1. 사물의 인터넷이 AI를 충족시킬 때;
SADA Systems의 최근 대형 IT 업계의 시장 조사에 따르면, 2018 년에 인공 지능 (AI)과 사물의 인터넷 (IoT)이 기업이 신기술에 투자하는 가장 중요한 분야가되고 있습니다.
설문 조사에 참여한 500 명의 IT 인력 중 38 %가 AI가 기업 투자의 주요 관심사이고, Things of Internet은 31 %이고 블록 체인은 10 %를 기반으로한다고 언급했습니다. 일반적으로 기계 학습 (ML) 모델을 교육하기 위해 거대한 데이터를 생성합니다.
설문 조사에 참여한 기업 중에서는 IoT 및 엣지 컴퓨팅 산업이 현 단계에서 상대적으로 안정적이기 때문에 Things of Internet은 AI보다 레이아웃이 더 많습니다. 그런 견고한 토대는 기계 학습의 정확성을 향상시키고 AI에 필수적으로 사용될 수 있습니다. 전제 조건.
영상 인식 능력 / 그림 : Cambridge University
기업들은 또한 학술 단체의 끊임없는 연구보다는 AI의 투자를 최종적으로 실현하기를 원하고 있습니다. 또한 외국 언론인 CIO는 올바른 상업화와 비즈니스 리더를위한 중요한 작업에 AI 투자를 집중시키는 방법에 대한 질문을 제기했습니다.
또한 오늘날 시대에 AI 운영의 비용과 어려움이 크게 줄어 들었습니다. "플랫폼 서비스"(PaaS) 회사는 컴퓨터 교육을위한 더 많은 데이터를 회사에 제공 할뿐만 아니라 장비를 보편적으로 만듭니다. (상호 운용성) 개선의 정도. 또한 성숙한 기계 학습 라이브러리 및 API의 수가 많아서 AI를 입력하기위한 임계 값이 줄어 들었습니다.
AI 및 사물의 인터넷을 지원하는 새로운 기술의 출현으로 비즈니스 조직은 개발의 초점을 고수해야하며 무기한 개발주기로 인한 시간 규모의 확산을 방지해야합니다. 마일스톤에 도달하려면 인재를 유지하는 것이 점점 필요합니다.
기계 이미지 인식 능력 / 차트 : 케임브리지 대학교
SADA 및 최신 기술 뉴스를 중심으로 불리는이 회사는 새로운 기술에 투자하는 것이 더 기꺼이 이어질 것입니다,하지만 보안 및 개인 정보 보호 기술 개발 후행하는 경향이 있으며, 새로운 기술에 대한 투자가 걱정 소유의 홍수 안전해야합니다, SADA는 기업으로 있다고 생각 신흥 기술의 개척자가되고 싶다면 신기술의 안전성 테스트를 무시할 수 없습니다.
연구진은 2018 년 옥스퍼드 대학 (Austford University)의 보고서에서 AI 기술에 허점이있는 경우 안전 시험의 중요성을 무시할 경우 기계 학습의 워크 플로 효율성이 저하되고 비즈니스 운영에 위험이 발생할 수 있다고 지적했습니다. 섹스, 나는 그것을 얻지 못할 것 같네요.
블록 체인은 오랫동안 지난해부터 테크 미디어로부터 많은 주목을 받았지만 기업 투자면에서 사물과 인공 지능의 인터넷에 뒤져 있습니다. 블록 체 인 기술과 실용적인 애플리케이션의 성공을 공유하는 회사가 점점 늘어남에 따라 미래 이 분야에 대한 투자는 사물과 AI의 인터넷과 경쟁 할 것으로 예상됩니다.
AI 통역사의 역사;
아시아 2018 년 보아오 포럼에서 주요 의제뿐만 아니라, 핫 스폿 (hot spot)의 특히 도입 실시간 인공 지능 컨퍼런스에서 처음으로 말한 언어 번역입니다. 그러나, 이전 AI가 방자 "선언되지 실시간 통역 업계하자가 있었다 우리는 반대로, 번역 심각한 실수의 결과에 "실업의 위협에 직면하려고합니다, 실제로 안심 고용 실시간 통역,이 라인은 또한 오랜 시간 동안 밥을 먹을 수있는 것 같다.
큰 홍수가 가라 앉으 후 인간이 협력하기 시작했을 때 11 장에 설명 된 "성경 구약 성경 창세기는"이 인간 세계는 같은 언어를 사용, 노아의 아들이다, 구축 바벨의 바벨탑이라고 하나님이 세상은 다른 언어를 가지고 시작 온통 인간을 할 수 있도록 타워. 이동은 하나님이, 경보, 인류는 더 이상 미국의 협력 없었다. 바벨은 언어의 차이도 최대 규모의 의사 소통이 될 때 계획은 실패로 끝났다 만든 장애물 : 바벨탑을 재건하려는 꿈이 아직 남아 있습니다. 따라서 번역은 지난 수천 년 동안 인류의 지속적인 진화를위한 주요 문화 프로젝트가되었습니다.
언어 장벽은 동일한 개념을 이해하는 것이 특히 교차 언어로 침입 때문에 용이하지 않다. 196 BC에서 생성 된 인간의 역사에 상호 병렬 언어 코퍼스 처음 로제 스톤 (로제 스톤) 프톨레마이오스 V가 왕위 칙령을 올라 고대 이집트 왕을 기록, 모두 고대 이집트, 고대 그리스와 지역의 인기 캐릭터를 사용하여 위.이 번역에서 중요한 이정표이다.
규칙 기반 기계 번역
소스 기계 번역에 관해서는, 다시 1949 추적 할 수 있습니다, 정보 이론 연구원 워렌 위브는 공식적으로 기계 번역의 개념을 제안했다. 5 년 후, 즉 1954 년, IBM은 조지 타운 대학교 (Georgetown University)와 공동으로 세계 최초의 기계 번역을 발표 이 사실 그것은 단지 법 규칙의 여섯 개 조항뿐만 아니라, 250 개 단어를. 내장되어 있지만, 그럼에도 불구하고,이 여전히 주요 기술 돌파구 좋은 몸을 가지고 있지만 IBM-701. 영어로 러시아어를 번역 할 수 있습니다 그 당시 인간은 언어의 벽을 빨리 깰 수 있어야한다고 생각하기 시작했습니다.
