر:
تمام اطلاعات در Ceph به صورت Object در استخر(Pool) های منطقی ذخیره می شوند که الگوریتمی به نام CRUSH وظیفه پیاده سازی Replication بر اساس روش تعریف شده را انجام می دهد. CRUSH محاسبه می کند که Object در کدام PG و PG در کدام OSD ذخیره شود. به طور کلی با وجود CRUSH مقیاس پذیری، بالانس کردن و بازیابی پویای اطلاعات فراهم شده است.
#ceph #storage @unixmens
مشکل امنیتی فوق جدی در سف در تسخه ۱۵x که باعث Privilege Escalation شده و دسترسی به Distributed Object Store (RADOS), which provides object, block, and file system storage میشود .
جهت اطلاعات تکمیلی میتوانید ، تماس حاصل فرمایید .
https://labs.f-secure.com/advisories/ceph-authorization-bypass/
#security #ceph
@unixmens
جهت اطلاعات تکمیلی میتوانید ، تماس حاصل فرمایید .
https://labs.f-secure.com/advisories/ceph-authorization-bypass/
#security #ceph
@unixmens
Academy and Foundation unixmens | Your skills, Your future
یک استارتاپ هوش مصنوعی چینی به نام Megvii که نرم‌افزارهای تشخیص چهره را برای مقاصد نظارتی دولت چین توسعه می‌دهد، حالا حوزه فعالیتش را گسترده‌تر کرده و به هویت‌یابی حیوانات روی آورده است.
بر اساس گزارش Abacus News برنامه جدید Megvii روی شناسایی سگ‌ها با استفاده از بینی آنها تمرکز دارد.
دقیقا همان نقشی که اثر انگشت برای شناسایی انسان‌ها بازی می‌کند «اثر بینی» برای سگ ها دارد و این استارتاپ هوش مصنوعی با تکیه بر همین موضوع، اپی توسعه داده که صاحبان سگ‌ها با استفاده از دوربین گوشی خودشان، عکس بینی سگشان را در آن وارد می‌کنند.
به همان صورتی که اثر انگشت برای باز کردن قفل گوشی اسکن میشود، این اپ از صاحب سگ درخواست می‌کند که از بینی سگش در زوایای مختلف عکس گرفته و آنها را وارد برنامه کند. Megvii گفته که تا به حال با همین روش 15 هزار سگ گمشده را با همین برنامه به صاحبانشان برگردانده و نرخ دقتی برابر 95 درصد را به ثبت رسانده است.
اما Megvii می‌گوید که که کاربرد این اپ چیزی بیشتر از بازگرداندن حیوانات گمشده به صاحبانشان است. با توجه به روابطی که این شرکت با دولت دارد، قرار است از این تکنولوژی برای پایش و جریمه افرادی که سگ‌هایشان را بدون قلاده در سطح شهر رها می‌کنند نیز استفاده کند.
در عرض چند سال اخیر توسعه سیستم‌های هوش مصنوعی برای تشخیص و شناسایی حیوانات بسیار فراگیر شده. مثلا از این سیستم‌ها برای نجات گونه‌های در معرض خطر و همچنین شناسایی انواع مختلف حیوانات مثل پانداها استفاده میشود.
دقیقا همان نقشی که اثر انگشت برای شناسایی انسان‌ها بازی می‌کند «اثر بینی» برای سگ ها دارد و این استارتاپ هوش مصنوعی با تکیه بر همین موضوع، اپی توسعه داده که صاحبان سگ‌ها با استفاده از دوربین گوشی خودشان، عکس بینی سگشان را در آن وارد می‌کنند.
به همان صورتی که اثر انگشت برای باز کردن قفل گوشی اسکن میشود، این اپ از صاحب سگ درخواست می‌کند که از بینی سگش در زوایای مختلف عکس گرفته و آنها را وارد برنامه کند. Megvii گفته که تا به حال با همین روش 15 هزار سگ گمشده را با همین برنامه به صاحبانشان برگردانده و نرخ دقتی برابر 95 درصد را به ثبت رسانده است.
اما Megvii می‌گوید که که کاربرد این اپ چیزی بیشتر از بازگرداندن حیوانات گمشده به صاحبانشان است. با توجه به روابطی که این شرکت با دولت دارد، قرار است از این تکنولوژی برای پایش و جریمه افرادی که سگ‌هایشان را بدون قلاده در سطح شهر رها می‌کنند نیز استفاده کند.
در عرض چند سال اخیر توسعه سیستم‌های هوش مصنوعی برای تشخیص و شناسایی حیوانات بسیار فراگیر شده. مثلا از این سیستم‌ها برای نجات گونه‌های در معرض خطر و همچنین شناسایی انواع مختلف حیوانات مثل پانداها استفاده میشود.
