الذكاء الاصطناعي هو الشيء الرئيسي القادم لهذه الأعمال عالية التقنية. يؤثر الابتكار والبحث الذي أجرته أفضل شركات التكنولوجيا على قطاعات الصناعة مثل الرعاية الصحية والسيارات والتمويل وتجارة التجزئة والتصنيع. على الرغم من أن التكنولوجيا كانت دائمًا عنصرًا مهمًا للغاية لجميع أسماء النطاقات هذه ، فإن الذكاء الاصطناعي يجلب التكنولوجيا في قلب الشركة. من المعدات الطبية المهمة المنقذة للحياة إلى المركبات ذاتية القيادة ، سيتم دمج الذكاء الاصطناعي في كل برنامج وجهاز تقريبًا.
تستثمر شركات المنصات مثل Amazon و Apple و Facebook و Google و IBM و Microsoft في دراسة وإنشاء الذكاء الاصطناعي. إنهم يعملون على إنشاء ذكاء اصطناعي يمكن الوصول إليه بشكل أكبر للشركات.
هناك ثلاثة جوانب أساسية تعمل على تسريع معدل الابتكار في مجال التعلم الآلي والذكاء الاصطناعي .
هندسة الحوسبة المتقدمة
لا تهدف المعالجات الدقيقة ووحدات المعالجة المركزية التقليدية إلى الاهتمام بالتعلم الآلي. قد لا تكون أسرع وحدة المعالجة المركزية هي الاختيار الأمثل لتدريب إصدار ML المعقد. لتدريب واستنتاج إصدارات ML التي توفر ذكاءً للبرامج ، يجب استكمال وحدات المعالجة المركزية (CPU) بسلسلة جديدة من الرقائق.
بسبب صعود الذكاء الاصطناعي ، أصبحت وحدة معالجة الرسومات (GPU) مطلوبة. ما كان يُنظر إليه في يوم من الأيام على أنه جزء من أجهزة الكمبيوتر ومحطات العمل المتطورة الخاصة بالمقامرة ، أصبح المعالج الأكثر رواجًا من السحابة العامة. على عكس وحدات المعالجة المركزية (CPU) ، تصل وحدات معالجة الرسومات مع عشرات الآلاف من النوى التي تسرع إجراءات تدريب ML. حتى لإجراء نسخة مدربة للاستدلال ، يجب أن تكون وحدات معالجة الرسومات ضرورية. للمضي قدمًا ، من المحتمل أن يكون هناك نوع من وحدة معالجة الرسومات (GPU) حيث توجد وحدة المعالجة المركزية (CPU). من أجهزة العملاء إلى الأجهزة الافتراضية من السحابة ، ستكون وحدات معالجة الرسومات هي مفتاح الذكاء الاصطناعي.
يأتي الابتكار التالي في نوع مصفوفة البوابة القابلة للبرمجة من نوع الحقل أو FPGA. هذه الرقائق قابلة للتخصيص وقابلة للبرمجة للحصول على نوع معين من عبء العمل. تم تطوير وحدات المعالجة المركزية التقليدية لحساب الأغراض العامة بينما يمكن برمجة وحدات المعالجة المركزية (FPGA) من المنطقة بمجرد تصنيعها. يتم اختيار أجهزة FPGA لمهام الحوسبة في السوق مثل تدريب إصدارات ML. يعمل بائعو السحابة العامة على تسخير FPGA لتوفير بنية تحتية محسّنة ومحسّنة للغاية للذكاء الاصطناعي.
أخيرًا ، يجلب الوصول إلى الخوادم المعدنية من السحابة العلماء والباحثين لإجراء أعمال حوسبة عالية الأداء في السحابة. توفر هذه الخوادم الملتزمة ذات المستأجر الفردي أفضل الوظائف في فئتها. تعاني الأجهزة الافتراضية من مشاكل الجوار المزعجة بسبب هذه البنية التحتية المشتركة ومتعددة المستأجرين. يقوم موفرو البنية التحتية السحابية مثل Amazon EC2 جنبًا إلى جنب مع IBM Cloud بتزويد الخوادم المعدنية.
