Il se trouve que l'analyse des données de grandes quantités de données à modifier, puis AI est un processus très naturel. Ceci est non seulement parce que le processus permet d'ajuster le modèle de l'esprit humain, ou à cause de gros volumes de données et l'analyse de données avant d'être tué gloire AI plongé dans toutes sortes de spéculations AI de, surtout parce que nous avons besoin de construire de grandes données par AI .
AI dans le courant dominant seulement quelques années, en dépit des progrès rapides ont été accomplis à bien des égards, mais vraiment pas beaucoup de gens comprennent AI, AI est capable de maîtriser encore moins de gens.
2016, battage AI commence à peine, beaucoup de gens sont encore très prudents en se référant à l'expression « AI ». Après tout, au fil des années, nous avons toujours appris à essayer d'éviter d'utiliser le terme, parce que ces choses ont causé une certaine confusion, ils trop promettre, mais ne peut pas être honorée. Il se trouve que l'analyse des données de grandes quantités de données à modifier, puis AI est un processus très naturel.
Ceci est non seulement parce que le processus permet d'ajuster le modèle de l'esprit humain, ou à cause de gros volumes de données et l'analyse de données avant d'être tué gloire AI plongé dans toutes sortes de spéculations AI de, surtout parce que nous avons besoin de construire de grandes données par AI .
Rappelons que Big Data Espagne (BDS) Assemblée générale, qui est l'un des plus grands et l'Europe la plus tournée vers l'avenir de l'Assemblée générale, marquant le passage de gros volumes de données à AI et essayer de répondre à quelques-uns des problèmes liés à l'AI.
Avant réel succès, nous pouvons prétendre réussir?
Autrement dit: non. L'analyse Gartner d'un point de modèle de maturité est que si vous voulez construire la fonction AI, il doit être fiable dans une grande base de données.
Dont une partie est de la capacité de stocker et de traiter de grandes quantités de données, mais cela est vraiment que la pointe de l'iceberg. Maintenant, les solutions techniques ont été éblouissants, mais de construire l'IA, vous ne pouvez pas oublier les personnes et les processus.
Plus précisément: ne pas oublier l'organisation de la qualité des données et la gouvernance des données. Si vous pensez que l'analyse des données de la chaîne d'évolution dans le développement de solutions AI dans votre organisation, s'il vous plaît détrompez peut traverser une certaine façon.
PDG stratio Oscar Mendez dans son discours a souligné la nécessité d'aller au-delà de l'IA flashy, le besoin d'adopter une approche holistique. Une bonne infrastructure de données et la gestion des données, et sur la base du modèle d'apprentissage de la machine de formation correcte (ML), vous pouvez ainsi obtenir des résultats impressionnants. Mais ceux-ci peuvent vous apporter les avantages sont limités, Alexa, Cortana et Siri Chiffres d'affaires par jour assez pour le prouver.
La clé est d'avoir le contexte et la capacité de raisonnement à l'intelligence humaine plus étroitement mimétique. Mendez est pas une personne pense, parce que ce sont les mêmes chercheurs d'Amnesty International détiennent la vue, par exemple, l'un des plus grands penseurs dans le domaine de l'apprentissage en profondeur Yoshua Bengio. Apprentissage en profondeur (DL) de performances exceptionnelles en termes de correspondance de motif, les données épidémiologiques et la puissance de calcul pour le faire mieux que les humains dans les tâches basées sur la correspondance de modèle.
Cependant, l'intelligence n'est pas seulement sur la correspondance de motif. Raisonnement capacité non seulement d'établir la méthode ML - du moins pas maintenant. Par conséquent, nous devons intégrer les méthodes AI loin de la spéculation: la représentation des connaissances et le raisonnement, l'ontologie et ainsi de suite. C'est ce que nous préconisons, et a vu son estime populaire BDS, qui est une affirmation positive.
AI devrait externaliser?
Autrement dit: Peut-être que vous pouvez, mais il faut être très prudent. On peut le dire crûment: AI est en réalité très difficile. Oui, AI devrait certainement être fondée sur la gouvernance des données, qui dans tous les cas parce que votre organisation est bonne. Certaines organisations, telles que Telefonica, AI a réussi à passer de grandes quantités de données à travers la mise en uvre du plan stratégique, mais il est pas facile.
Cela a été une enquête assez fiable en utilisant ML confirmée, plus de 10001 plus d'un millier de répondants ont participé à l'enquête. Paco Nathan de Derwen montrent les résultats d'une enquête de O'Reilly, qui plus ou moins confirme notre idée: L'écart entre l'IA et de l'organisation AI n'utilise pas de plus en plus.