하나님이 차이가 아니라 인간에 바벨탑이 차가운 물 한 양동이를 부어 다시 계획을 인식 할 수있다. 1964 년, 과학 자문위원회의 국립 아카데미 언어의 자동 처리 (자동 언어 처리 자문위원회, ALPAC)을 설정합니다. 이년 후,위원회 보고서에 따르면 기계 번역은 앞으로 10 년 동안 기계 번역 연구를 거의 완전히 중단시키기 때문에 투자를 계속할 가치가없는 것으로 간주됩니다.
주류 기술은 규칙 기반 기계 번역 인 1980 년대에 IBM의 첫 번째 번역기에서 태어났다. 가장 일반적인 방법은 사전에 따라 직접 직역, 그것은 구문 규칙을 수정 주도권을 가입 후 이었더라 그러나 솔직히 말해서, 결과는 매우 어리석은 것으로 판명되었으므로, 1980 년대에는 그러한 실천이 사라졌습니다.
언어가 규칙을 적용 할 수없는 이유는 무엇입니까? 언어는 단어 모호성에서 수사학에 이르기까지 매우 복잡하고 모호한 시스템이므로 모든 규칙을 다 사용하는 것은 불가능합니다. 그러나 흥미롭게도 자연 언어의 많은 혁신 회사는 철저한 규칙으로 중국 의미론을 해결하려고 여전히 노력하고 있지만이 아이디어는 확실히 실패로 끝날 것입니다.
나는 규칙이 가능하지 않을 이유를 설명하기 위해이 예제를 제공합니다. 다만 중국은 "곧 배달을 표현,"당신은 인수의 많은 종류의 개념을 생각할 수에서, 두 언어 변환에 번역의 복잡성을 언급 ? 10가지? 또는 백가지?보기의 자연 언어 통계 점은 우리가 인수 3600 종류의 총이있을 수있다, 전에했던, 그리고 그 숫자는 시간이 지남에 따라 증가한다. 가벼운 문장이 그렇게 할 수 개념은 매우 간단하다 복잡한 규칙의 시스템, 내가 천문학의 엄청난 금액이 될 것입니다 번역 규칙을 사용하는 것이 두려워한다면, 그래서 규칙 기반 기계 번역의 생각은 과거의 일이되었다.
인스턴스 기반 기계 번역
썰물로 기계 번역의 세계에서,이 기계 번역을위한 나라는 강한 집착을 가지고 있으며, 그 일본입니다. 일본어 영어 가난한 보편적으로 알려져 있으며, 따라서 기계 번역 강성에 대한 수요가있다.
교토 대학 교수 마코토 나가오 기반 기계 번역을 제안, 우리는 우리가 정확하게 문장 일치하지 않는 경우에도 불구하고, 문장의 충분한 수를 유지하는만큼, 처음부터 기계를 중지하고 번역 할 것입니다 또한 문장에 비교 될 수 있으며, 번역 한 단어의 대체 될 수있는 동일하지 않습니다. 물론 이것은이 더 문제가 발생하지 얼마나 많은 영리 규칙 기반 기계 번역 이상 순진하지 않다. 그러나 오래 전에 인류는 바벨탑을 다시 희망 새벽을 다시 볼 것으로 보인다.
통계적 기계 번역을 바탕으로
에서 통계적 기계 번역 붐 또는 IBM을 폭발 1993 년에 발행 된 "기계 번역 수학적 이론"논문은 통계 모델은 "IBM 모델 1"이라는 단어에서 다섯 개 단위로 구성 제안 "5 IBM 모델."
아이디어 통계 모델은 원칙적으로 병렬 코퍼스를 사용할 필요가있다. 확률의 문제로 변환되어 영어가의 다음 말 그대로 통계. 예를 들어, 기계는 무엇을 "지식"을 아는 것은 아니지만, 그러나 코퍼스 통계의 대부분 후, 당신은 발견 할 것이다 한 문장에 대한 지식이 나타납니다로서, 해당 영어 문장조차 사전과 문법 규칙의 인공적인 유지 보수없이 이런 식으로 나타납니다 "지식"단어.이 될 것입니다, 또한 기계가 단어의 의미를 이해합니다.
초기 워렌 위브는 유사한 개념을 제안하기 때문에이 개념은 새로운 것이 아니라 거기에 충분한 시간이 아니다 병렬 코퍼스가 너무 약했고 제한된 용량 계산기, 그래서 구현. 현대 통계적 기계 번역에서 없다 여기서 "현대 로제타 스톤"을 의미 찾기 위해 유엔 결의와 발표는 개별 회원국의 언어 버전을 가지고 있기 때문에? 사실, 가장 중요한 소스는 유엔이지만, 그 이외의, 당신은 당신의 자신의 병렬 코퍼스을 만들고 싶어 지금은 어떤 비용의 측면에서 인간의 번역 비용이 놀라운 높이를 알 수 있습니다.
지난 10 년, 우리가 듣고 통계적 기계 번역을 기반으로 구글 번역을 잘 알고있는, 모두가 명확한 통계 번역 모델은 모든 사람의 인상에서 바벨의 큰 원인의 성과는, 기계 번역은 단지에 그만입니다해야한다 "저하"대신에 "도움"정도입니다.
신경망 기계 번역
2014 년, 기계 번역은 가장 혁명적 인 변화의 역사에서 안내 - "깊은 학습"여기!
신경망 80 년 전이었다 사실 신경 네트워크의 발명에서, 새로운 것이 아니라 2006 제프리 힌튼 (하나님의 처음 세 개의 큰 깊이 연구) 개선에 최적화 치명적인 결함이 너무 느린 깊은 학습이 계속되고 신경망 더 많은 사람의 음성 인식 속기사보다 2017; 자주 2015 년 우리의 삶에 나타나는 기적적인 성과의 다양한 동반, 2016 ;. 이미지 인간의 인식을 넘어 처음으로 기계, 알파 이동 세계 체스 챔피언을 이길 2018, 인간의 이해를 넘어 처음으로 영어 독서 기계.이 분야에서 물론 기계 번역뿐만 아니라 때문에 깊이의이 슈퍼 비료 번창을 배우기 시작.