ستعمل هذه الاختراعات على تعزيز اعتماد الذكاء الاصطناعي في مجالات مثل الفضاء والصحة ومعالجة الصور والتصنيع والسيارات.
التقدم في الشبكات العصبية العميقة
العنصر التالي والأكثر أهمية في أبحاث الذكاء الاصطناعي في التقدم في التعلم العميق والشبكات العصبية الاصطناعية.
تحل الشبكات العصبية الاصطناعية (ANN) محل إصدارات التعلم الآلي التقليدية لتطوير إصدارات دقيقة ودقيقة. توفر الشبكات العصبية التلافيفية (CNN) القدرة على التعلم العميق لمراقبة الرؤية. يكتشف عدد من التحسينات الحالية في رؤية الكمبيوتر مثل كاشف اللقطة المتعددة الانفرادي (SSD) وشبكات الخصومة التوليدية (GAN) معالجة الصور. ) على سبيل المثال ، يمكن تحسين جودة HD باستخدام عدد قليل من تلك التقنيات ومقاطع الفيديو والصور التي تم التقاطها في الإضاءة المنخفضة والدقة المنخفضة جدًا. البحث المستمر في رؤية الكمبيوتر هو الآن الأساس لمعالجة الصور في الرعاية الصحية والحماية والنقل وأسماء المجالات الأخرى.
سيعمل عدد من أساليب ML الناشئة مثل الشبكات العصبية الكبسولية (CapsNet) بشكل أساسي على تغيير طريقة نشر إصدارات ML وتدريبها. سيكون لديهم القدرة على إنشاء نماذج تتنبأ بدقة حتى لو تم تدريبهم باستخدام بيانات مقيدة.
إمكانية الوصول إلى مجموعات البيانات التاريخية
قبل أن تصبح السحابة سائدة ، كان حفظ المعلومات والوصول إليها مكلفًا. نتيجة للشركات القائمة على السحابة ، تقوم الأوساط الأكاديمية والسلطات بإلغاء تأمين المعلومات التي كانت مقتصرة في السابق على خراطيش الكاسيت والأقراص الممغنطة.
يريد علماء البيانات الوصول إلى مجموعات البيانات التاريخية الكبيرة لتثقيف نماذج ML التي قد تتنبأ بدقة أكبر. يتم تحديد فعالية إصدار ML بشكل مباشر من خلال جودة وأبعاد مجموعة البيانات هذه. لمعالجة المشكلات المعقدة مثل اكتشاف السرطان أو استدعاء المطر ، يريد الباحثون مجموعات بيانات كبيرة بها مشكلات بيانات متنوعة.
نظرًا لأن تخزين المعلومات واستعادتها أصبحت أكثر اقتصادا ، تعمل الوكالات الحكومية ومؤسسات الرعاية الصحية والمؤسسات على إنشاء معلومات غير منظمة يمكن الوصول إليها في منطقة البحث. من التصوير السريري إلى اتجاه المطر التاريخي ، تمكن الباحثون أخيرًا من الوصول إلى مجموعات البيانات الثرية. يؤثر هذا المتغير وحده بشكل كبير على أبحاث الذكاء الاصطناعي.
ستؤدي البيانات الوفيرة جنبًا إلى جنب مع أجهزة الحوسبة عالية الأداء إلى تحفيز خيارات الذكاء الاصطناعي من الجيل التالي.
يساهم كل من Facebook و Google و IBM و Microsoft في أبحاث الذكاء الاصطناعي. إنهم يستثمرون مليارات الدولارات لإنشاء ذكاء اصطناعي مرتبط عبر قطاعات أعمال متنوعة.
إن الوصول إلى مجموعات البيانات الثرية جنبًا إلى جنب مع بنيات الحوسبة من الجيل التالي يُمكّن الباحثين وعلماء المعلومات من الابتكار بوتيرة سريعة. ستخلق هذه المتغيرات الذكاء الاصطناعي جزءًا أساسيًا من الأجهزة والتطبيقات.
Video
- https://www.youtube.com/watch?v=CMPKarLuna4&feature=youtu.be