اگر اخبار مربوط به هوش مصنوعی را دنبال کنید، شاهد دو تصویر کاملا متفاوت از این تکنولوژی خواهید بود. رسانه‌ها و سینما هوش مصنوعی را معمولا مساوی با توانایی‌های انسانی، بیکاری گسترده و آخرالزمانی که به دست ربات‌ها رقم می‌خورد می‌دانند. از سوی دیگر اما کنفرانس‌های علمی را داریم که در آنها صحبت از هوش جامع مصنوعی است و اینکه هوش مصنوعی کنونی ضعیف ظاهر شده و نمی‌تواند بسیاری از کارکردهای بنیادین مغز انسان را داشته باشد.
اما فارغ از اینکه هوش مصنوعی در قیاس با هوش انسانی چه جایگاه دارد، الگوریتم‌های امروزی به عنصری مهم در صنایح مختلف مانند بهداشت و سلامت، امور مالی، تولید، حمل‌ونقل و بسیاری حوزه دیگر تبدیل شده‌اند. و همانطور که مارکو یانسیتی و کریم لاخانی، پروفسورهای مدرسه تجارت هاروارد در کتاب خود به نام «رقابت در عصر هوش مصنوعی: استراتژی و مدیریت در دورانی که الگوریتم‌ها و شبکه‌ها جهان را می‌رانند» می‌گویند، خیلی زود «هیچ‌یک از حوزه‌های انسانی عملکردی مستقل از هوش مصنوعی نخواهند داشت».
در واقع همین هوش مصنوعی ضعیف کنونی به رشد و موفقیت کمپانی‌هایی مانند گوگل، آمازون، فیسبوک و مایکروسافت منجر شده و تاثیری روزانه روی زندگی میلیاردها نفر در سراسر جهان دارد. همانطور که لاخانی و یانسیتی در کتاب خود می‌گویند، «برای اولویت دادن به محتوای شبکه‌های اجتماعی، ساخت بهترین کاپوچینوی ممکن، تحلیل رفتار مشتریان، تعیین قیمت بهینه و یا حتی نقاشی در سبک رامبرانت نیازی به یک رونوشت انسانی بی‌نقص نداریم. همین هوش مصنوعی ناقص و ضعیف دارد ماهیت شرکت‌ها و چگونگی کارکرد آنها را دگرگون می‌کند».
همین هوش مصنوعی ضعیف کنونی به رشد و موفقیت کمپانی‌هایی مانند گوگل، آمازون، فیسبوک و مایکروسافت منجر شده
استارتاپ‌هایی که توانسته‌اند قوانین مدیریت کسب‌وکارهای مبتنی بر هوش مصنوعی را درک کنند، قادر به ایجاد بازارهای تازه و اختلال در عملکرد صنایع سنتی بوده‌اند. کمپانی‌هایی که جای پایشان از پیش محکم بوده و خودشان را با عصر هوش مصنوعی همگان کرده‌اند نیز توانسته زنده مانده و به موفقیت ادامه دهند. از سوی دیگر، آن‌هایی که پایبند به متدهای قدیمی مانده‌اند یا نابود شده‌اند یا بخش اعظمی از بازار خود را به کمپانی‌هایی باخته‌اند که شروع به استفاده از هوش مصنوعی کرده‌اند.
در میان تمام موضوعاتی که یانسیتی و لاخانی در کتاب خود به آنها پرداخته‌اند، مفهوم «کارخانه هوش مصنوعی» نیز به چشم می‌خورد. عنصری کلیدی که به کمپانی‌ها اجازه می‌دهد قادر به رقابت و رشد در عصر هوش مصنوعی باشند.
کارخانه هوش مصنوعی چیست؟
کلیدی‌ترین تکنولوژی‌های هوش مصنوعی که در کسب‌وکارهای امروزی به کار گرفته می‌شوند، الگوریتم‌های یادگیری ماشینی هستند، موتورهایی آماری که می‌توانند الگوهای گذشته را یافته و براساس آنچه پیشتر رصد کرده‌اند، دست به پیش‌بینی خروجی‌های تازه بزنند. در کنار دیگر قطعات کلیدی مانند منابع داده، آزمون و خطاها و نرم‌افزار، الگوریتم‌های یادگیری ماشینی می‌توانند به ساخت کارخانه‌های هوش مصنوعی منجر شوند؛ مجموعه‌ای از قطعات و پروسه‌های متصل به یکدیگر که یادگیری و رشد را رقم می‌زنند.
الگوریتم‌های یادگیری ماشینی، موتورهایی آماری هستند که می‌توانند الگوهای گذشته را یافته و براساس آنها دست به پیش‌بینی خروجی‌های تازه بزنند
بیایید کارکرد کارخانه هوش مصنوعی را توضیح دهیم. داده باکیفیتی که از منابع داخلی و خارجی به دست می‌آیند تبدیل به منبعی برای تربیت الگوریتم‌های یادگیری ماشینی می‌شوند تا بتوان در وظایفی خاص، دست به پیش‌بینی زد. در برخی موارد مانند شناسایی و درمان بیماری‌ها، این پیش‌بینی‌ها می‌توانند به متخصصین انسانی در اتخاذ تصمیم درست کمک کنند. در موارد دیگر مانند سیستم پیشنهاد محتوا، الگوریتم‌های یادگیری ماشینی می‌توانند وظایف را با مداخله انسانی اندک یا هیچ‌گونه مداخله انسانی اتوماسیون کنند.