처음으로 2014 년 논문에서 세 신들의 요 수아 벤 지오 깊이 연구는 기계 번역 기술을 학습의 깊이의 기본 아키텍처를 설립했다. 그는 주로 재발 성 신경 네트워크 순서 (RNN)를 기반으로, 기계가 자동으로 문장 사이에 캡처 할 수 있도록 워드 기능 및 자동으로 다른 언어로 번역에 기록.이 문서 하나, 구글 보물은. 매우 빠르고, 구글에서 적절한 하나님의 축복 아래 화약의 공급뿐만 아니라 대형은, 구글은 공식적으로 2016 년 발표 모든 통계적 기계 번역은 선반에서 벗어 났고, 신경망 기계 번역은 현대 기계 번역의 절대 주류가되었습니다.
구글의 기계 번역 신경 네트워크가 가장 눈에 띄는 기능은주의 집중 메커니즘 (주의)를 포함하고,주의 메커니즘 먼저 다시는 눈을 사용하고 의미를 확인하기 위해 몇 가지 핵심 단어를 선택할 것입니다, 사실은 인간의 번역의 시뮬레이션 은 "영국 - 프랑스어"구글이 선언 후 공정 (그림 2) 정말 힘의 파동을 축복주의 집중 메커니즘을 가지고있다 "영국 -에"- "등 영국 웨스트"여러 언어로, 이전과 오류율. 통계적 기계 번역 시스템이 60 % 감소되었습니다.
기존의 병렬 코퍼스에 따라 신경망의 학습과 문장 미묘한 언어의 기능을 이해하지만 완벽하지 수 있지만, 가장 큰 문제는 코퍼스에서 온다, 그것은 이해하기 어려운 등 같은 상자 검은 색이 많이 걸립니다. 즉, 경우에도 실수를 할 수있는 방법은 없지만 "깊은 학습"을 수정하기 위해보다 정확한 자료를 제공해야합니다. 따라서 동일한 문장 패턴은 매우 다른 번역 결과를 가질 수 있습니다.
2018 년 2 월, Microsoft는 인류를 초월한 기계어 이해를 위해 새로운 움직임을 보였습니다 .3 월 14 일 Microsoft Research Asia와 Redmond Research Institute의 연구원은 R & D 기계 번역 시스템이 Newstest2017의 중국어 / 영어 번역 테스트 세트가 인간 번역에 필적하는 수준에 도달 한 뉴스 리포트 테스트 세트는 자연스럽게 신경망의 기계 번역에서 중요한 승리이며 당연히 아키텍처에서 많은 혁신이 있으며 가장 주목할만한 것입니다. 이중 학습 및 심의 네트워크와 합류했습니다.
듀얼 학습은 일반적으로 학습의 깊이는 기계 답변을 제공해야합니다, 제한된 병렬 코퍼스의 문제를 해결하기 위해, 그래서 그 번역의 차이를 기반으로 수정 대답이 개선 지속에 기계가 할 수있을 것이다. 또한 인간의 번역의 과정을 모방 감시 네트워크에 관해서 일반적으로 인간의 번역이 먼저 대략적인 번역을 할 것입니다, 다음 두 번째 번역의 정확한 내용을 조정, 사실, 당신은 상관없이 지능적인 신경 네트워크는 여전히 몸이 가장 지적인 생명체의 기준면에 결국하지 않습니다 것을 알 수 있습니다 인류를 위해서.
문맥을 벗어난 언어는 사용할 수 없습니다.
기계 번역의 발전은 번역 산업에 종사하는 사람들이 장래에 식량을 제공하지 않는다는 의미는 아니며, Microsoft의 간행물은 "Universal News Report Test Set Newstest 2017"의 "중국어 - 영어 번역 테스트 세트"를 강조하고 있음을 알 수 있습니다. 좋은 성능은 보편성과 같지 않을 수 있습니다. 또한 Tencent의 번역가 인 Jun Mingming이 좋은 평판을 얻는 이유를 설명 할 수 있지만 Boao의 실시간 해석이 왜 부정확한지 설명 할 수 있습니다.
실시간 통역은 번역 작업의 절정이라고 할 수 있습니다. 원문의 정확한 청취력 외에도 제한된 시간 내에 다른 언어로 변환해야하며, 번역사는 번역을위한 시간을 제공하지 않으므로 음성 인식과 동일합니다. 기계 번역은 현장에서 발생하는 소음, 화자의 표현, 모달 단어의 중개 등과 함께 동 기적으로 처리되어야하며, 모두 기계에 의한 오판을 초래할 수 있습니다.
필자의 견지에서 볼 때, Tencent의 왕에 대한 번역은 저작이 충분하지 않을 수 있으며 주요 고유 명사가 입력되지 않는다는 비난을받을 수있다. 이것은 "고속도로와 벨트"의 "고전적인 실수"를 초래할 것이다.
흥미로운 차이점은 그림 3에서 볼 수 있습니다. 왜 서양 기계 번역이 잘못되었지만 모국에서의 기계 번역은 거의 항상 통제되고 있습니까? 이것은 언어가 인간 사용 시나리오에서 벗어나지 않고 존재할 수 없기 때문에 가능합니다. 과거의 문화에서 비롯된 문맥은 과거에 흔했던 추억으로 이루어져 있습니다. 당 (唐)시를 읽지 않은 구글은 당연히이시의 본질을 이해할 수 없습니다. 언어는 인공 지능 시대의 마지막 인간 장벽이 될 수 있습니다. 인간의 사용으로 인해 언어가 끊임없이 바뀔 것입니다. 이것은 기계를 대체하는 매우 어려운 대용품입니다.
기술 발전에 따라 기계 번역은 "유용함"에서 "유용함"으로 바뀌고 "유용함"으로 변화 할 것입니다.하지만 항상 주장했듯이 기계는 사람들에게 자신의 업무를 빼앗기지 않습니다. 인간이 실업 상태에 있다는 사실은 우리 자신 만의 것입니다. 인공 지능을 활용하여 자신의 도구가되는 방법과 지루하고 지루한 작업에서 벗어나는 방법은 미래를위한 올바른 자세입니다.
3.AI, 빅 데이터 및 개인 프라이버시의 불타는 전투는 이제 막 시작되었습니다.
