男男19禁啪啪无遮挡免费,国产免费AV片一级大片免费观看,16初次破初视频在线播放,人妻AV中文系列

首頁 / 資訊中心 / 趨勢研究/2019年AI五大發展趨勢出爐

2019年AI五大發展趨勢出爐

發布時間:2018-12-12 分類:趨勢研究

2019年,預計AI技術仍會繼續發展,AI五大發展趨勢分別是定制AI芯片、物聯網(IoT)與AI在邊緣計算的融合、神經網絡的互操作性、自動化機器學習和AIOps。亞馬遜、蘋果、Facebook、谷歌、IBM和微軟等公司正在投資研發AI技術,這將會把AI更貼近消費者,促進整體生態系統的發展。
 
回顧2018年,基于機器學習和AI的平臺、工具和應用程序急劇增長。這些技術不僅影響了軟件和互聯網行業,還影響了其他垂直行業,如醫療保健、法律、制造業、汽車和農業。
 
以下是2019年值得關注的五大AI趨勢:
 
定制AI芯片興起
 
與其他軟件不同,AI嚴重依賴專用處理器來補充CPU的功能。即使是最快和最先進的CPU也可能無法提高AI模型的速度。AI模型在運行的時候,需要額外的硬件來執行復雜的數學計算,以加速對象檢測和面部識別等任務。
 
2019年,英特爾、NVIDIA、AMD、ARM和高通等芯片制造商將推出專用芯片,加速AI應用的執行。
 
這些芯片將針對計算機視覺、自然語言處理和語音識別的特定用例和場景,并進行優化。醫療保健和汽車行業的新一代應用將會依賴這類芯片,為最終用戶提供智能服務。
 
2019年,亞馬遜、微軟、谷歌和Facebook等超大規?;A設施公司將會增加投資基于現場可編程門陣列(FPGA)和專用集成電路(ASIC)的定制芯片。
 
這些芯片將進行大量優化,針對AI和高性能計算(HPC)運行的計算工作。其中一些芯片還將協助下一代數據庫,加速查詢處理和預測分析。
 
目前的用例有亞馬遜的Nitro項目、谷歌的Cloud TPU、微軟的Project Brainwave、英特爾的Myriad X VPU。
 
物聯網和AI在邊緣計算融合
 
在2019年,AI在邊緣計算會跟物聯網融合。在公共云中運行的大多數模型將部署在邊緣計算層面。
 
工業物聯網是AI的最佳用例,可以執行異常檢測、根本原因分析和設備的預測性維護。
 
基于深度神經網絡的高級機器學習模型將進行優化,以在邊緣運行。他們將能夠處理視頻幀、語音合成、時間序列數據和由攝像機、麥克風和其他傳感器等設備生成的非結構化數據。
 
物聯網將成為企業中AI的最大驅動力。邊緣設備將會配備基于FPGA和ASIC的特制AI芯片。
 
早期用例包括AWS Greengrass支持邊緣機器學習、Azure IoT Edge的AI工具包、谷歌的Cloud IoT Edge、FogHorn Lightning Edge Intelligence和蒂布可的Project Flogo。
 
神經網絡之間的互操作性成為關鍵
 
開發神經網絡模型的關鍵之一在于選擇正確的框架。數據科學家和開發人員必須從眾多選擇中選擇合適的工具,包括Caffe2、PyTorch、Apache MXNet、Microsoft Cognitive Toolkit和TensorFlow。
 
一旦模型在特定框架中進行了調試和評估,就很難將調試好的模型移植到另一個框架中。
 
神經網絡工具包之間缺乏互操作性阻礙了AI的進一步采用。為了應對這一挑戰,AWS、Facebook和微軟合作構建了開放式神經網絡交換(ONNX),這使得在多個框架中可以再次使用經過調試的神經網絡模型。
 
在2019年,ONNX將成為該行業的重要技術,從研究人員到邊緣設備制造商、生態系統的所有關鍵參與者都將依賴ONNX運行環境。
 
早期用例包括Windows 10系統附帶ONNX運行環境,而英特爾的OpenVINO工具包可支持ONNX。
 
  自動化機器學習將會更加突出
 
從根本上改變基于機器學習的解決方案的趨勢就是自動化機器學習(AutoML)。它將使業務分析師和開發人員能夠發展可以解決復雜場景的機器學習模型,而不用經過機器學習模型傳統的調試過程。
 
使用自動化機器學習平臺時,業務分析師可以專注于業務問題,而不是陷入程序和工作流程問題中。
 
自動化機器學習完全適用認知API(應用編程接口)和自定義機器學習平臺。它提供了合適的自定義功能,開發人員可以不用完成傳統的工作流程。
 
跟認知API不同的是,自動化機器學習具有相同程度的靈活性,但又結合了自定義數據與可轉移性。
 
早期用例包括DataRobot、谷歌的Cloud AutoML、微軟的自定義認知API,Amazon Comprehend的自定義對象(Custom Entities)。
 
AIOps興起
 
現代應用程序和基礎架構正在生成為索引、搜索和分析的日志數據。從硬件、操作系統、服務器軟件和應用軟件獲得的海量數據集可以進行聚合和關聯,然后形成方案和模式。當機器學習模型應用到這些數據集時,IT操作就可以從被動轉變為預測層面。
 
DevOps(Development和Operations的組合詞)是一種重視“軟件開發人員(Dev)”和“IT運維技術人員(Ops)”之間溝通合作的文化、運動或慣例。
 
當AI的強大功能在運行的時候發揮作用時,AI將重新定義基礎架構的管理方式。機器學習和AI在IT和DevOps中的應用將會帶來更加智能的模式,幫助運營團隊進行精準的根本原因分析。
 
AIOps(AI和Operations的組合詞)將在2019年成為主流,這將會有助于公共云供應商和企業的發展。
 
早期用例包括Moogsoft AIOps、亞馬遜的EC2 Predictive Scaling、微軟的Azure VM resiliency、亞馬遜的S3 Intelligent Tiering。
 
機器學習和人工智能將成為2019年的關鍵技術趨勢。從業務應用到IT支持,AI將對行業產生重大影響。
<蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <文本链> <文本链> <文本链> <文本链> <文本链> <文本链>