Kunstmatige intelligentie is de opkomende hoofdzaak van dit hightechbedrijf. De innovatie en het onderzoek dat wordt geleid door de beste technologiebedrijven, heeft gevolgen voor verticale sectoren zoals de gezondheidszorg, de auto-industrie, de financiële sector, de detailhandel en de productie. Hoewel technologie ooit een zeer belangrijk element is geweest voor al deze domeinnamen, brengt AI technologie in het middelpunt van het bedrijf. Van cruciale levensreddende medische uitrusting tot zelfrijdende voertuigen, AI zal in vrijwel elk programma en apparaat worden ingebracht.
Platformbedrijven zoals Amazon, Apple, Facebook, Google, IBM en Microsoft investeren in de studie en creatie van AI. Ze werken eraan om AI toegankelijker te maken voor bedrijven.
Drie essentiële facetten versnellen het innovatietempo op het gebied van machine learning en kunstmatige intelligentie .
Geavanceerde computerarchitectuur
Conventionele microprocessors en CPU's zijn niet bedoeld om machine learning te verzorgen. De snelste CPU is misschien niet de perfecte keuze voor het trainen van een ingewikkelde ML-versie. Voor het coachen en afleiden van ML-versies die intelligentie aan software verschaffen, moeten CPU's worden aangevuld met een nieuw soort chips.
Vanwege de opkomst van AI is er veel vraag naar Graphics Processing Unit (GPU). Wat ooit werd beschouwd als onderdeel van high-end gok-pc's en werkstations, is de zeer gewilde processor uit de algemene cloud geworden. In tegenstelling tot CPU's worden GPU's geleverd met tienduizenden cores die de ML-trainingsprocedure versnellen. Zelfs voor het uitvoeren van een getrainde versie voor inferentie, worden GPU's essentieel. Vooruitgaand, zal er waarschijnlijk een soort GPU zijn waar een CPU is. Van apparaten van klanten tot virtuele machines uit de cloud, GPU's zouden de sleutel tot AI zijn.
De volgende innovatie is beschikbaar in de Type of Field Programmable Gate Array of FPGA. Deze chips zijn aanpasbaar en programmeerbaar om een bepaald soort werklast te krijgen. Conventionele CPU's zijn ontwikkeld voor algemene berekeningen, terwijl FPGA's vanuit het gebied kunnen worden geprogrammeerd zodra ze zijn gefabriceerd. FPGA-apparaten worden geselecteerd voor computertaken op de markt, zoals het trainen van ML-versies. Verkopers in de openbare cloud maken gebruik van FPGA's om een sterk geoptimaliseerde en geoptimaliseerde infrastructuur voor AI te bieden.
Ten slotte zorgt de toegang tot bare metal-servers vanuit de cloud ervoor dat wetenschappers en onderzoekers high-performance computerwerk in de cloud uitvoeren. Deze toegewijde servers met één tenant bieden de beste functionaliteit in zijn klasse. Virtuele machines hebben last van lawaaierige buren vanwege deze gemeenschappelijke infrastructuur met meerdere tenants. Cloudinfrastructuurproviders zoals Amazon EC2 en IBM Cloud leveren bare metal-servers.
Deze uitvindingen zullen de acceptatie van AI stimuleren op gebieden als lucht- en ruimtevaart, gezondheid, beeldverwerking, productie en automotive.
Vooruitgang in diepe neurale netwerken
Het volgende en meest cruciale element in AI-onderzoek naar de voortgang van diepgaand leren en kunstmatige neurale netwerken.
Artificial Neural Networks (ANN) vervangen conventionele Machine Learning-versies om nauwkeurige en precieze versies te ontwikkelen. Convolutionele neurale netwerken (CNN) bieden de mogelijkheid om diepgaand te leren om het gezichtsvermogen te volgen. Een aantal van de huidige verbeteringen in computervisie, zoals solitary Shot Multibox Detector (SSD) en Generative Adversarial Networks (GAN), ontdekken beeldverwerking. ) Door bijvoorbeeld een paar van die technieken toe te passen, kunnen video's en afbeeldingen die bij weinig licht en een zeer lage resolutie zijn gemaakt, worden verbeterd tot HD-kwaliteit. Het voortgaande onderzoek naar computervisie vormt nu de basis voor beeldverwerking in de gezondheidszorg, bescherming, transport en andere domeinnamen.
Een aantal van deze opkomende ML-methoden, zoals Capsule Neural Networks (CapsNet), zullen de manier waarop ML-versies worden geïmplementeerd en getraind fundamenteel veranderen. Ze zullen de mogelijkheid hebben om modellen te maken die met precisie voorspellen, zelfs als ze getraind zijn met beperkte gegevens.
Toegankelijkheid tot historische datasets
Vooruitlopend op Cloud werd mainstream, het opslaan en openen van informatie was prijzig. Als gevolg van de cloud-gebaseerde bedrijven ontsluiten de academische wereld en de autoriteiten de informatie die ooit beperkt was tot de cassettecartridges en magnetische schijven.
Datawetenschappers willen toegang tot grote historische datasets om ML-modellen op te leiden die met grotere precisie kunnen voorspellen. De effectiviteit van een ML-versie wordt direct bepaald door de kwaliteit en afmetingen van deze dataset. Om gecompliceerde problemen aan te pakken, zoals het ontdekken van kanker of het oproepen van regen, willen onderzoekers grote datasets met uiteenlopende dataproblemen.
Nu informatieopslag en -herstel zuiniger worden, creëren overheidsinstanties, zorginstellingen en instellingen ongestructureerde informatie die toegankelijk is voor het onderzoeksgebied. Van klinische beeldvorming tot historische regentrend, onderzoekers hebben eindelijk toegang tot rijke datasets. Deze variabele alleen al heeft een aanzienlijke invloed op AI-onderzoek.
Overvloedige gegevens samen met krachtige computerapparatuur zullen AI-opties van de volgende generatie opleveren.
Facebook, Google, IBM en Microsoft dragen bij aan het AI-onderzoek. Ze investeren miljarden dollars om AI-gerelateerd te creëren in verschillende zakelijke branches.
De toegang tot rijke datasets samen met de volgende generatie computerarchitecturen stelt onderzoekers en informatiewetenschappers in staat om in hoog tempo te innoveren. Door deze variabelen wordt AI een essentieel onderdeel van apparaten en applicaties.
Video
- https://www.youtube.com/watch?v=CMPKarLuna4&feature=youtu.be