가까운 장래에 가장 뜨거운 주제는 중국에서 개최 된 2018 년 박람회를 포함하여 빅 데이터 이외의 다른 주제는 아니며 큰 데이터의 가장 중요한 것이 데이터 수집이지만 유럽 연합 (EU)도 GDPR (General Data Protection Regulation)을 발표했습니다. 가장 엄격한 개인 정보 보호법을 주장하면서 큰 데이터 개발 및 개인 데이터에 대한 분쟁을 촉발 시켰습니다.
큰 데이터가 효과적인 데이터가 될 수있는 이유는 데이터를 수집하고 분석하는 것입니다. 데이터가 많을수록 가장 관련성이 높은 데이터를 분석하고 유용한 데이터가됩니다.
그러나 데이터의 소스,하지만 모든 사람의 입술은, 민족주의에, 상당히 빨리 데이터에 정부를 중국에서 가장 분명 정책, 중국 개발을 수행하는 국가 수 있도록 자신의 개인 이익을 희생하도록 강요 할 것 같다 많은 계획 정책, 심지어 소위 빈곤 감소, 빈곤 등, 빅 데이터와 같은 모든 문제는 문제가되지 않습니다,하지만 빅 데이터의 많은 사실, 국가의 개인 프라이버시를 강조하는 개인 정보의 권리를 희생하는 당사자, 그것은이다 불가능 일어났다.
대만의 사업 개발 방향은 산업의 빅 데이터를 중심으로 이루어지며, 가장 빠른 발전은 40 년의 생산 데이터를 보유한 혼 하이 (Hon Hai)입니다. 혼 하이의 가장 큰 장점이며 대만이 빅 데이터를 개발할 수있는 기회이기도합니다.
그러나 대만이 중국 본토처럼 큰 데이터를 개발하기를 원한다면 사람들의 개인 정보 보호와 관련하여 많은 어려움이 있습니다. 기본적으로 많은 장애물이 있으며 개인 정보 침해를 유발할 수있는 ETC 기록 일뿐입니다. 빅 데이터가 성공하든 그렇지 않든간에 개인 정보와 직접 관련이있는 큰 데이터와 관련하여 나는 계속해서 공익과 개인 프라이버시의 균형을 잡아야합니다.
4. 에지 노드에 대한 추론 비디오 / 음성 응용 프로그램은 하늘의 절반을 차지합니다.
2018 AIoT (AI +의 IoT) 시장은 놀라운 성장하고, 다양한 장치의 개발 드라이브뿐만 아니라 깊은 학습 기능은 낮은 대기 시간, 낮은 대역폭, 높은 개인 정보 보호 및 인공 지능의 높은 효율을 달성하기 위해 클라우드로 전환의 가장자리에 운영 추진 응용 프로그램 경험.
인공 지능 (AI)으로, 최근 몇 년 동안 가장자리 (에지 컴퓨팅) 기술을 가전 제품 및 가전 제품 혁명적 인 변화가 점진적으로 일어날 포함되어 스마트 홈 개념의 다양한의 급속한 발전을 운영하고 있습니다. 결국, 다양한 가전 제품으로 구성된 인공 지능 네트워크는 아마 당신이 될 것이며 나는 다른 가족 구성원을 볼 수 없습니다. 지역 클라우드 및 관련 장비의 개념, 필수 불가결 한 가정을위한 인공 지능 네트워크의 요소가 될 것입니다.
스마트 스피커 / 모니터링은 소비자 AI의 두 가지 주요 축이 될 것입니다.
Ronan de Renesse (소비자 기술 개발 추적 담당 연구원 Ovum의 연구원)은 지난 2 년 동안 가전 제품에 AI를 적용하는 것이 미디어 관심의 대상이되는 경우가 많았지 만 가전 제품 및 AI 통합의 추세, 앞으로 3 ~ 5 년 내에 많은 가전 제품이 인공 지능 기능을 수행하고 서로 연결되어 인공 지능 네트워크를 형성하게 될 것입니다.
그림 1 Ronan de Renesse, Ovum의 소비자 기술 연구원은 미래의 가정에서 다양한 전자 장치가 보이지 않는 가족 구성원이 될 것이라고 믿습니다.
하드웨어 산업 체인의 경우 이러한 추세는 분명히 많은 새로운 비즈니스 기회를 창출 할 것입니다. 그러나 더 높은 수준에서 조용히 집에 두드린 인공 지능 네트워크는 볼 수없는 또 다른 "가족"이 될 것입니다. 회원. "
. 때 추정 된 2022 글로벌 스마트 스피커가 매출에 상당한 성장 수 있지만 성장 강도가 점차적으로 향후 5 년간 둔화 될하지만 하드웨어 측면에서 친숙한 스마트 스피커는 기본적으로 상대적으로 성숙 된 제품이며, 거의 $ 9.5 억 매출 금액. 사실은, Renesse의 제품 자체는 이익 마진이 없기 때문에 구글과 아마존 (아마존) 아마,이 두 가지, 미래의 스마트 스피커의 자체 브랜드를 시작하지 않을 것이라는 생각 홈 네트워크 거대 기업의 경우 하드웨어 공급 업체가 플랫폼 서비스를 사용하는 한 필요한 사용자 데이터를 수집 할 수 있습니다.
같은시기에 홈 지능형 모니터링 시스템과 같은 제품의 변화는 스마트 스피커보다 더 두드러 질 것입니다. 현재 소위 지능형 모니터링 제품에는 실제로 인공 지능 구성 요소가 없지만 카메라, 경보 장치, 도어록, 센서 및 기타 하드웨어가 있습니다. 제품들이 서로 연결되어있어 이벤트 트리거를 지원하는 보안 시스템을 구성하지만 관련 소프트웨어 및 하드웨어 기술이 성숙됨에 따라 인공 지능을 갖춘 가정용 감시 카메라의 비율이 증가하고 동시에 더 많은 것을 달성 할 수 있습니다. 음성 도우미 사용과 같은 응용 프로그램은 다중 사용자 환경에서보다 정확한 서비스를 여러 사용자에게 제공합니다.
