ИИ: как имеющаяся у вас инфраструктура может предоставить все необходимое

Сократите риски и начните работать с ИИ в существующей инфраструктуре.

Ответ на вопрос, какой объем полезной информации машинное и глубинное обучение помогут извлечь из ваших данных, напрямую зависит от моделей их применения. Он также зависит от желания вашей организации экспериментировать.

Тем не менее, несмотря на то что разные организации находятся на разных стадиях внедрения искусственного интеллекта (ИИ), риски экспериментов довольно низкие при использовании существующей инфраструктуры на начальных этапах. В помощь таким экспериментам корпорация Intel оптимизировала ряд популярных платформ глубинного обучения, включая TensorFlow*, Theano* и другие, для работы на архитектуре Intel®.

Кроме того, корпорация Intel разработала платформу BigDL для использования глубинного обучения при работе с большими данными. Это распределенная библиотека глубинного обучения для Apache Spark* (библиотека DL для Apache Spark*),  которая может работать непосредственно в существующих кластерах Spark или Apache Hadoop* и позволяет разработчикам создавать программы глубинного обучения на языке Scala или Python.

В каждой задаче Spark платформа BigDL использует библиотеку Intel® Math Kernel Library и многопоточное программирование. Это помогает добиться высокой производительности, улучшив процессы глубинного обучения по сравнению с готовыми платформами с открытым исходным кодом Torch или TensorFlow*, в одноузловой системе на базе процессора Intel® Xeon®.

Риски экспериментов с ИИ при этом ниже, поскольку организации могут использовать существующую инфраструктуру центра обработки данных на начальном этапе.

Три модели использования ИИ могут повлиять практически на любую отрасль

Intel выделяет три ключевых области, в которых предприятия экспериментируют с ИИ при использовании существующей инфраструктуры центра обработки данных, — распознавание изображений, обработка естественных языков (NLP, natural language processing) и диагностическое обслуживание. А когда возникает необходимость масштабирования, использование платформ с открытым исходным кодом на существующей архитектуре ЦОД может существенно упростить внедрение ИИ во всем предприятии.

1. Распознавание изображений

Системы распознавания изображений сегодня используются для контроля качества (определение дефектов продукции), обеспечения безопасности (сканирование лиц и номерных знаков автомобилей) и в медицине (выявление опухолей).

Общая проблема для компаний — необходимость иметь в наличии достаточное количество данных для обучения алгоритмов классификации и распознавания изображений, а предварительная обработка изображений может занимать более половины общего времени разработки решения. Процессоры Intel® Xeon® могут поддерживать приложения для наращивания объемов данных, что поможет решить эту проблему. Такие приложения поворачивают изображения, меняют их масштаб и настраивают цвета, а это значит, что для эффективного обучения алгоритмов требуется меньше изображений (в зависимости от модели использования).

ЦП эффективно справляются с рабочими нагрузками наращивания объемов данных благодаря своей энергоэкономичности и высокой пропускной способности памяти — до 100 Гбит/с. В особенности это касается семейства масштабируемых процессоров Intel® Xeon®, работу которых дополнительно ускоряет набор команд Intel® Advanced Vector Extensions 512 (Intel® AVX-512).

ЦП эффективно справляются с рабочими нагрузками наращивания объемов данных благодаря своей энергоэкономичности и высокой пропускной способности памяти — до 100 Гбит/с.

2. Обработка естественных языков

Виртуальные помощники с голосовым управлением не просто точно обрабатывают запросы. Они понимают характер запросов для непрерывного самоусовершенствования. Подобным образом меняются способы обслуживания клиентов и удовлетворения их потребностей благодаря системам, способным обрабатывать записи колл-центров или заполненные от руки формы — настоящая сокровищница скрытых ранее сведений, которые можно использовать для выявления распространенных жалоб или ускорения решения проблем клиентов.

NLP использует методы под названием «рекуррентная нейронная сеть» (recurrent neural network, RNN) и «долгая краткосрочная память» (long short-term memory, LSTM), а при обработке циклов и зависимостей, характеризующих эти операции, высокую эффективность демонстрирует набор команд Intel® Advanced Vector Extensions 512 (Intel® AVX-512).

3. Диагностическое обслуживание

Диагностическое обслуживание отличается от распознавания изображений и NLP тем, что оно, как правило, основано на гораздо более низкой скорости передачи данных, а информация собирается с датчиков, используемых для мониторинга состояния периферийных устройств. В идеале максимально возможный объем вычислений также должен выполняться на периферии до передачи данных в облако для анализа или принятия решений. Мини-ПК Intel® Movidius™ Neural Compute Stick на базе VPU (процессора машинного зрения) оптимально подходит для разработки ускоренных систем глубинного обучения на периферии.

Посмотрите видеоролик: искусственный интеллект меняет способы использования организациями диагностического обслуживания для обеспечения работы критически важной инфраструктуры.

Начните работу с ИИ прямо сейчас

Эффективность работы ИИ достигается путем сочетания вычислительных возможностей, оптимизации ПО и пропускной способности памяти, и, независимо от текущего этапа внедрения ИИ в вашей компании, широкий ассортимент программного и аппаратного обеспечения Intel позволит вам подобрать эффективный набор инструментов для создания наиболее рентабельной архитектуры для рабочих нагрузок ИИ.

5 шагов для подтверждения концепции ИИ


Узнайте, как начать разработку концептуального проекта ИИ.

Искусственный интеллект

Решения на базе технологий Intel помогают компаниям ускорять разработку решений, автоматизировать операции и получать более значимую аналитическую информацию.

Подробнее

Основа эффективной концепции ИИ

Узнайте, что поможет создать эффективную концепцию ИИ.

Смотреть инфографику