Muchas personas piensan que el principal dolor del aprendizaje profundo es el rendimiento, siempre que tenga un rendimiento lo suficientemente fuerte, puede resolver varios problemas en el aprendizaje profundo. Sin embargo, en opinión de Ma Ziya, el rendimiento no es el principal punto de dolor del aprendizaje profundo, los puntos de dolor reales del usuario se encuentran principalmente en tres aspectos.
El primer punto importante es cómo combinar los datos con el algoritmo ML / DL. Durante mucho tiempo, se ha debatido en la industria que si queremos obtener una solución ML / DL más poderosa, debemos prestar más atención a la mejora de los datos o el nivel de algoritmo. Teniendo en cuenta que todos ya tienen un algoritmo razonable, el núcleo del siguiente paso es, naturalmente, los datos. ImagNet es un ejemplo típico. El gran avance en el análisis de imágenes en los últimos años está impulsado por conjuntos de datos públicos a gran escala como ImageNet. Intel lanzó BigDL y Analytics Zoo, también para resolver mejor el problema de la integración de datos con algoritmos de aprendizaje automático / aprendizaje profundo.
El segundo mayor punto de dolor está relacionado con el aterrizaje de la producción de IA / ML. Aunque el mercado actual tiene un gran interés en la tecnología de IA, el nivel de implementación sigue siendo bastante bajo. Por lo tanto, es necesario considerar cómo ayudar a los clientes a colocar de manera efectiva proyectos de IA de búsqueda de ruta o prueba de concepto en el entorno de producción, a fin de construir una tubería completa de IA / análisis de acuerdo con las necesidades, incluida la recopilación de fuentes de datos de alta calidad, el procesamiento previo de datos y la limpieza, y las características apropiadas Selección y construcción de datos, selección de modelos apropiados, optimización de hiperparámetros de modelo, posprocesamiento, visualización y despliegue de modelos de aprendizaje automático. Dichas soluciones requieren ingenieros de datos, científicos de datos e ingenieros de TI para participar y colaborar de manera efectiva.
El tercer punto importante es la gran brecha entre la oferta y la demanda de conjuntos de habilidades de IA. Debido a la existencia objetiva de esta brecha, ninguna empresa o individuo puede usar fácilmente la tecnología de inteligencia artificial. En los últimos años, cada vez más cursos académicos y seminarios de la industria están tratando de reducir esta brecha. Pero a partir de ahora, puede llevarnos un tiempo introducir una mano de obra calificada que pueda ponerse en producción de inmediato.
Hablar sobre la industria de la inteligencia artificial y las tendencias futuras.
AI ya no se queda en el laboratorio
Ma Ziya cree que cada vez más inteligencia artificial ya no se queda en el laboratorio o en la etapa de I + D, y el negocio real en muchos campos, como finanzas, venta minorista en línea, sin conductor, médico, optimización de la cadena de suministro, hogar inteligente, fabricación inteligente En la escena, la IA tiene casos típicos de aterrizaje. Ahora, el campo de la inteligencia artificial ha pasado lentamente de su popularidad inicial a un período de enfriamiento.Las empresas están más preocupadas acerca de si la inteligencia artificial puede aportar valor a los escenarios comerciales reales. Esta es una muy buena tendencia.
La tecnología de IA está desempeñando un papel muy importante y desempeña un papel clave para impulsar la diferenciación empresarial. Cada vez más empresas han comenzado a poner en producción soluciones de inteligencia artificial. Aunque muchas empresas todavía están en el estado de desplegar o simplemente desplegar inteligencia artificial, la inversión en la primera etapa de la inteligencia artificial generalmente tiene una cierta escala. Y ha logrado resultados iniciales al mejorar la eficiencia en el uso de los recursos y mejorar los resultados comerciales reales. Por lo tanto, para el despliegue real de inteligencia artificial en el futuro, Ma Ziya tiene una actitud muy positiva.