AI 앱을위한 소비자 개인 정보 보호
그러나 하드웨어 업계에서 가장 주목할만한 점은 가정용 기기가 일반적으로 AI를 지원함에 따라 로컬 클라우드 및 관련 애플리케이션 제품의 개념이 채택 될 것이라는 점이다 .RNESSE는 인공 지능 기능이 탑재 된 전자 제품은 많은 양의 사용자 데이터를 생성하며 대부분 개인 정보와 관련된 데이터이므로 인공 지능을 갖춘 이러한 가전 제품이 외부 클라우드에 의존하여 작동하는 경우 분명 개인 정보 보호 문제가 발생할 수 있습니다.
반면에 상대적으로 단순한 기능을 갖춘 많은 소비자 IoT 디바이스는 전력, 컴퓨팅 파워 및 생산 비용에 의해 제한을받으며 고도의 인공 지능 알고리즘을 지원하지 못할 수 있습니다. 현재 로컬 클라우드 디바이스는 두뇌의 역할을 수행 할 수 있습니다. 이러한 장치를 균일하게 주문하십시오.
그러나 Renesse는 지역 클라우드 센터의 역할을 수행 할 장치가 무엇인지 주장하는 것은 여전히 어렵다고 인정했으며, 고차원 스마트 스피커 일 수도 있고 스마트 TV 또는 기타 제품 일 수도 있습니다.
Arm의 수석 마케팅 디렉터 인 Ian Smythe (그림 2)는 앞으로도 더 많은 컴퓨팅 및 추론 엔진이 터미널로 이동하게 될 것이라고 믿습니다.이 전송의 주요 추진력은 사용자의 개인 정보를 보호하는 것입니다. . 최종 처리 및 분석 작업에 의해 데이터가 쉽게 익명으로 할 수 있으며, 중요한 데이터가 네트워크를 통해 공개되지 않도록 할 수 있습니다. 가족 응용 프로그램, 예를 들어, 소비자가 원하지 않는 네트워크에서 누군가가 그의 가족은하지 않았다 사실을 알게 사람들의 시간, 그리고 쉽게 집에서 훔치기.
그림 2 Ian Smythe, Arm의 수석 마케팅 이사는 소비자 AI 애플리케이션의 경우 개인 정보 보호 메커니즘이 안정적인지 여부가 애플리케이션의 대중화 여부를 결정하는 열쇠가 될 것이라고 말했다.
시각적 응용 프로그램의 경우 Smythe는 시각적 인식을 지원하는 카메라가 본질적으로 중요한 개인 정보 보호 문제라고 생각합니다. 분명히 이러한 장치는 로컬에 저장되거나 클라우드로 전송 될 때 보호 될 수 있도록 설계되어야합니다. 개인 정보 및 민감한 정보. 전송이 일반적으로 무선으로 연결되어 있기 때문에, 당신은 무선 전송 보안에주의를 지불해야합니다. 장치의 엔지니어 디자인은보고, 네트워크 연결 장치가 해킹되지 않도록해야합니다.
배터리 수명은 여전히 주요 기술 과제입니다.
그러나 AI를 에지 노드로 밀어 넣으려면 현재 시스템의 전력 소비가 가장 큰 기술적 과제인데, 소비자 감시 카메라를 예로 들면 소비자는 이러한 제품이 완전히 무선 일 것으로 기대할 수 있으며 전원 케이블을 연결하지 않는 것이 가장 좋습니다. 즉, 배터리로 전원을 공급하고 무선 네트워크를 지원해야하며, 모든 항목을 식별 할 수 있어야하며 무제한 저장 공간이 필요합니다.
위의 요구 사항은 ML (시스템 학습) 기능을 실행하기 위해 중단없는 배터리를 실행하고 파일을 클라우드에 지속적으로 업로드하여 칩 설계 및 시스템 구성 요소에 사용할 수있는 능력을 요구하는 시스템 설계에 큰 문제를 제기합니다. 요구 사항은 매우 까다로 우며, 가장 중요한 것은 배터리 수명을 연장하기 위해 이러한 기능을 조정할 수 있어야한다는 것이 었습니다.
사람들의 미확인 정체성이 경우, 유사.이있을 때 집에 감시 카메라, 비디오 카메라는 단지 부분의 이미지를 업로드, 24 시간 전송 빈 공간을 필요로하지 않는다는 같은 장면의 가용성으로 만 합리적이다 이해가되지 않습니다 ML 알고리즘을 할 수 있습니다. 위해서는 이러한 기능을 사용하려면주의 조치를, 작동 모드에있을 것으로 예상 소비자 기기를 만들기 위해, 두 개의 AA 배터리는 장기간 정상적으로 사용할 수 있습니다.
전력 소모는 AI가 터미널 장치에 들어가는 주요 장애물 중 하나이기 때문에 시중에 나와있는 많은 신생 기업이 칩을 지원하기 위해 저전력 신경망 (NN) 가속기 인 실리콘 IP (Intellectual Property)를 출시 할 기회를 얻고 있습니다. Keneron은 전력 소모를 줄이면서 알고리즘 추론에 필요한 성능을 충족시킬 수있게되었으며, Kernon은 공식적으로 단말기 장치 용 전용 인공 지능 프로세서 인 NPU 시리즈를 출시했습니다. 이 시리즈에는 스마트 폰, 스마트 홈, 스마트 보안 및 다양한 IoT 장치의 요구를 충족시킬 수있는 초 저전력 버전 KDP 300, 표준 버전 KDP 500 및 고성능 버전 KDP 700의 세 가지 제품이 포함되어 있습니다. 모든 제품은 전력 소비가 적고 크기가 작으며 강력한 컴퓨팅 기능을 제공합니다. 시장에서 인공 지능을위한 프로세서의 전력 소비와 달리 Kernon NPU IP는 100 밀리 와트를 소비합니다. (mW) 클래스는 스마트 폰을위한 얼굴 인식 전용 KDP 300의 경우 5 밀리 와트 미만을 소비합니다.
Endurance Products의 Shi Yalun 마케팅 및 응용 프로그램 관리자 (그림 3 왼쪽)는 전력 소비 및 성능 요구 사항을 충족시키면서 단말기 장치에서 인공 지능 작업을 수행해야하는 것이 최우선 과제라고 지적하므로 개별 응용 프로그램에 최적화 된 솔루션을 제공하는 것이 중요합니다. 현재 인공 지능의 응용은 음성과 영상의 두 가지 주요 범주로 크게 나눌 수 있으며 사용되는 신경망 구조는 다르다. 음성 응용 프로그램의 핵심은 자연 언어 분석이다. 주류 네트워크 아키텍처는 순환 신경망 (recurrent neural network, RNN)이다. 이미지 분석에 사용되는 주요 네트워크 구조는 CNN (convolutional neural network)입니다. 서로 다른 네트워크 구조를 최적화하기 위해이 기능이 제공하는 솔루션이 다릅니다.
