1. هنگامی که اینترنت چیزها با AI ملاقات می کند؛
صدای سیستم، با توجه به مدیران حرفه ای اخیر در مقیاس بزرگ تحقیقات بازار صنعت فناوری یافت که در سال 2018 هوش مصنوعی (AI) و اینترنت اشیاء، در حال تبدیل شدن از مهم ترین مناطق سرمایه گذاری کسب و کار در فن آوری های جدید.
در 500 حرفه ای IT مورد مطالعه، 38 درصد از پاسخ دهندگان جاده AI به عنوان تمرکز اصلی سرمایه گذاری کسب و کار ذکر شد، در حالی که 31 درصد از همه چیز، زنجیره ای بلوک 10٪ در لیست است. دستگاه های متصل چیزهایی معمولا برای تولید مدل های یادگیری ماشین (ML) داده های عظیمی تولید می کند.
در شرکت های مورد بررسی، طرح از همه چیز از AI و بیشتر، به دلیل همه چیز و محاسبات لبه (رایانه لبه) مرحله از صنعت با ثبات تر، و این است که اساسا صدا در دسترس به منظور بهبود دقت از یادگیری ماشین، هوش مصنوعی ضروری تبدیل شده است پیش نیازها
توانایی تشخیص تصویر / شکل: دانشگاه کمبریج
شرکت هوش مصنوعی همچنین می خواهم به سرمایه گذاری تحقق نهایی، به جای نهادهای علمی مانند بدون توقف تحقیقات است. CIO رسانه های خارجی جاده، AI نیز ذکر شده چگونه به سرمایه گذاری در کسب و کار مناسب را به یک راهنمای برای وظیفه مهم رهبران کسب و کار.
علاوه بر این، در پس زمینه عصر امروز، هزینه و سختی در حال اجرا AI نیز به طور قابل توجهی کاهش می دهد نه تنها "بستر به عنوان سرویس" ممکن است اطلاعات بیشتر به شرکت های آموزش کامپیوتر ارائه که (PaaS) به این شرکت است که همچنین باعث می شود دستگاه های جهانی (قابلیت همکاری) میزان پیشرفت. علاوه بر این، تعداد زیادی از کتابخانه های کتابخانه ای و دستگاه های API بالغ، آستانه ورود به AI را کاهش داده اند.
با حمایت از فن آوری های AI و چیزهای جدید آینده، سازمان ها باید به توسعه کلیدی پایبند است، به نامحدود منجر جلوگیری از چرخه دامنه توسعه خزش ساعت. به منظور دستیابی به نقطه عطف دوره از زمان، حفظ استعداد در حال تبدیل شدن به طور فزاینده ای لازم است.
قابلیت تشخیص تصویر تصویر / نمودار: دانشگاه کمبریج
صدای و به نام در اطراف در حال ظهور اخبار فن آوری، منجر خواهد شد شرکت تمایل بیشتری به سرمایه گذاری در فن آوری های جدید است، اما امنیت و حریم خصوصی تمایل به پشت توسعه فن آوری تاخیر، و سرمایه گذاری در فن آوری های جدید باید یک ایمنی سیل متعلق نگران باشد، صدای این باورند که شرکت به عنوان واقعا می خواهید به عنوان یک شرکت پیشتاز در فن آوری های در حال ظهور، ما می توانیم تست ایمنی فن آوری های جدید را نادیده بگیرد.
در یک گزارش از دانشگاه آکسفورد در سال 2018، محققان ذکر جاده، تکنولوژی هوش مصنوعی به عنوان طولانی به عنوان یک نقص وجود دارد، می تواند بهره وری گردش از یادگیری ماشین را تضعیف کند، بلکه به خطر می اندازد بهره برداری از کسب و کار، اگر آزمایش های ایمنی مهم نادیده گرفته جنس، من می ترسم که من آن را دریافت نخواهم کرد.
بلوک های زنجیره ای در حال حاضر از سال گذشته جذب بسیاری از توجه رسانه ها به علم و فن آوری، اما آن را پشت سر برای کف در نظر چیز کسب و کار سرمایه گذاری و هوش مصنوعی است. همانطور که بیشتر و بیشتر شرکت شروع به اشتراک گذاشتن موفقیت فن آوری های زنجیره ای بلوک و موارد عملی در آینده انتظار می رود سرمایه گذاری در این زمینه با اینترنت چیزها و AI رقابت کند.