L'utilisation du spectre dans la partie IA est des leaders Google et Microsoft: Ils AI comme un élément central de sa stratégie et des opérations. Leurs ressources, les données et la technologie pour devenir une condition sine qua non pour leur leadership concours AI. Ensuite, les adoptants AI, ils appliquent l'IA dans leurs domaines. Puis les retardataires, ils ont pris des technologies de la dette, incapable d'adopter a fait quelque chose de significatif dans l'IA.
Sur la surface, le leader dans la fourniture de produits AI semble être universel « AI ». Google et Microsoft sont affichés sur le BDS ceux-ci, ils ont fait des présentations en quelques minutes en cliquant sur les moyens de construire une application de reconnaissance d'image.
De toute évidence, ils nous transmettent un message: l'inquiétude Let sur le modèle et la formation à faire, aussi longtemps que vous vous concentrez sur les détails dans votre domaine. Nous pouvons identifier les composants mécaniques - il suffit de nous fournir des pièces mécaniques spécifiques à ce sujet, alors vous faites ce qu'il faut faire aller.
Google a également publié un certain nombre de nouveaux produits sur BDS: Kubeflow et AI Hub. L'idée derrière eux est d'organiser pipeline ML, similaire à l'application des conteneurs Kubernetes Docker fournis. Ce ne sont pas la seule façon d'apporter des produits concurrents similaires. Ils ont l'air un peu tentant, mais vous devez les utiliser?
Qui ne voudrait pas sauter AI cet obstacle, pour obtenir les résultats que vous voulez, mais ne doivent pas nécessairement face à tant de problèmes? Ceci est en effet une méthode qui vous permet d'avance sur la concurrence. Mais le problème est, si vous complètement sous-traiter AI, alors vous ne pouvez pas obtenir dans le milieu aux compétences d'autosuffisance à long terme requis.
Pensez à la transition vers le numérique. Oui, les technologies numériques, l'exploration et la restructuration des processus est très difficile. Toutes les organisations peuvent faire, ou ont la capacité de consacrer des ressources suffisantes, mais ces organisations ne maintenant en cours d'exécution à l'avant. AI ont un même ou encore plus potentiel subversif. Par conséquent, il peut immédiatement obtenir des résultats est certainement une bonne chose, mais l'investissement AI doit toujours être considéré comme le centre de la stratégie.
Bien sûr, vous pouvez envisager l'infrastructure sous-traitance. Pour la plupart des organisations, n'a pas augmenté le nombre de maintenir leur propre infrastructure. Courir dans l'infrastructure cloud apporte des économies d'échelle et de leadership apportera des avantages substantiels.
Nous serons où aller?
Autrement dit: Tout comme la lune. ML boucle de rétroaction semble être en plein essor, donc, en essayant de maintenir adoptants, les retardataires restent en retard, mais le chef devient le chef de file.
Transporteur Pablo dans son discours a souligné que si vous essayez d'améliorer la précision du calcul DL linéaire, le montant augmente de façon exponentielle. Au cours des six dernières années, soit une augmentation de 10 millions de fois la quantité de calcul. Même le nuage Google est difficile à suivre, et encore moins l'autre.
Viacheslav Kovalevskyi Google Cloud AI directeur technique avant de commencer son discours « théorie Distributed DL et pratique », a mis en garde: si possible, éviter de l'utiliser. Si vous avez vraiment faire cela, s'il vous plaît noter que les frais généraux associés à distribuer, et est prêt à payer le prix dans le calcul de la base et de la complexité ainsi que des aspects du projet de loi.
Kovalevskyi fournit une perspective historique de l'utilisation d'un certain nombre de différents DL distribués - la distribution des données, des modèles, ou les deux. Les données de distribution est la méthode la plus simple, la répartition des deux est le plus dur. Cependant, dans tous les cas, DL distribué est encore une « terre de fées » - calculé en ajoutant k fois le temps, vous ne serez pas obtenir k fois la performance.
Bien sûr, la présentation de Google tensorflow axée sur le Cloud Google, mais ce n'est pas la seule méthode disponible. Databricks vient d'annoncer HorovodRunner de soutien, pour aider la DL distribué par Horovod. Horovod est un framework open source introduit par Uber, Google utilise aussi.
données Azure de Microsoft scientifiques et des données / AI experts techniques alternatives proposées Vaisman Marck dans son discours, il a utilisé le Python et R, sans utiliser Spark. Il a présenté Dask, une bibliothèque open source Python. engagement Dask pour fournir le parallélisme des analyses avancées peut fonctionner avec Numpy, Pandas et scikit-learn autres projets.
Enfin, le dessin et la base de données est également un thème clé de l'ensemble BDS: Connaissance de Microsoft Graph, AWS Neptune et les laboratoires Oracle.
Cloud computing, ainsi que la formule de distribution introduite en vue de la structure ML à l'avenir besoin de se concentrer sur quelques-uns des thèmes clés.