에너지 강도를위한 소프트웨어 설계 관리자 인 Shen Mingfeng (그림 3, 오른쪽)은 자연어 분석이 언어의 톤으로 인해 칩 컴퓨팅 성능에 대한 요구가 낮지 만 말하기 습관에 큰 차이가 있으므로 모델 교육에 필요한 데이터 세트가 필요하다고 덧붙였다. 반면에 비디오 인식은 소비자가 이미 Apple Siri 및 Google Assistant와 같은 클라우드 기반 음성 도우미를 사용하는 데 익숙하므로 오프라인 의미 분석 응용 프로그램이 소비자에게 선호됩니다. 전제 조건은 제한된 컴퓨팅 리소스에서 유사한 소비자 경험을 제공해야한다는 것입니다. 이는 칩 공급 업체 및 시스템 개발자에게 어려운 과제입니다.
그림 3 Aaron Alan (왼쪽) Endurance Products의 마케팅 및 응용 프로그램 관리자는 말하기와 이미지 인식이 특성상 매우 다르며 다른 솔루션으로 충족해야한다고 생각합니다. 오른쪽은 소프트웨어 개발의 소프트웨어 디자인 관리자 인 Shen Mingfeng입니다.
사실, 대다수의 스마트 스피커는 여전히 최첨단 컴퓨팅 제품이 아닙니다. Allen Aaron은 Amazon의 Echo, Apple의 Homepod 또는 Baidu, Alibaba 플랫폼의 스마트 스피커이든간에 최종 제품에서 직접 수행 할 수있는 음성 작업은 주로 컴퓨터 기반 자연어 의미 이해가 아닌 규칙 기반 작업입니다.
2016 곰이 회사의 제 1 단말 장치 별 AI 프로세서 NPU IP를 시작할 수 있기 때문에, 디자인과 사양을 개선하기 위해 계속 다른 산업 애플리케이션에 최적화했다. 현재 사용할 수에서 IP, KDP 년부터 고객에게 이 시스템을 사용하여 (500 개), 공장, 고객 (마스크 테이프 - 아웃). 됨 개 협력 음성 인식 오프라인 의미 론적 분석을 달성하므로, 단말 장치가 네트워크에 연결되어 있지 않더라도, 또한있다되었고 2 분기 제조 양산 것 사용자의 음성 안내를 이해할 수 있습니다.
Kneron NPU IP 오프라인 환경에서, 단말 장치, 당신은 ResNet을 실행할 수 있도록 설계되어, 단말 장치를위한 인공 지능 프로세서 최선을 다하고, 욜로 다른 깊은 학습 네트워크는. Kneron NPU 하드웨어를 포함하여 완벽한 엔드 - AI 하드웨어 솔루션입니다 IP, 컴파일러 (컴파일러) 및 압축 모델 (모델 압축) 세 부분, 예 Resnet-18 Resnet-34 Vgg16, GoogleNet 및 Lenet뿐만 아니라 일반 지원 깊은 배우는 주류 신경망 모델의 다양한 지원 Caffe, Keras 및 TensorFlow를 포함한 프레임.
Kneron NPU IP 소비 전력은 100 mW의 레벨, 초 저전력 상기 KDP (300)의 버전 또는 5 미만 메가 와트 / W 이상, 독점적 기술의 번호의 사용은 수 성능 와트 당 1.5 TOPS에서 제품의 전체 범위 칩 공급 업체, 저전력 소모 시스템 공급 업체, 높은 컴퓨팅 파워에 대한 요구를 충족하십시오.
기본 요소 잠금 하드웨어 가속기는 기술적 인 반복을 두려워하지 않습니다.
(고정 배선) 회로를 경화하는 연령대 전력 소모, 칩 설계를 감소, 특정 컴퓨팅 작업의 효율성을 향상, 이에 칩 기능에 대한 시장 수요의 경우 낮은 애플리케이션 유연성, 큰 변화의 비용 , 또는 소프트웨어 알고리즘이 급격하게 변화하면 칩 설계자는 새로운 칩을 다시 개발해야합니다.
칩 기능에 대한 수요의 경우는 기본적으로 해결되었으며,이 디자인은 문제가되지 않습니다 만, 빠른 반복 기술의 새로운 기술에,이 디자인 접근 방식을, 사업에 상대적으로 큰 위험이 될 것입니다 인공 지능은 매우 빠르고 숙련 된 반복, 모델 가능합니다. 열기 AI 조사 회사와 새로운 알고리즘은 또한 지난 6 년 동안, 컴퓨팅 파워 수요 AI 교육 모델은 월마다 3.43 증가 할 것으로 지적 거의 매년 시간.
이와 관련, 쉔 명나라 풍수 지적, 하드웨어 가속기가 더 탄력없는 필요는 없다. 에너지 제품에 대한 저항, 예를 들어, 건축 디자인, 회사는 큰 컨볼 루션 커널 회선 회선 커널 분할 (필터 분해) 기술을 사용 별도로, 다음 조합 재구성 가능한 하드웨어 가속 컨벌루션은 (재구성 컨벌루션 가속) 컨벌루션 연산 블록으로 분할 된 소 블록의 복수의 기술 작은 다수의 블록이 전체적인 가속화 융합 조작의 컨볼 루션 연산 결과를 산출 운영 효율성.
레고 벽돌이 객체를 구축하는 다양한 패턴으로 결합 할 수 있습니다처럼 쉽게 비유는 이해하지만, 객체 자체는 여전히 몇 가지 기본적인 상자에서 전체 스택입니다. 저항 에너지 프로그램은 인공 지능 알고리즘을 위해 필수적이다 전체 알고리즘의 실행 성능을 향상시키기 위해 기본 요소를 가속화하므로 AI 알고리즘이 매우 빠른 속도로 업데이트 되더라도 성능 기반 솔루션은 여전히 가속 효과를 발휘할 수 있습니다.