2. تاریخچه مترجمین AI؛
در 2018 Boao انجمن برای آسیا، علاوه بر دستور کار اصلی، که مهمترین آنها معرفی یک نقطه داغ اولین ترجمه زبان گفتاری در زمان واقعی کنفرانس هوش مصنوعی است. با این حال، شده است هیچ قبلی AI عیاشی و بیفکری اعلام کرد: "اجازه دهید صنعت مفسران زمان واقعی وجود دارد ما در مورد به صورت تهدید بیکاری، "در مقابل، در نتیجه اشتباهات جدی در ترجمه هستند، و در واقع مفسران در زمان واقعی به کار، رها، به نظر می رسد که این خط همچنین می توانید برنج را برای مدت طولانی غذا خوردن.
در فصل 11 کتاب مقدس، عهد عتیق، پیدایش، پس از سیلاب بزرگ از بین رفت، مردم این دنیا نسل نوح بودند و زبان مشابهی داشتند. در آن زمان، انسان شروع به همکاری و ساختن یک برج بابل کرد. برج های برج. این حرکت به خدا هشدار داد، به طوری که خداوند انسان ها را در جهان شروع به زبان های مختلف کرد و از آنجا که انسان ها قادر به همکاری نیستند، طرح ساخت برج آسمان به شکست افتاد و تفاوت های زبان بزرگترین موانع. شاید در خون برای بازسازی برج بابل وجود داشته باشد. بنابراین ترجمه به یک پروژه کلیدی فرهنگی برای تکامل مداوم بشریت در طول هزار سال گذشته تبدیل شده است.
مانع زبانی برای شکستن آن بسیار آسان نیست. به ویژه، لازم است که مفهوم همان مفهوم را در زبان ها درک کنیم. برای اولین بار در تاریخ بشر، یک سلسله موازی متقابل زبان توسط Rosetta Stone ساخته شده در 196 قبل از میلاد ساخته شده است. زبان های باستانی مصر، یونان باستان و متون محاوره ای محلی برای ضبط مقالات حک شده پادشاه پادشاه بطلمیوس پادشاه باستان مصر استفاده شده است. این یک نقطه عطف در ترجمه است.
نسخه ماشین بر اساس قانون
به گفته وارن ووف، پژوهشگر تئوری اطلاعات، مفهوم ترجمه ماشین را به طور رسمی پیشنهاد کرد. پنج سال بعد، در سال 1954، IBM و دانشگاه جورج تاون در ایالات متحده اولین دستگاه ترجمه در جهان را اعلام کردند. IBM-701 توانست روسیه را به زبان انگلیسی ترجمه کند، به جز اینکه یک بدن بزرگ داشت. در واقع تنها شش دستورالعمل گرامری و 250 کلمه ساخته شده بود. اما حتی این هم یک پیشرفت تکنیکی بود. در آن زمان انسان شروع به احساس کرد که باید بتواند دیوار زبان را سریع شکست دهد.
ممکن بود که خدا چیز دیگری را متوجه شده بود و یک سطل آب سرد را در طرح بازسازی انسانی برج بابل ریخت. در سال 1964، آکادمی علوم آمریکایی کمیته مشورتی کمیته پردازش خودکار زبان (ALPAC) را تاسیس کرد. دو سال بعد در کمیته در گزارش ارائه شده، در نظر گرفته شده است که ترجمه ماشین برای ادامه سرمایه گذاری ارزش ندارد، زیرا این گزارش باعث شد تا ایالات متحده در ده سال آتی تقریبا تمام مطالعات ترجمه دستگاه را متوقف کند.
از زمان تولد نخستین دستگاه ترجمه ی IBM به دهه 1980، جریان اصلی تکنولوژی در آن زمان ترجمه ی ماشین بر اساس قانون بود. شایع ترین روش ترجمه مستقیم کلمات به ترتیب فرهنگ لغت است، اگرچه بعضی از افراد بعدا پیشنهاد دادند قوانین نحوی را برای اصلاح آنها اضافه کنند. اما برای صادق بودن، نتایج بسیار ناخوشایند بود، زیرا به نظر می رسد احمقانه است. بنابراین، تا دهه 1980 چنین شیوه هایی ناپدید شدند.
