Начните с малого и постепенно увеличьте масштаб: секрет эффективной работы с ИИ

Начните с малого и эффективно масштабируйте свое решение

Небольшой пилотный проект обработки естественного языка (natural language processing, NLP) французской организации по исследованию онкологических заболеваний позволил получить революционный набор начальных результатов и выводов, которые стали основой для расширения сферы применения.

Прежде чем организация разработала свое решение, у 30 человек уходило 6 месяцев на просмотр записей в историях болезней пациентов и выявление пациентов, подходящих для клинических исследований. Пилотный проект обучался на основе данных из 24 млн записей, сделанных для 1,25 млн пациентов, и классифицировал новые и ранее незамеченные данные, используя полученные знания. Организация считает, что система могла бы сократить время выполнения этого процесса до одного дня.

Сейчас рабочая группа собирается увеличить масштаб решения, которое работает на кластерах с процессорами Intel® Xeon®, путем расширения возможностей для поиска, улучшения пользовательского интерфейса, повышения производительности и увеличения количества пользователей и мест использования системы.  

Автоматизация со скоростью современной жизни

В области обработки изображений есть другой пример того, как проекты ИИ, начавшиеся с подтверждения успешной концепции и масштабированные в дальнейшем, оказали существенное влияние.

В сфере здравоохранения рентгенологам каждый день приходится выполнять клиническую оценку снимков пациентов и выявлять на них признаки онкологических образований. Тем не менее им было бы сложно описать, как определить все виды онкологических заболеваний на любых снимках любых пациентов, независимо от качества или угла поворота изображения. Но именно это может научиться делать и автоматизировать система глубинного обучения для распознавания изображений при наличии достаточного объема данных, что в результате создаст возможность для быстрой обработки изображений и точного выявления потенциальных признаков рака, своевременная диагностика которых спасет жизни людей¹.

Посмотрите видео: искусственный интеллект меняет способы автоматизации распознавания изображений для создания улучшенных бизнес-решений и сокращения расходов на управление. 

Три технологических фактора способствуют эффективной работе ИИ²

Эффективность работы ИИ достигается путем сочетания вычислительных возможностей, оптимизации ПО и пропускной способности памяти процессора, а архитектура Intel® в основе вашего центра обработки данных обеспечит вам необходимые возможности для использования ИИ на уже имеющемся аппаратном обеспечении.

Группа специалистов Intel по обработке данных недавно рассказала о своей работе над классификацией изображений в сфере здравоохранения и медико-биологических наук:

Что касается ПО, оптимизировав ряд библиотек глубинного обучения для наиболее популярных платформ ИИ, корпорация Intel предоставила специалистам по обработке данных и разработчикам возможность использовать предпочтительные инструменты на аппаратном обеспечении Intel. Такие платформы включают в себя TensorFlow*, Theano* и многие другие.

Кроме того, платформа BigDL, распределенная библиотека глубинного обучения для Spark*, может работать непосредственно в существующих кластерах Spark или Apache Hadoop*. BigDL позволяет загружать предварительно обученные модели Torch* в платформу Spark и эффективно масштабируется для выполнения аналитики больших данных.

Насколько готова ваша организация к использованию ИИ?

Intel работает с многими организациями, которые хотят внедрить искусственный интеллект, и непрерывная оптимизация программного и аппаратного обеспечения корпорации означает, что ИИ доступен практически любой компании.

Независимо от того, на каком этапе внедрения ИИ находится ваша компания, широкий ассортимент программного и аппаратного обеспечения Intel позволит вам подобрать эффективный набор инструментов для создания наиболее рентабельной архитектуры для рабочих нагрузок ИИ и начать работу уже сегодня.