3 facteurs accélérant la croissance de l'intelligence artificielle (IA)

L'intelligence artificielle est la prochaine étape majeure de cette entreprise de haute technologie. L'innovation et la recherche dirigées par les meilleures entreprises technologiques affectent les secteurs verticaux tels que la santé, l'automobile, la finance, la vente au détail et la fabrication. Bien que la technologie ait toujours été un élément très important pour tous ces noms de domaine, l'IA place la technologie au centre de l'entreprise. De l'équipement médical essentiel pour sauver des vies aux véhicules autonomes, l'IA va être infusée dans pratiquement tous les programmes et appareils.

Des entreprises de plateformes comme Amazon, Apple, Facebook, Google, IBM et Microsoft investissent dans l'étude et la création de l'IA. Ils s'efforcent de créer une IA plus accessible pour les entreprises.

Trois facettes essentielles accélèrent le rythme de l'innovation dans le domaine de l' apprentissage automatique et de l'intelligence artificielle .

Architecture informatique avancée

Les microprocesseurs et processeurs conventionnels ne sont pas destinés à prendre en charge l'apprentissage automatique. Le processeur le plus rapide n'est peut-être pas le choix idéal pour entraîner une version complexe de ML. Pour le coaching et l'inférence des versions de ML qui fournissent de l'intelligence aux logiciels, les processeurs doivent être complétés par une nouvelle génération de puces.

En raison de la montée en puissance de l'IA, les unités de traitement graphique (GPU) ont été demandées. Ce qui était autrefois considéré comme faisant partie des PC et des stations de travail de jeu haut de gamme est devenu le processeur très recherché du cloud général. Contrairement aux processeurs, les GPU arrivent avec des dizaines de milliers de cœurs qui accélèrent la procédure de formation ML. Même pour effectuer une version entraînée pour l'inférence, les GPU deviennent essentiels. À l'avenir, une sorte de GPU sera probablement là où il y a un processeur. Des appareils des clients aux machines virtuelles du cloud, les GPU seraient la clé de l'IA.

L'innovation suivante vient dans le type de matrice de portes programmables sur site ou FPGA. Ces puces sont personnalisables et programmables pour obtenir un type particulier de charge de travail. Les processeurs conventionnels sont développés pour le calcul à usage général, tandis que les FPGA peuvent être programmés à partir de la zone une fois qu'ils sont fabriqués. Les appareils FPGA sont sélectionnés pour les tâches informatiques du marché telles que la formation des versions ML. Les vendeurs de cloud public exploitent les FPGA pour fournir une infrastructure hautement optimisée et optimisée pour l'IA.

Enfin, l'accès aux serveurs bare metal depuis le cloud amène les scientifiques et les chercheurs à mener des travaux de calcul haute performance dans le cloud. Ces serveurs engagés et à locataire unique offrent les meilleures fonctionnalités de leur catégorie. Les machines virtuelles souffrent des problèmes de voisinage bruyant en raison de cette infrastructure commune et multi-locataire. Les fournisseurs d'infrastructure cloud tels qu'Amazon EC2 et IBM Cloud fournissent des serveurs bare metal.

Ces inventions alimenteront l'adoption de l'IA dans des domaines tels que l'aérospatiale, la santé, le traitement d'images, la fabrication et l'automobile.

Progrès dans les réseaux de neurones profonds

L'élément suivant et le plus crucial de la recherche en IA sur les progrès de l'apprentissage profond et des réseaux de neurones artificiels.

Les réseaux de neurones artificiels (ANN) remplacent les versions conventionnelles d'apprentissage automatique pour faire évoluer des versions précises et précises. Les réseaux de neurones convolutifs (CNN) offrent la capacité d'un apprentissage profond pour surveiller la vision. Un certain nombre des améliorations actuelles de la vision par ordinateur, comme le détecteur de boîtes multiples (SSD) et les réseaux d'adversaire génératifs (GAN), découvrent le traitement d'image. ) À titre d'exemple, l'utilisation de quelques-unes de ces techniques, vidéos et images prises en basse lumière et à très basse résolution pourrait être améliorée en qualité HD. La recherche continue en vision par ordinateur est désormais la base du traitement d'images dans les domaines de la santé, de la protection, du transport et d'autres noms de domaine.

Un certain nombre de ces méthodes émergentes de ML comme Capsule Neural Networks (CapsNet) modifieront fondamentalement la manière dont les versions de ML sont déployées et entraînées. Ils auront la possibilité de créer des modèles qui prévoient avec précision, même s'ils sont entraînés à l'aide de données restreintes.

Accessibilité aux ensembles de données historiques

Avant que le Cloud ne devienne courant, la sauvegarde et l'accès aux informations coûtent cher. Grâce aux entreprises basées sur le cloud, les universités et les autorités débloquent les informations qui étaient autrefois limitées aux cartouches de cassette et aux disques magnétiques.

Les scientifiques des données veulent accéder à de grands ensembles de données historiques pour éduquer les modèles de ML capables de prédire avec plus de précision. L'efficacité d'une version ML est directement déterminée par la qualité et les dimensions de cet ensemble de données. Pour résoudre des problèmes complexes tels que la découverte du cancer ou l'appel à la pluie, les chercheurs veulent de grands ensembles de données avec des problèmes de données variés.

Le stockage et la récupération des informations devenant de plus en plus économiques, les agences gouvernementales, les établissements de santé et les institutions créent des informations non structurées accessibles à la zone de recherche. De l'imagerie clinique à la tendance historique des pluies, les chercheurs ont enfin accès à de riches ensembles de données. Cette variable à elle seule affecte de manière significative la recherche sur l'IA.

Des données abondantes associées à un appareil de calcul haute performance induiront des options d'IA de nouvelle génération.

Facebook, Google, IBM et Microsoft contribuent à la recherche sur l'IA. Ils investissent des milliards de dollars pour créer l'IA liée à divers secteurs d'activité.

L'accès à des ensembles de données riches ainsi qu'à des architectures informatiques de nouvelle génération permet aux chercheurs et aux scientifiques de l'information d'innover à un rythme rapide. Ces variables créeront l'IA une partie essentielle des appareils et des applications.