چرا زبانها قوانین را اعمال می کنند؟ از آنجا که زبان ها بسیار پیچیده و مبهم هستند، از ابهام در لغت به لفاظی ها، تمام قوانین ممنوع است. اما جالب توجه است، بسیاری از نوآوری های اخیر در زبان طبیعی این شرکت هنوز سعی دارد معانی چینی را با قواعد جامع حل کند اما این ایده قطعا به شکست منجر خواهد شد.
من نمونه ای برای نشان دادن این که چرا قوانین غیرقابل اجتناب هستند، نمی آورم. پیچیدگی ترجمه را در دو زبان ذکر نکنید. فقط از منظر چینی، مفهوم تحویل سریع سریع است. چگونه بسیاری از انواع تعالیم را می توان به آن فکر کرد؟ 10 نوع یا 100 نوع؟ با توجه به آمار زیستی طبیعی ما قبلا انجام داده ایم، 3600 نوع از تعالیم در مجموع وجود دارد و این تعداد در طول زمان باید افزایش یابد. جمله ای با چنین مفهومی ساده می تواند باشد برای یک نظام پیچیده قوانین، اگر از ترجمه استفاده می کنید، می ترسم مقدار قوانین یک عدد نجومی شگفت آور باشد. بنابراین، ایده ترجمه ترجمه ماشین بر اساس قانون، دیروز تبدیل به گل زرد می شود.
نسخه ماشین بر اساس نمونه
در حالی که تمام جهان به مرحله پائین ترجمه دستگاه رفته است، کشوری است که وسواس زیادی برای ترجمه ماشین دارد. این ژاپن است. ژاپنی ها مهارت کم زبان انگلیسی دارند و به همین دلیل تقاضای قوی برای ترجمه ماشین را در اختیار دارند.
دانشگاه کیوتو استاد ماکوتو Nagao مبتنی ترجمه ماشینی است برای متوقف کردن ماشین از ابتدا و می خواهید برای ترجمه، تا زمانی که ما به تعداد کافی از جمله نگه دارید، حتی در مواجهه کند دقیقا مطابقت با حکم نیست، ما همچنین می تواند به جملات در مقایسه، ترجمه است که همان زمانی که جایگزینی کلمه می تواند نمی شود. این البته ساده و بی تکلف از ترجمه ماشینی مبتنی بر قواعد نیست که چگونه بسیاری باهوش، آن را ناشی از مشکل نمی شود. اما قبل از اینکه طولانی، انسان امید به بازسازی برج بابل به نظر می رسد به طلوع دوباره ببینید.
بر اساس ترجمه ماشینی آماری
انفجار ماشین آماری ترجمه ماشین هنوز IBM است. در مقاله "Theory of Mathematics of Machine Translation" که در سال 1993 منتشر شد، پنج مدل آماری مبتنی بر کلمه ارائه شد، یعنی "IBM Model 1" به "IBM Model 5".
ایده مدل آماری این است که ترجمه را به عنوان یک مسئله احتمالی در نظر بگیریم.در اصل ضروری است که از ساختار موازی استفاده کنیم و سپس بر مبنای کلمه به کلمه از آمار استفاده کنیم. مثلا اگر ماشین بداند که «دانش» به زبان انگلیسی است، پس از اکثر آمار کورس پیدا خواهد شد. تا زمانی که یک جمله با دانش وجود دارد، کلمه "دانش" در جمله مثال انگلیسی مربوطه ظاهر می شود. به این ترتیب، حتی اگر دستورالعمل های فرهنگ لغت و دستور زبان دستی نباشند، دستگاه می تواند معنی کلمه را درک کند.
این مفهوم است که جدید، از اولین وارن بافت یک مفهوم مشابه ارائه شده، اما وجود ندارد و زمان کافی لاشه موازی بیش از حد ضعیف بود و ماشین حساب ظرفیت محدود است، بنابراین هیچ اجرا شده است. مدرن ترجمه ماشینی آماری از وجود دارد که در آن برای پیدا کردن "سنگ مدرن روزتا" چیست؟ در واقع، مهم ترین منبع سازمان ملل متحد است، چرا که قطعنامه های سازمان ملل و اعلام خواهد نسخه های زبان کشورهای عضو فردی، اما دیگر از آن، شما می خواهید مطمئن لاشه موازی خود را به در حال حاضر هزینه ترجمه انسان به معنای دانستن این هزینه است که به طرز شگفتآور بالا است.
