Künstliche Intelligenz ist die bevorstehende Hauptsache dieses High-Tech-Geschäfts. Die Innovation und Forschung der besten Technologieunternehmen wirkt sich auf Branchen wie Gesundheitswesen, Auto, Finanzen, Einzelhandel und Fertigung aus. Obwohl Technologie für all diese Domain-Namen schon immer ein sehr wichtiges Element war, stellt AI die Technologie in den Mittelpunkt des Unternehmens. Von lebensrettender medizinischer Ausrüstung bis hin zu selbstfahrenden Fahrzeugen wird die KI in praktisch jedes Programm und jeden Apparat eingebracht.
Plattformunternehmen wie Amazon, Apple, Facebook, Google, IBM und Microsoft investieren in das Studium und die Erstellung von KI. Sie arbeiten daran, KI für Unternehmen zugänglicher zu machen.
Drei wesentliche Aspekte beschleunigen die Innovationsrate im Bereich des maschinellen Lernens und der künstlichen Intelligenz .
Erweiterte Computerarchitektur
Herkömmliche Mikroprozessoren und CPUs kümmern sich nicht um maschinelles Lernen. Die schnellste CPU ist möglicherweise nicht die perfekte Wahl für das Training einer komplizierten ML-Version. Für das Coaching und Ableiten von ML-Versionen, die Software mit Informationen versorgen, müssen CPUs durch eine neue Generation von Chips ergänzt werden.
Aufgrund des Aufstiegs der KI waren Grafikprozessoren (GPUs) gefragt. Was früher als Teil von High-End-Glücksspiel-PCs und Workstations angesehen wurde, ist heute der begehrte Prozessor aus der allgemeinen Cloud. Im Gegensatz zu CPUs kommen GPUs mit Zehntausenden von Kernen an, die das ML-Trainingsverfahren beschleunigen. Selbst für die Durchführung einer geschulten Version für Inferenzen werden GPUs immer wichtiger. In Zukunft wird es wahrscheinlich eine Art GPU geben, auf der sich eine CPU befindet. Von Kundengeräten bis zu virtuellen Maschinen aus der Cloud wären GPUs der Schlüssel zur KI.
Die folgende Innovation betrifft die Art des Field Programmable Gate Array oder FPGA. Diese Chips sind anpassbar und programmierbar, um eine bestimmte Art von Arbeitslast zu erhalten. Herkömmliche CPUs wurden für die allgemeine Berechnung entwickelt, während FPGAs nach ihrer Herstellung aus dem Bereich heraus programmiert werden können. FPGA-Geräte werden für Market-Computing-Aufgaben wie das Trainieren von ML-Versionen ausgewählt. Öffentliche Cloud-Verkäufer nutzen FPGAs, um eine hochoptimierte und optimierte Infrastruktur für KI bereitzustellen.
Schließlich bringt der Zugriff auf Bare-Metal-Server aus der Cloud Wissenschaftler und Forscher dazu, Hochleistungs-Computing-Arbeiten in der Cloud durchzuführen. Diese festgeschriebenen Single-Tenant-Server bieten erstklassige Funktionen. Virtuelle Maschinen leiden aufgrund dieser gemeinsamen und mandantenfähigen Infrastruktur unter den Problemen mit lauten Nachbarn. Cloud-Infrastrukturanbieter wie Amazon EC2 und IBM Cloud liefern Bare-Metal-Server.
Diese Erfindungen werden die Einführung von KI in Bereichen wie Luft- und Raumfahrt, Gesundheit, Bildverarbeitung, Fertigung und Automobilindustrie vorantreiben.
Fortschritte in tiefen neuronalen Netzen
Das nächste und wichtigste Element in der KI-Forschung sind die Fortschritte beim tiefgreifenden Lernen und bei künstlichen neuronalen Netzen.
Künstliche Neuronale Netze (ANN) ersetzen herkömmliche Versionen des maschinellen Lernens, um genaue und präzise Versionen zu entwickeln. Convolutional Neural Networks (CNN) bieten die Möglichkeit eines gründlichen Lernens zur Überwachung des Sehvermögens. Eine Reihe der aktuellen Verbesserungen in der Bildverarbeitung wie der SSD (Solitary Shot Multibox Detector) und GAN (Generative Adversarial Networks) entdecken die Bildverarbeitung. ) Beispielsweise könnte die Verwendung einiger dieser Techniken, Videos und Bilder, die bei schlechten Lichtverhältnissen und sehr geringer Auflösung aufgenommen wurden, in HD-Qualität verbessert werden. Die fortlaufende Forschung im Bereich Computer Vision ist nun die Grundlage für die Bildverarbeitung in den Bereichen Gesundheitswesen, Schutz, Transport und andere Domänennamen.
Eine Reihe dieser neuen ML-Methoden wie Capsule Neural Networks (CapsNet) wird die Art und Weise, wie ML-Versionen bereitgestellt und trainiert werden, grundlegend verändern. Sie können Modelle erstellen, die präzise Prognosen erstellen, selbst wenn sie mit eingeschränkten Daten trainiert werden.
Zugriff auf historische Datensätze
Ahead of Cloud wurde zum Mainstream, das Speichern und Zugreifen auf Informationen war teuer. Aufgrund der Cloud-basierten Unternehmen entsperren Wissenschaft und Behörden die Informationen, die einst auf Kassetten und Magnetplatten beschränkt waren.
Datenwissenschaftler möchten Zugriff auf große historische Datensätze, um ML-Modelle zu erstellen, die möglicherweise präziser vorhergesagt werden können. Die Wirksamkeit einer ML-Version wird direkt von der Qualität und den Abmessungen dieses Datensatzes bestimmt. Um komplizierte Probleme wie die Entdeckung von Krebs oder das Aufrufen von Regen anzugehen, benötigen Forscher große Datenmengen mit unterschiedlichen Datenproblemen.
Da die Speicherung und Wiederherstellung von Informationen immer wirtschaftlicher wird, schaffen Regierungsbehörden, Gesundheitseinrichtungen und Institutionen unstrukturierte Informationen, die dem Forschungsbereich zugänglich sind. Von der klinischen Bildgebung bis zum historischen Regentrend haben Forscher endlich Zugang zu wohlhabenden Datensätzen. Diese Variable allein beeinflusst die KI-Forschung erheblich.
Reichlich vorhandene Daten zusammen mit Hochleistungsrechnern führen zu KI-Optionen der nächsten Generation.
Facebook, Google, IBM und Microsoft tragen zur KI-Forschung bei. Sie investieren Milliarden von Dollar, um KI in verschiedenen Geschäftsbereichen zu schaffen.
Der Zugriff auf umfangreiche Datensätze zusammen mit Computerarchitekturen der nächsten Generation ermöglicht Forschern und Informationswissenschaftlern, schnell Innovationen zu entwickeln. Diese Variablen erzeugen eine KI für einen wesentlichen Teil der Geräte und Anwendungen.
Video
- https://www.youtube.com/watch?v=CMPKarLuna4&feature=youtu.be