A Inteligência Artificial é a próxima grande novidade neste negócio de alta tecnologia. A inovação e a pesquisa dirigidas pelas melhores empresas de tecnologia estão afetando setores verticais da indústria, como saúde, automóveis, finanças, varejo e manufatura. Embora a tecnologia sempre tenha sido um elemento muito importante para todos esses nomes de domínio, a IA está trazendo a tecnologia para o centro da empresa. De equipamentos médicos essenciais para salvar vidas em veículos autônomos, a IA será infundida em praticamente todos os programas e aparelhos.
Empresas de plataformas como Amazon, Apple, Facebook, Google, IBM e Microsoft estão investindo no estudo e na criação de IA. Eles estão trabalhando para criar IA mais acessível para as empresas.
Três facetas essenciais estão acelerando a taxa de inovação na área de Aprendizado de Máquina e Inteligência Artificial .
Arquitetura de computação avançada
Microprocessadores convencionais e CPUs não foram feitos para cuidar do aprendizado de máquina. A CPU mais rápida pode não ser a seleção perfeita para treinar uma versão intrincada de ML. Para treinar e inferir versões de ML que fornecem inteligência ao software, as CPUs devem ser complementadas com uma nova geração de chips.
Por causa do aumento da IA, a Unidade de Processamento de Gráficos (GPU) está em alta. O que antes era considerado parte de PCs e estações de trabalho de jogos de azar tornou-se o processador muito procurado da nuvem em geral. Ao contrário das CPUs, as GPUs chegam com dezenas de milhares de núcleos que aceleram o procedimento de treinamento de ML. Mesmo para conduzir uma versão treinada para inferência, as GPUs estão se tornando essenciais. Seguindo em frente, provavelmente haverá algum tipo de GPU onde houver uma CPU. De dispositivos de clientes a máquinas virtuais da nuvem, as GPUs seriam a chave para a IA.
A inovação a seguir vem no tipo de array de portas programáveis em campo ou FPGA. Esses chips são personalizáveis e programáveis para obter um tipo específico de carga de trabalho. CPUs convencionais são desenvolvidas para cálculos de propósito geral, enquanto FPGAs podem ser programados a partir da área, uma vez que são fabricados. Os dispositivos FPGA são selecionados para tarefas de computação de mercado, como versões de treinamento de ML. Os vendedores de nuvem pública estão aproveitando os FPGAs para fornecer uma infraestrutura altamente otimizada e otimizada para IA.
Por último, o acesso a servidores bare metal da nuvem está trazendo cientistas e pesquisadores para realizar trabalhos de computação de alto desempenho na nuvem. Esses servidores comprometidos com um único locatário fornecem a melhor funcionalidade da categoria. As máquinas virtuais sofrem com os problemas vizinhos barulhentos por causa dessa infraestrutura comum e multilocatário. Provedores de infraestrutura em nuvem, como Amazon EC2, juntamente com IBM Cloud, estão fornecendo servidores bare metal.
Essas invenções estimularão a adoção da IA em áreas como aeroespacial, saúde, processamento de imagens, manufatura e automotiva.
Progresso em redes neurais profundas
O próximo e mais importante elemento na pesquisa de IA é o progresso no aprendizado profundo e nas redes neurais artificiais.
As Redes Neurais Artificiais (RNA) estão substituindo as versões convencionais de Aprendizado de Máquina para desenvolver versões exatas e precisas. Redes Neurais Convolucionais (CNN) fornecem a capacidade de aprendizado profundo para monitorar a visão. Uma série de melhorias atuais na visão computacional, como o único Detector Shot Multibox (SSD) e a Generative Adversarial Networks (GAN), estão descobrindo o processamento de imagens. ) A título de exemplo, o emprego de algumas dessas técnicas, vídeos e imagens que são tirados com pouca luz e resolução muito baixa podem ser melhorados para qualidade HD. A pesquisa contínua em visão computacional é agora a base para o processamento de imagens na área de saúde, proteção, transporte e outros nomes de domínio.
Vários desses métodos de ML emergentes, como Capsule Neural Networks (CapsNet), basicamente alteram a maneira como as versões de ML são implantadas e treinadas. Eles terão a capacidade de criar modelos que fazem previsões com precisão, mesmo se treinados com dados restritos.
Acessibilidade a conjuntos de dados históricos
O Ahead of Cloud se tornou popular, salvar e acessar informações era caro. Como resultado das empresas baseadas na nuvem, a academia e as autoridades estão desbloqueando as informações que antes eram restritas aos cartuchos cassete e discos magnéticos.
Os cientistas de dados querem acessar grandes conjuntos de dados históricos para educar os modelos de ML que podem prever com maior precisão. A eficácia de uma versão de ML é diretamente determinada pela qualidade e pelas dimensões deste conjunto de dados. Para resolver problemas complicados, como descobrir o câncer ou chamar a chuva, os pesquisadores querem grandes conjuntos de dados com vários problemas de dados.
Com o armazenamento e a recuperação de informações cada vez mais econômicos, agências governamentais, instituições e instituições de saúde estão criando informações não estruturadas e acessíveis à área de pesquisa. De imagens clínicas a tendências históricas de chuva, os pesquisadores finalmente têm acesso a ricos conjuntos de dados. Esta variável sozinha afeta significativamente a pesquisa de IA.
Dados abundantes, juntamente com aparelhos de computação de alto desempenho, induzirão as opções de IA de próxima geração.
Facebook, Google, IBM e Microsoft estão contribuindo para a pesquisa de IA. Eles estão investindo bilhões de dólares para criar IA relacionada em diversos setores de negócios.
O acesso a ricos conjuntos de dados junto com arquiteturas de computação de próxima geração está capacitando pesquisadores e cientistas da informação a inovar em um ritmo acelerado. Essas variáveis criarão a IA, uma parte essencial dos dispositivos e aplicativos.
Video
- https://www.youtube.com/watch?v=CMPKarLuna4&feature=youtu.be