اما فارغ از اینکه هوش مصنوعی در قیاس با هوش انسانی چه جایگاه دارد، الگوریتم‌های امروزی به عنصری مهم در صنایح مختلف مانند بهداشت و سلامت، امور مالی، تولید، حمل‌ونقل و بسیاری حوزه دیگر تبدیل شده‌اند. و همانطور که مارکو یانسیتی و کریم لاخانی، پروفسورهای مدرسه تجارت هاروارد در کتاب خود به نام «رقابت در عصر هوش مصنوعی: استراتژی و مدیریت در دورانی که الگوریتم‌ها و شبکه‌ها جهان را می‌رانند» می‌گویند، خیلی زود «هیچ‌یک از حوزه‌های انسانی عملکردی مستقل از هوش مصنوعی نخواهند داشت».
در واقع همین هوش مصنوعی ضعیف کنونی به رشد و موفقیت کمپانی‌هایی مانند گوگل، آمازون، فیسبوک و مایکروسافت منجر شده و تاثیری روزانه روی زندگی میلیاردها نفر در سراسر جهان دارد. همانطور که لاخانی و یانسیتی در کتاب خود می‌گویند، «برای اولویت دادن به محتوای شبکه‌های اجتماعی، ساخت بهترین کاپوچینوی ممکن، تحلیل رفتار مشتریان، تعیین قیمت بهینه و یا حتی نقاشی در سبک رامبرانت نیازی به یک رونوشت انسانی بی‌نقص نداریم. همین هوش مصنوعی ناقص و ضعیف دارد ماهیت شرکت‌ها و چگونگی کارکرد آنها را دگرگون می‌کند».
همین هوش مصنوعی ضعیف کنونی به رشد و موفقیت کمپانی‌هایی مانند گوگل، آمازون، فیسبوک و مایکروسافت منجر شده
استارتاپ‌هایی که توانسته‌اند قوانین مدیریت کسب‌وکارهای مبتنی بر هوش مصنوعی را درک کنند، قادر به ایجاد بازارهای تازه و اختلال در عملکرد صنایع سنتی بوده‌اند. کمپانی‌هایی که جای پایشان از پیش محکم بوده و خودشان را با عصر هوش مصنوعی همگان کرده‌اند نیز توانسته زنده مانده و به موفقیت ادامه دهند. از سوی دیگر، آن‌هایی که پایبند به متدهای قدیمی مانده‌اند یا نابود شده‌اند یا بخش اعظمی از بازار خود را به کمپانی‌هایی باخته‌اند که شروع به استفاده از هوش مصنوعی کرده‌اند.
در میان تمام موضوعاتی که یانسیتی و لاخانی در کتاب خود به آنها پرداخته‌اند، مفهوم «کارخانه هوش مصنوعی» نیز به چشم می‌خورد. عنصری کلیدی که به کمپانی‌ها اجازه می‌دهد قادر به رقابت و رشد در عصر هوش مصنوعی باشند.
کارخانه هوش مصنوعی چیست؟
کلیدی‌ترین تکنولوژی‌های هوش مصنوعی که در کسب‌وکارهای امروزی به کار گرفته می‌شوند، الگوریتم‌های یادگیری ماشینی هستند، موتورهایی آماری که می‌توانند الگوهای گذشته را یافته و براساس آنچه پیشتر رصد کرده‌اند، دست به پیش‌بینی خروجی‌های تازه بزنند. در کنار دیگر قطعات کلیدی مانند منابع داده، آزمون و خطاها و نرم‌افزار، الگوریتم‌های یادگیری ماشینی می‌توانند به ساخت کارخانه‌های هوش مصنوعی منجر شوند؛ مجموعه‌ای از قطعات و پروسه‌های متصل به یکدیگر که یادگیری و رشد را رقم می‌زنند.
الگوریتم‌های یادگیری ماشینی، موتورهایی آماری هستند که می‌توانند الگوهای گذشته را یافته و براساس آنها دست به پیش‌بینی خروجی‌های تازه بزنند
بیایید کارکرد کارخانه هوش مصنوعی را توضیح دهیم. داده باکیفیتی که از منابع داخلی و خارجی به دست می‌آیند تبدیل به منبعی برای تربیت الگوریتم‌های یادگیری ماشینی می‌شوند تا بتوان در وظایفی خاص، دست به پیش‌بینی زد. در برخی موارد مانند شناسایی و درمان بیماری‌ها، این پیش‌بینی‌ها می‌توانند به متخصصین انسانی در اتخاذ تصمیم درست کمک کنند. در موارد دیگر مانند سیستم پیشنهاد محتوا، الگوریتم‌های یادگیری ماشینی می‌توانند وظایف را با مداخله انسانی اندک یا هیچ‌گونه مداخله انسانی اتوماسیون کنند.