SI: W jaki sposób posiadana infrastruktura może dać Ci to, czego potrzebujesz

Zmniejsz ryzyko związane z SI i obniż bariery przy wykorzystaniu istniejącej infrastruktury.

Odpowiedź na pytanie, na ile uczenie maszynowe i uczenie głębokie może pomóc Ci w lepszym wykorzystaniu danych, zależy od danego zastosowania. Zależy również od apetytu Twojej organizacji na eksperymentowanie.

Jednakże, choć różne organizacje znajdują się na różnych etapach wdrażania sztucznej inteligencji (SI), ryzyko związane z eksperymentowaniem będzie niskie, jeśli na początek wykorzystasz istniejącą infrastrukturę. Aby pomóc organizacjom w tym zakresie, firma Intel zoptymalizowała wiele popularnych ram uczenia głębokiego, takich jak TensorFlow*, Theano* i wiele innych, by działały na architekturze Intel®.

Co więcej, firma Intel opracowała BigDL, aby wykorzystać uczenie głębokie w dużych zbiorach danych. Jest to rozproszona biblioteka uczenia głębokiego dla Apache Spark* (DL Library for Apache Spark*), która może działać bezpośrednio na istniejących klastrach Spark lub Apache Hadoop* i umożliwia zespołom programistycznym pisanie aplikacji do uczenia głębokiego jako programów w języku Scala lub Python.

BigDL wykorzystuje bibliotekę Intel® Math Kernel Library (Intel® MKL) i programowanie wielowątkowe w każdym zadaniu Spark. Pozwala to na osiągnięcie wysokiej wydajności, zwiększając efektywność uczenia głębokiego w porównaniu z gotowymi bibliotekami open source Torch* lub TensorFlow na jednowęzłowym procesorze Intel® Xeon®.

Ryzyko eksperymentowania z SI jest mniejsze, ponieważ organizacje mogą na początek wykorzystać istniejącą infrastrukturę centrów przetwarzania danych.

Trzy zastosowania SI, które mogą mieć wpływ na niemal każdą branżę

Firma Intel dostrzega trzy kluczowe obszary, w których przedsiębiorstwa eksperymentują z SI w oparciu o istniejącą infrastrukturę centrów przetwarzania danych: rozpoznawanie obrazów, przetwarzanie języka naturalnego (NLP) oraz konserwacja prewencyjna. Kiedy nadejdzie czas na zwiększenie skali, wykorzystanie ram open source w istniejącej architekturze centrów przetwarzania danych może realnie przyczynić się do uproszczenia wdrożenia SI w całym przedsiębiorstwie.

1) Rozpoznawanie obrazów

Aplikacje do rozpoznawania obrazów są obecnie stosowane w kontroli jakości (identyfikacja wad produktów), bezpieczeństwie (skanowanie twarzy i samochodowych tablic rejestracyjnych) oraz opiece zdrowotnej (diagnostyka nowotworów).

Częstym wyzwaniem dla firm jest posiadanie wystarczającej ilości danych, aby móc wyszkolić algorytmy klasyfikacji i rozpoznawania obrazów, a wstępne przetwarzanie obrazów może odpowiadać za ponad połowę całkowitego czasu potrzebnego do stworzenia odpowiedniego rozwiązania. Procesory Intel® Xeon® mogą obsługiwać aplikacje do wspomagania danych danych („data augmentation”), aby pomóc przezwyciężyć ten problem. Aplikacje te obracają i skalują obrazy oraz dostosowują ich kolory, dzięki czemu do skutecznego wyszkolenia algorytmów rozpoznawania obrazów wymagana jest mniejsza liczba obrazów (w zależności od zastosowania).

Procesory doskonale radzą sobie z obciążeniami związanymi ze wspomaganiem danych dzięki wydajności energetycznej i wysokiej przepustowości pamięci — do 100 Gb/s. Dotyczy to zwłaszcza rodziny procesorów Intel® Xeon® Scalable, które zostały wzbogacone o zestaw instrukcji Intel® Advanced Vector Extensions 512 (Intel® AVX-512).

Procesory doskonale radzą sobie z obciążeniami związanymi ze wspomaganiem danych dzięki wydajności energetycznej i wysokiej przepustowości pamięci — do 100 Gb/s.

2) Przetwarzanie języka naturalnego

Aktywowani głosowo asystenci wirtualni nie tylko dokładnie przetwarzają zapytania, ale także rozumieją ich charakter, co pozwala im na ciągłe doskonalenie się. Mamy również do czynienia z rewolucją w dziedzinie obsługi i satysfakcji klientów za sprawą systemów, które mogą przetwarzać nagrania z centrów obsługi telefonicznej lub formularze odręczne, co oznacza bogate źródło niedostępnych wcześniej wniosków, które mogą zostać wykorzystane do szybszej identyfikacji częstych reklamacji lub szybszego rozwiązywania problemów zgłaszanych przez klientów.

NLP wykorzystuje technikę zwaną siecią rekurencyjną (RNN) i model Long Short-Term Memory (LSTM), a podczas przetwarzania pętli i zależności charakteryzujących te operacje zestaw instrukcji Intel® Advanced Vector Extensions 512 (Intel® AVX-512) osiąga pełną wydajność.

3) Konserwacja prewencyjna

Konserwacja prewencyjna różni się od rozpoznawania obrazów i NLP tym, że zazwyczaj opiera się na znacznie niższej prędkości przesyłu danych, a informacje są przechwytywane przez czujniki monitorujące w infrastrukturze brzegowej. W idealnych warunkach jak najwięcej obliczeń miałoby miejsce w infrastrukturze brzegowej, zanim powrócą do chmury w celu analizy lub podjęcia decyzji. Działające w oparciu o procesor wizualny (VPU) urządzenie Intel® Movidius™ Neural Compute Stick, idealnie nadaje się do przyspieszonego rozwoju uczenia głębokiego w infrastrukturze brzegowej.

Obejrzyj: Sztuczna inteligencja zmienia sposób, w jaki organizacje wykorzystują konserwację prewencyjną do wspierania kluczowej infrastruktury.

Zacznij wykorzystywać SI już teraz

Motorem zwiększającym wydajność SI jest połączenie obliczeń, optymalizacji oprogramowania i przepustowości pamięci procesora, a bez względu na to, na jakim etapie wdrażania SI jesteś, szeroka gama sprzętu i oprogramowania firmy Intel zawiera bogaty zestaw narzędzi do tworzenia najbardziej opłacalnej architektury wdrażania dla obciążeń związanych z SI.

5 kroków do prototypu SI


Dowiedz się, jak zacząć od prototypu SI.

Sztuczna inteligencja

Rozwiązania wyposażone w technologię Intel umożliwiają firmom szybsze opracowywanie rozwiązań, automatyzację działań i wyciąganie trafniejszych wniosków.

Więcej informacji

Anatomia prototypu SI

Odkryj, na czym polega skuteczny prototyp SI.

Wyświetl infografikę