성장 율의 출현 후 1 년의 짧은 기간에 있는 기계 학습은 또한 외부 기대 저쪽에 이다. 해설은 기계 학습 시장을 실제로 Nvidia의 최근 밝은-공유 가격 성능 외 눈 박이에서 호황을 지적 한다. 또한, GPU는 기계 학습 시스템을 훈련 할 뿐만 아니라, 최고의 칩 선택, 기계 학습 작업은 데이터 센터에서 조차 수 있습니다, 점차 장치를 이동, 반도체 산업 수요 증가를 운전. 반도체 공학에 따르면, 기계 학습은 여전히 2016의 시작 부분에 과학적인 실험으로 여겨졌다, 하지만 지금은 시작 하기 위해서는 제품을 개선 하 고 소비자 시장에 의해 환영을 시작 하기 위해 적용 됩니다. 첫 번째 개발은 많은 계산 기능, 대역폭, 저비용 메모리 및 알고리즘 수렴의 결과입니다. 이러한 알고리즘은 프로세스를 학습 하는 데 사용할 수 있으며 대부분의 데이터 마이닝 작업입니다. 첫째로, 일단 특징의 1 세트가 설치 되 면, 자료는 중복 되 고 어떤 변칙 든 지 제조 또는 디자인에서 일어난 및 중복이 다는 것을 나타낼 수 있고, 결과는 운영 효율성에 있는 급속 하 고 뜻깊은 증가, 제품 품질, 신뢰도, 효율성, 전력 소비 및 수확량을 개량 한. 기계 학습의 다른 끝은 추론 (infercing), 그래서 기계가 기능을 1 세트에서 작동할 수 있습니다, 본질적으로 장치 또는 응용 프로그램 (애플 리 케이 션) 알려진, 예측 또는 알 수 없는 요인에 따라 허용 되는 동작을 만드는 알고리즘을 정제입니다. 그러나 컴퓨터를 알 수 없는 경우에는 알 수 없는 교육 및 추론 데이터베이스에 향후 결정에 대 한 참조로 추가 됩니다 또는 관련성의 부재 인해 무시 됩니다. 이 과정은 컴퓨팅 파워가 많이 필요 하 고 빛을 엔비디아의 주가를 밀고에 대 한 이유는 의견을 지적 했다. GPU는 저렴 하며 부동 소수점 연산을 사용 하는 교육 종료에 중요 한 대량의 병렬 작업 (대규모 병렬 처리)을 지원할 수 있습니다. 그러나, 현재의 시장 경쟁이 고정 소수점 계산에 의존의 추론 엔드로 설정 하기 시작 했다. 다양 한 단서에서 찾을 수 있습니다 그 시장 경쟁이 반도체 산업의 출현 이후에도 영향을 가져올 것입니다. 유추는 데이터 센터의 교육 끝에 국한 되지 않기 때문에 데이터 센터나 지 면에서 수행할 수 있으며, 알고리즘이 계속 해 서 구체화 되 고 장치가 작동 하는 방식에 대 한 프로세스를 구성 하면서 여러 모바일 장치에서 유추를 진행할 것으로 예상 됩니다. 결과적으로, 반도체 산업의 전반적인 개발은 매우 빠른 처리, 많은 수의 저장 및 저장 및 매우 빠른 칩 배선 때문에 큰 수요를 가져올 수 있는 혜택입니다. 또한, 인프라 요구는 도구를 구축, 검증 또는 빠른 디버깅 장치에 대 한 수요 증가 뿐만 아니라, 전송 장치 안팎으로 전송 되는 데이터의 급격 한 증가를 처리 하기 위해 발생 합니다.