액셀 이외에 자체가 예컨대 그 모델의 압축 모델로 특정 알고리즘, 전체적인 외부 저항을 촉진하는 것도 가속 기술 및 AI의 애플리케이션을 제공 할 수있는 것이 아니라, 기본 요소의 설계 또는 배치된다 (모델 압축) 압축 기술은 최적화되지 않은 넣어 횟수; 계층 메모리 저장 기술 (멀티 - 레벨 캐싱)는 CPU의 부하를 감소시키고 더욱 또한 전체적인 작업 효율을 향상시키기 위해, 데이터 전송의 양을 줄일 수 Kneron NPU IP가 Kneron 화상 인식 소프트웨어를 조합 할 수 있고, 실시간으로 인식 분석 및 고속을 제공한다. 응답은보다 안정적 일뿐만 아니라 보안 및 개인 정보 보호 요구 사항을 충족합니다. 하드웨어와 소프트웨어를 긴밀하게 통합 할 수 있기 때문에 전체 솔루션이 작아지고 전력 소모가 적어 제품의 신속한 개발을 지원합니다.
이미지 인식 AI가 가장자리쪽으로 더 긴급합니다.
지능형 스피커이 거대한 잠재 시장 애플리케이션하지만,이 내기 미만 산업 자원이 있지만 전반적으로, 이미지 인식에 대한 현재의 시장 수요는 더 긴급한, 오프라인 의미 분석이다.이 현상에 대한 주요 이유는 이미지이다 전송은 많은 양의 대역폭을 차지하므로 전체 시스템의 보유 비용이 증가하고 음성에는 이러한 문제가 없습니다.
Jingxin Technology의 Lin Zhiming (그림 4)은 인공 지능과 사물의 인터넷을 결합하는 과정에서 에지 컴퓨팅 기술의 도입을 추진할 것이라고 설명했으며, 에지 컴퓨팅 기술은 다양한 신흥 응용 프로그램에 적용될 것이라고 설명했습니다. 이러한 추세 가운데 유연성과 속도가 대만 제조업체에게 가장 큰 장점이며, 대부분의 대만 기업과 IC 설계 회사의 경우 인공 지능 시장을 가장자리에서 잘라내는 것이 더 쉽습니다.
그림 4 : Jingxin Technology의 Zhixin Lin 총괄 관리자는 IP Cam이 에지 장치에서 AI 추측을 수행하는 주요 응용 프로그램 중 하나가 될 것으로 예상합니다.
동시에 인해 수입 에지 컴퓨팅 기술뿐만 아니라, 메모리의 전송을 향상 가져올 때문에 하드웨어 요구 사항에 크게 제조 비용을 가압한다. 인해 화상의 상관에 시스템 온 칩 (SoC)을 원래 다른 더 복잡한 응용 프로그램에 비해에 대해 비용 내구성도 크기 때문에 에지 컴퓨팅 기술은 IP Cam과 같은 이미지 관련 응용 프로그램에서 처음으로 가져올 것으로 예상됩니다.
인공 지능 응용 프로그램, 대규모 조작의 깊은 학습의 과정에서, 짧은 시간이 여전히 클라우드 컴퓨팅에 의해 처리됩니다. 에지 연산자는 작업에 대한 책임이 있습니다. 교육 및 인식을 논의 두 부분으로 나누어 수집 된 정보를 흡입 할 수 있습니다 첫 번째 할 운송 비용을 절감하기 위해 클라우드에 데이터를 업로드 한 후 어떤 필터 밖으로 중요하지 않은 정보, 후 예비 처리는. 반면에, 완전한 클라우드 깊이 학습 결과, 더 지능 터미널의 기능을 확인하는 것이 가능하다. IP 캠에 예를 들어 이미지 심화 학습은 클라우드 컴퓨팅으로 먼저 완료 할 수 있습니다. 대기 학습자가 보행자를 인식 한 후 에지의 IP 캠은 식별 작업 만 수행 할 수 있습니다.
다른 한편으로는 다양한 애플리케이션에 치안, 지역 사회 안전의 IP 캠 더 때문에, 그래서 정부와 기업은 IP 캠 이유의보다 신속한 개발이 될 것이다 투자를 지원하기 위해 상대적으로하고자합니다.
린 밍 점유율은 많은 제조 업체는 자신의 시스템에 인공 지능 칩을 가져 오는 방법을 모색하고 있습니다. 현재의 상황이 일이 바로 우리가 아직 약 2,020 업체로 추정 삭감을 적용하는 방법을 모색하고, 번창하기 시작했을 때와 유사하다 더 많은 실제 제품을 출시 할 예정입니다.
실시간 응용 프로그램은 에지 컴퓨팅 아키텍처를 사용해야합니다.
인공 지능이 점차 에지 컴퓨팅 아키텍처에 클라우드 컴퓨팅 아키텍처에서 전송 요즘 화제이다, 인공 지능 기반의 클라우드 컴퓨팅을 개발하기 위해 계속 시간의 짧은 기간에도 불구하고. 공급 체인 제조 업체에 적지 않은 영향을 가져올 것, 그러나 시각 응용 프로그램과 관련된 많은 인공 지능 기능이 가장자리를 가져 오기 시작합니다.
자일링스 개발 이사 (자일링스) 시각 정보 전략 시장 데일 K. HITT (그림 5)는 가까운 미래에, AI 개발 교육 구성 요소가 여전히 클라우드 컴퓨팅에 의해 지배 수 있음을 지적했다. 그러나, 추론 / 구성 요소를 배포하는 것은 시작했다 에지 작업을 사용하여 대기 시간과 네트워크 효율성이 낮은 응용 프로그램을 지원하십시오.
5 자일링스 개발 이사는 시각적 인 정보 전략 시장 데일 K. HITT은 매우 낮은 대기 시간을 필요로하는 응용 프로그램에 대한 작업의 가장자리가 가장 좋은 해결책이 될 것이라고 생각합니다.
학습에 관련된 머신 비전 애플리케이션을위한 에지 피연산자 요소에 대해, 산업용 머신 비전에서, 스마트 도시, 시각적 분석 및자가 운전 시장은 강한있다, 중요하고 광범위한 트렌드 중 하나. 그리고 것 성능에 대한 요구 사항은 이전 세대의 많은 프로그램보다도 더 높다, 그래서 성장 잠재력. 때문에 산술 가장자리 기계 학습 알고리즘 산업의 비전 및 소비자 애플리케이션의 관점에서 실행된다.뿐만 아니라, 첨단 기계 알고리즘 / 기능도 진화하고 신속하게되었습니다 학습과 삶의 그러므로 모든 계층 미래의 기계 학습 추론 아키텍처를 위해 최적화하기 위해 자체 적응 형 하드웨어가 필요합니다.