Las empresas chinas son más valientes en el despliegue de IA
Intel tiene muchos clientes y socios tanto en los Estados Unidos como en China. Ma Ziya compartió con nosotros algunas de las diferencias entre las empresas chinas y estadounidenses en la búsqueda de soluciones de inteligencia artificial.
Según Ma Ziya, en términos de investigación y exploración de la tecnología de inteligencia artificial, China se ha desarrollado rápidamente en los últimos años. Gracias al rápido aumento en el número de artículos publicados y la participación de proyectos de código abierto en China en los últimos años, hemos podido ver esta tendencia obvia.
Por otro lado, para el despliegue de soluciones de tecnología de inteligencia artificial, la producción y el despliegue de China son muy extensos. Por ejemplo, en China, casi todas las industrias en las que podemos pensar están tratando de implementar soluciones de inteligencia artificial. Las empresas chinas, independientemente de su tamaño, están tratando activamente de utilizar la tecnología de inteligencia artificial para mejorar sus resultados comerciales.
En los Estados Unidos, la mayoría de los clientes empresariales prefieren implementar soluciones de inteligencia artificial solo cuando son "muy maduros", y los productos relacionados son mejor provistos y respaldados por ISV, OEM o CSP. Además, la escala de las soluciones de inteligencia artificial doméstica, especialmente la escala de producción, es relativamente mayor que la de muchos usuarios en los Estados Unidos.
Centrarse en tres tendencias emergentes en IA
Ma Ziya dijo que en el futuro Intel se centrará en las siguientes tres tendencias emergentes:
Primero, la tecnología de IA continuará creciendo rápidamente en entornos empresariales y en la nube. En la nube, la innovación de IA en el campo de CSP es muy rápida, y el ISV está tratando de ponerse al día. Basado en las últimas tendencias, la tecnología HPC (High Performance Computing) y AI están convergiendo. En los próximos cinco años, los ingresos de HPC AI aumentarán de US $ 2.3 mil millones a US $ 4.7 mil millones. A medida que los analistas de datos comienzan a utilizar conjuntos de datos más grandes, pueden plantear problemas cada vez más difíciles a través del análisis, y la carga de trabajo entre ellos aparecerá cada vez más como problemas informáticos de alto rendimiento. Por otro lado, los investigadores tradicionales de HPC también esperan acelerar su investigación con la ayuda de la tecnología Big Data y AI. Para satisfacer esta demanda, Intel se compromete a implementar funciones de inteligencia artificial y análisis de big data sobre HPC, al tiempo que hace uso completo de la infraestructura HPC existente (incluyendo almacenamiento, estructura y computación de alto rendimiento, etc.).
En segundo lugar, las tecnologías de análisis e inteligencia artificial se están integrando en las plataformas de big data. Para lograr aplicaciones de producción, las soluciones de inteligencia artificial deben estar equipadas con tuberías de análisis de extremo a extremo, de las cuales el 80% de los recursos se utilizan para la ingestión de datos, la limpieza y el preprocesamiento, la gestión, la visualización, etc.; solo el 20% se centra en la capacitación y el razonamiento. Intel usará su liderazgo en el campo de big data y análisis para proporcionar una plataforma unificada de grado de producción e introducir el ecosistema de ciencia de datos en la plataforma de big data. Al mismo tiempo, mejora continuamente el rendimiento de un solo nodo de proyectos específicos de ciencia de datos, como pandas, scikit-learn, DAAL y Spark SQL, etc., mejora la eficiencia de expansión horizontal de los proyectos de Python en plataformas de grandes datos y transfiere algoritmos clave de computación intensiva a los aceleradores para el procesamiento.
Tercero, los nuevos escenarios de usuario en el futuro requerirán soporte de solución de extremo a extremo y pueden involucrar a todo el sistema desde el borde / cliente hasta el centro de datos. Según el pronóstico de IDC, el 45% de los datos en el futuro se gestionarán y analizarán en el límite. Las soluciones inteligentes / de inferencia en el borde permitirán la toma de decisiones en tiempo real, ahorrando significativamente el ancho de banda de la red y el costo del almacenamiento / computación del centro de datos.
