L'intelligenza artificiale è la cosa più importante in arrivo per questo business high-tech. L'innovazione e la ricerca diretta dalle migliori aziende tecnologiche stanno influenzando settori verticali come sanità, auto, finanza, vendita al dettaglio e produzione. Sebbene la tecnologia sia sempre stata un elemento molto importante per tutti questi nomi di dominio, l'intelligenza artificiale sta portando la tecnologia al centro dell'azienda. Dall'attrezzatura medica cruciale per salvare la vita ai veicoli a guida autonoma, l'intelligenza artificiale verrà infusa praticamente in ogni programma e apparato.
Società di piattaforme come Amazon, Apple, Facebook, Google, IBM e Microsoft stanno investendo nello studio e nella creazione di AI. Stanno lavorando per creare un'IA più accessibile per le aziende.
Tre aspetti essenziali stanno accelerando il tasso di innovazione nell'area dell'apprendimento automatico e dell'intelligenza artificiale .
Architettura informatica avanzata
I microprocessori e le CPU convenzionali non sono pensati per prendersi cura dell'apprendimento automatico. La CPU più veloce potrebbe non essere la scelta perfetta per addestrare una versione ML complessa. Per il coaching e l'inferenza delle versioni ML che forniscono intelligenza al software, le CPU devono essere integrate con una nuova generazione di chip.
A causa dell'aumento dell'intelligenza artificiale, le unità di elaborazione grafica (GPU) sono state richieste. Quello che una volta era considerato parte dei PC e delle workstation per il gioco d'azzardo di fascia alta è diventato il processore molto ricercato dal cloud generale. Contrariamente alle CPU, le GPU arrivano con decine di migliaia di core che accelerano la procedura di addestramento ML. Anche per condurre una versione addestrata per l'inferenza, le GPU stanno diventando essenziali. Andando avanti, probabilmente ci sarà una sorta di GPU dove c'è una CPU. Dai dispositivi dei clienti alle macchine virtuali dal cloud, le GPU sarebbero la chiave per l'IA.
La seguente innovazione arriva nel Kind of Field Programmable Gate Array o FPGA. Questi chip sono personalizzabili e programmabili per ottenere un particolare tipo di carico di lavoro. Le CPU convenzionali sono sviluppate per calcoli generici mentre gli FPGA possono essere programmati dall'area una volta fabbricati. I dispositivi FPGA sono selezionati per attività di elaborazione di mercato come l'addestramento delle versioni ML. I venditori di cloud pubblico stanno sfruttando gli FPGA per fornire un'infrastruttura altamente ottimizzata e ottimizzata per l'IA.
Infine, l'accesso ai server bare metal dal cloud sta portando scienziati e ricercatori a condurre un lavoro di elaborazione ad alte prestazioni nel cloud. Questi server impegnati e single-tenant forniscono le migliori funzionalità della categoria. Le macchine virtuali soffrono dei problemi dei vicini rumorosi a causa di questa infrastruttura comune e multi-tenant. I fornitori di infrastrutture cloud come Amazon EC2 insieme a IBM Cloud stanno fornendo server bare metal.
Queste invenzioni alimenteranno l'adozione dell'IA in settori come l'aerospazio, la salute, l'elaborazione delle immagini, la produzione e l'automotive.
Progressi nelle reti neurali profonde
L'elemento successivo e più cruciale nella ricerca sull'IA è il progresso nell'apprendimento profondo e nelle reti neurali artificiali.
Le reti neurali artificiali (ANN) stanno sostituendo le versioni convenzionali di Machine Learning per evolvere versioni accurate e precise. Convolutional Neural Networks (CNN) fornisce la capacità di apprendimento profondo per monitorare la visione. Alcuni dei miglioramenti attuali nella visione artificiale come il solitary Shot Multibox Detector (SSD) e il Generative Adversarial Networks (GAN) stanno scoprendo l'elaborazione delle immagini. ) Ad esempio, utilizzando alcune di quelle tecniche, i video e le immagini che vengono ripresi in condizioni di scarsa illuminazione e con una risoluzione molto bassa potrebbero essere migliorati in qualità HD. La continua ricerca nella visione artificiale è ora la base per l'elaborazione delle immagini nell'assistenza sanitaria, nella protezione, nei trasporti e in altri nomi di dominio.
Alcuni di questi metodi ML emergenti come Capsule Neural Networks (CapsNet) modificheranno sostanzialmente il modo in cui le versioni ML vengono distribuite e addestrate. Avranno la possibilità di creare modelli che prevedono con precisione anche se addestrati utilizzando dati limitati.
Accessibilità ai set di dati storici
Prima che il cloud diventasse mainstream, il salvataggio e l'accesso alle informazioni erano costosi. Come risultato delle società basate sul cloud, il mondo accademico e le autorità stanno sbloccando le informazioni che un tempo erano limitate alle cartucce delle cassette e ai dischi magnetici.
I data scientist vogliono l'accesso a grandi set di dati storici per istruire modelli ML che possono prevedere con maggiore precisione. L'efficacia di una versione ML è determinata direttamente dalla qualità e dalle dimensioni di questo set di dati. Per affrontare problemi complicati come scoprire il cancro o chiamare la pioggia, i ricercatori vogliono grandi set di dati con vari problemi di dati.
Con l'archiviazione e il recupero delle informazioni che diventano più economici, le agenzie governative, le istituzioni sanitarie e le istituzioni stanno creando informazioni non strutturate accessibili all'area di ricerca. Dall'imaging clinico alla tendenza storica della pioggia, i ricercatori hanno finalmente accesso a ricchi set di dati. Questa variabile da sola influenza in modo significativo la ricerca sull'IA.
Dati abbondanti insieme ad apparati informatici ad alte prestazioni indurranno opzioni di intelligenza artificiale di prossima generazione.
Facebook, Google, IBM e Microsoft stanno contribuendo alla ricerca sull'IA. Stanno investendo miliardi di dollari per creare AI correlata a diversi settori verticali di business.
L'accesso a ricchi set di dati insieme alle architetture informatiche di prossima generazione consente ai ricercatori e agli scienziati dell'informazione di innovare a un ritmo veloce. Queste variabili creeranno l'IA una parte essenziale di dispositivi e applicazioni.
Video
- https://www.youtube.com/watch?v=CMPKarLuna4&feature=youtu.be
