3 tekijää, jotka kiihdyttävät tekoälyn (AI) kasvua

Tekoäly on tämän korkean teknologian liiketoiminnan tuleva pääasia. Parhaiden teknologiayritysten ohjaama innovaatio ja tutkimus vaikuttavat alan vertikaaleihin, kuten terveydenhuolto, auto, rahoitus, vähittäiskauppa ja valmistus. Vaikka tekniikka on koskaan ollut erittäin tärkeä osa kaikkia näitä verkkotunnuksia, tekoäly tuo teknologian yrityksen keskelle. Tekoäly tulee olemaan infusoituna käytännöllisesti katsoen kaikkiin ohjelmiin ja laitteisiin tärkeimmistä hengenpelastuslaitteista itsekulkeviin ajoneuvoihin.

Alustayritykset, kuten Amazon, Apple, Facebook, Google, IBM ja Microsoft, sijoittavat tekoälyn tutkimiseen ja luomiseen. He pyrkivät luomaan tekoälyn helpommin saataville yrityksille.

Kolme keskeistä puolta kiihdyttävät innovaatioiden määrää koneoppimisen ja tekoälyn alueella .

Edistynyt tietojenkäsittelyarkkitehtuuri

Tavanomaisten mikroprosessorien ja suorittimien ei ole tarkoitus huolehtia koneoppimisesta. Nopein CPU ei välttämättä ole täydellinen valinta monimutkaisen ML-version harjoittamiseen. Ohjelmistoja älykkäästi tarjoavien ML-versioiden valmentamiseksi ja päättelemiseksi suorittimia on täydennettävä uudella siruilla.

Tekoälyn nousun takia grafiikkaprosessori (GPU) on ollut kysyntää. Siitä, jota pidettiin aikoinaan osana huippuluokan uhkapeli-PC: itä ja työasemia, on tullut halutuin prosessori yleisestä pilvestä. Toisin kuin suorittimet, GPU: t saapuvat kymmenien tuhansien ytimien kanssa, jotka nopeuttavat ML-harjoitusta. Jopa koulutetun version tekemiseen päätelmiä varten GPU: t ovat olleet välttämättömiä. Edetessä jonkinlainen GPU on todennäköisesti siellä, missä on CPU. GPU: t olisivat tekoälyn avain asiakaslaitteista virtuaalikoneisiin pilvestä.

Seuraava innovaatio tulee Kind of Field Programmable Gate Array tai FPGA. Nämä sirut ovat muokattavissa ja ohjelmoitavissa tietynlaisen työmäärän saamiseksi. Tavanomaiset keskusyksiköt on kehitetty yleiskäyttöiseen laskentaan, kun taas FPGA: t voidaan ohjelmoida alueelta, kun ne on valmistettu. FPGA-laitteet valitaan markkinoiden laskentatehtäviin, kuten ML-versioiden kouluttamiseen. Julkiset pilvimyyjät hyödyntävät FPGA: ta tarjotakseen erittäin optimoidun ja optimoidun infrastruktuurin tekoälylle.

Viimeiseksi paljaiden metallipalvelimien käyttö pilvestä tuo tutkijat ja tutkijat suorittamaan korkean suorituskyvyn laskentatöitä pilvessä. Nämä sitoutuneet yhden vuokralaisen palvelimet tarjoavat luokkansa parhaat toiminnot. Virtuaalikoneet kärsivät meluisissa naapurikysymyksissä tämän yhteisen ja usean vuokralaisen infrastruktuurin takia. Pilvipalvelujen tarjoajat, kuten Amazon EC2 ja IBM Cloud, toimittavat paljaita metallipalvelimia.

Nämä keksinnöt edistävät tekoälyn omaksumista esimerkiksi ilmailuteollisuuden, terveydenhuollon, kuvankäsittelyn, valmistuksen ja autoteollisuuden aloilla.

Edistyminen syvissä hermoverkoissa

Seuraava ja tärkein tekijä tekoälyn tutkimuksessa on syvällisen oppimisen ja keinotekoisten hermoverkkojen edistyminen.

Keinotekoiset hermoverkot (ANN) korvaavat perinteiset koneoppimisversiot tarkkojen ja tarkkojen versioiden kehittämiseksi. Convolutional Neural Networks (CNN) tarjoaa syvällisen oppimisen kyvyn seurata näköä. Monet nykyisistä parannuksista tietokonenäköön, kuten yksinäinen Shot Multibox Detector (SSD) ja Generative Adversarial Networks (GAN), ovat havainneet kuvankäsittelyä. ) Esimerkiksi muutaman niistä tekniikoista, videoista ja kuvista, jotka otetaan heikossa valossa ja erittäin matalalla resoluutiolla, voidaan parantaa HD-laatuisiksi. Tietokonenäön jatkuva tutkimus on nyt perusta kuvankäsittelylle terveydenhuollossa, suojelussa, liikenteessä ja muissa verkkotunnuksissa.

Useat näistä uusista ML-menetelmistä, kuten Capsule Neural Networks (CapsNet), muuttavat periaatteessa tapaa, jolla ML-versiot otetaan käyttöön ja koulutetaan. Heillä on kyky luoda malleja, jotka ennustavat tarkasti, vaikka heidät koulutettaisiin rajoitettujen tietojen avulla.

Historiallisten tietojoukkojen saatavuus

Pilvestä tuli valtavirtaan, tietojen tallentaminen ja saaminen oli kallista. Pilvipohjaisten yritysten seurauksena tiedeyhteisö ja viranomaiset avaavat tiedot, jotka rajoitettiin kerran kasettipatruunoihin ja magneettilevyihin.

Datatutkijat haluavat pääsyn suuriin historiallisiin aineistoihin kouluttaakseen ML-malleja, jotka voivat ennustaa tarkemmin. ML-version tehokkuus määräytyy suoraan tämän tietojoukon laadun ja ulottuvuuksien perusteella. Tutkiakseen monimutkaisia ongelmia, kuten syövän löytäminen tai sateen kutsuminen, haluavat suuria tietojoukkoja, joilla on vaihtelevia dataongelmia.

Kun tiedon varastointi ja palauttaminen ovat taloudellisempia, valtion virastot, terveydenhuollon laitokset ja laitokset luovat rakenteettomia tietoja, jotka ovat tutkimusalueen käytettävissä. Tutkijoilla on vihdoin pääsy varakkaisiin tietojoukkoihin kliinisestä kuvantamisesta historialliseen sateen suuntaukseen. Pelkästään tämä muuttuja vaikuttaa merkittävästi tekoälyn tutkimukseen.

Runsaat tiedot yhdessä suuritehoisten tietokonelaitteiden kanssa saavat aikaan seuraavan sukupolven tekoälyvaihtoehtoja.

Facebook, Google, IBM ja Microsoft osallistuvat tekoälyn tutkimukseen. He sijoittavat miljardeja dollareita luomaan tekoälyä eri liiketoiminta-alueilla.

Rikkaiden tietojoukkojen käyttö yhdessä seuraavan sukupolven tietokonearkkitehtuurien kanssa antaa tutkijoille ja informaatiotieteilijöille mahdollisuuden innovoida nopeasti. Nämä muuttujat luovat tekoälyn olennaisen osan laitteista ja sovelluksista.