HITT자가 운전, 예를 들어, 각 자동차 센서 지원 뒤에 정교한 알고리즘을 가지고 인식 센서 데이터의 출력의 결과의 해석에 대한 책임이 있습니다. 최근의 추세는하지만, 출력 결과의 이러한 인식의 해석을 깊이 학습 알고리즘을 사용하는 것입니다, 깊이 학습 알고리즘은 발생할 수있는 모든 센서 데이터를 해석하는 방법은 잠재적 인 시나리오의 거대한 숫자를 통해 훈련을해야합니다.
훈련 후, 깊은 학습 알고리즘 안전하게 차량을 제어하기 위해, 매우 낮은 대기 시간과 높은 컴퓨팅 성능을 필요로한다. 전기 자동차를 들어, 작동 온도 한계 극복 및 배터리 전력 반도체 사업을 확장하기 위해 저전력을 사용합니다 목표는자가 운전 실행 가장자리 AI의 요구를 충족하는 솔루션을 적용 할 수있는 기능, 고성능, 낮은 전력 소비를 제공하는 것입니다.
에지 컴퓨팅의 개발에서 가장 큰 과제는 시장 수요가 너무 빠르게 변하는 것인데, 따라서 기업이 경쟁력을 유지하려면 다양한 변화에 빠르게 적응할 수있는 기술이 매우 중요합니다.
HITT 더 2017에서 최고의 솔루션의 대부분은 지금까지 직면하고 지속적인 발전의 빠른 속도로 비슷한 죽음을 학습 알고리즘의 깊이를 보여줍니다. 다른 사람의 대부분은 지금도 수요 컴퓨팅 하드웨어와 함께, 더 높은 용량을 가지고 있지만 최적화를 위해서는 하드웨어를 더 빠른 속도로 업데이트해야하며, 일부 하드웨어는 생산 중에 업데이트해야 할 수도 있습니다. 칩을 업데이트하기 위해 여러 가지 대체 기술을 불러올 필요가 있습니다.
HITT 보충, 컴퓨팅, 메모리 아키텍처 및 하드웨어의 깊이의 다른 양상에 대한 링크를 포함하는 FPGA 고유 한 장점을 최적화 할 수 있고, 낮은 소비 전력으로 높은 성능을 달성하도록 최적화하는 CPU와 GPU는 비교 이전 두 반면 하드웨어 아키텍처는 새로운 파생 된 요구 사항에 대해 신속하게 최적화 될 수 없습니다.
에지 작업이 압도적입니다
클라우드 데이터 센터에서 실행되는 AI 애플리케이션에 의존하는 컴퓨팅 성능은 극도로 높지만 식별 정확도는 단순화 된 모델 추론을 기반으로하는 에지 장치보다 일반적으로 높지만 개인 정보 보호 문제, 실시간 응답 및 온라인 비용 및 기타 요인을 고려한 후 최첨단 기기에서 직접 추론하는 것은 여전히 매력적인 옵션이지만, 단말 장치의 시장 규모는 클라우드 데이터 센터보다 훨씬 크기 때문에 경제적 인센티브가 강하기 때문에 지난 해 AIoT 외침의 슬로건이기도합니다. 가격은 하늘 높이이며 주요 반도체 회사는 적극적으로 배치하고 있습니다.
미래를 내다 보면서, 클라우드에서 지원하는 AI 응용 프로그램은 여전히 시장에 존재하지만, 비율은 해마다 감소 수밖에 없다, 그것은 새로운 하이브리드 클라우드 아키텍처 및 에지 컴퓨팅으로 대체됩니다. AI 개발자의 응용 프로그램은 클라우드가 교체 할 수 없습니다 값은 오히려 추론을 수행하는 것보다, 모델 기차에있다. 또한 이런 이유로, 응용 프로그램 개발자, 솔루션 공급자가 "구름"사이의 완벽한 통합을 달성 할 수와 응용 프로그램 개발자가 될 것 "종료" 공급 업체를 평가할 때 가장 중요한 고려 사항.
5.MIT 졸업생은 이번 달에 블록 체인 졸업장을 받게됩니다.
Sina Technology News 6 월 3 일 오후, 북경 시간 오후 뉴스 블록 체 인 기술을 통해 MIT 졸업생들은 디지털 이력서를 관리 할 수 있습니다.
캠브리지, 기계 및 MIT 미디어 랩을 학습 매사추세츠 소프트웨어 회사 등록 사무실 협력, 학생들은 블록 체인 지갑, 안전한 저장과 졸업장을 공유를 다운로드 할 수 있습니다.
MIT Technology Review에 따르면, 파일럿 프로젝트의 초기 성공 이후 MIT는 이번 달 신규 졸업생 모두에게 블록 체인 지갑 서비스를 제공하기로 결정했습니다.
미디어 연구소의 학습 혁신 디렉터 인 필립 슈미트 (Philipp Schmidt)는 "중앙 정부가 모든 사람들의 학습 기록을 디지털 방식으로 통제 할 수 있다고 생각하지 않는다"
졸업장 블록 체인의 형태로 도입의 목적은, 잠재적 인 고용주가 학교 졸업장이 사실 확인을 호출 할 필요가 없습니다 때문에, 학업 자격을 적시에 안정적으로 액세스 할 수 있도록 학생들을 수 있도록하는 것입니다.
디지털 졸업장을 원하는 새로운 졸업생은 하나의 응용 프로그램 만 다운로드하면됩니다.
'졸업하기 전에 MIT가 학생에게 초대 이메일을 보내고 이메일에'안녕하세요, Blockcerts Wallet을 다운로드하고 암호를 수락하고 MIT를 게시자로 추가하십시오. '라고 썼습니다. Chris Jagers, Learning Machine의 CEO MIT가 졸업장을 발행하면 학생들은 응용 프로그램에 직접 가져올 수있는 디지털 파일이있는 전자 메일을 받게됩니다. '