در دهه گذشته، ما با ترجمه گوگل آشنا در ترجمه ماشینی آماری بر اساس به شنیدن این که، هر کس باید روشن مدل آماری ترجمه است دستاوردهای علت بزرگ بابل در تصور همه، ترجمه ماشینی فقط در متوقف درجه "مفید" و نه "مفید".
ترجمه دستگاه شبکه عصبی
به 2014، ترجمه ماشینی فراهم آورد، در تاریخ تغییر انقلابی ترین - "یادگیری عمیق" در اینجا!
شبکه های عصبی است که جدید نیست، در واقع شبکه های عصبی اختراع 80 سال پیش بوده است، اما از آنجایی که در سال 2006 جفری هینتون (اولین مطالعه سه عمق زیادی از خدا) بهبود شبکه عصبی بهینه سازی نقص کشنده است خیلی آهسته، یادگیری عمیق ادامه خواهد داد 2017، بیش از القلم تشخیص صدا انسان؛ همراه با انواع دستاوردهای معجزه آسا اغلب در زندگی ما ظاهر در سال 2015، دستگاه برای اولین بار فراتر از به رسمیت شناختن تصویر انسان ؛. 2016، آلفا برو قهرمان شطرنج جهان ضرب و شتم 2018، دستگاه خواندن انگلیسی برای اولین بار فراتر از درک انسان است. البته، ترجمه ماشینی را در این زمینه بلکه به دلیل عمق و شروع به یادگیری این شکوفایی کود فوق العاده.
Yoshua Bengio مطالعه عمق از سه خدای در مقاله سال 2014، برای اولین بار پایه معماری از عمق از فن آوری های یادگیری برای ماشین ترجمه شد. او است که عمدتا در عود توالی شبکه عصبی (RNN) بر اساس، به طوری که دستگاه به طور خودکار می تواند بین جملات گرفتن ویژگی کلمه، و سپس به طور خودکار به ترجمه به زبان دیگری نوشته شده است. این مقاله یکی، گنج گوگل. خیلی به سرعت، عرضه کافی باروت تحت نعمت خدا را به عنوان بزرگ در گوگل، گوگل رسما در سال 2016 اعلام کرد تمام ترجمه های ماشین آماری از قفسه بود، ترجمه های ماشین شبکه عصبی تبدیل به جریان اصلی مطلق ترجمه دستگاه مدرن شد.
شبکه های عصبی ماشین ترجمه گوگل برجسته ترین ویژگی گنجاندن مکانیزم توجه (توجه) است، ساز و توجه در واقع شبیه سازی ترجمه انسانی، برای اولین بار استفاده خواهد چشم را دوباره و دوباره، و پس از چند کلمه کلیدی انتخاب به اعلام معناشناسی در "بریتانیا - فرانسه" روند (شکل 2) واقعا باید مکانیزم توجه برکت افزایش قدرت پس از گوگل اعلام کرد که، "بریتانیا - در"، "بریتانیا - غرب" از زبان های متعدد، و غیره، میزان خطا با قبل از. سیستم ترجمه آماری دستگاه 60٪ کاهش می یابد.
اگر چه شبکه های عصبی با توجه به مجموعه موازی موجود می توانند یاد بگیرند و درک جمله ویژگی های زبان ظریف، اما کامل نیست، بزرگترین مشکل می آید از لاشه، و آن طول می کشد بسیاری از سیاه و سفید جعبه مانند و به عنوان دشوار به درک که است، حتی اگر هیچ راهی برای اشتباه کردن وجود ندارد، اما فقط برای ارائه صحیح تربیت برای اصلاح "یادگیری عمیق" وجود دارد. بنابراین، همان الگوی حکم می تواند نتایج ترجمه های بسیار متفاوت داشته باشد.
فوریه 2018، مایکروسافت (مایکروسافت) را به زبان ماشین را بلافاصله پس از طرح های جدید فراتر از انسان درک مارس 14، محققان در موسسه ردموند مایکروسافت پژوهش آسیا و اعلام کرد که تحقیق و توسعه خود از سیستم های ترجمه ماشینی مشترک اخبار در آزمون را در ترجمه انگلیسی از مجموعه آزمون Newstest2017، می تواند سطح قابل مقایسه با ترجمه انسانی برسد. به طور طبیعی، این شبکه عصبی یک ترجمه ماشینی از یک پیروزی بزرگ است، البته، تا به بسیاری از نوآوری در معماری، قابل توجه ترین این گنجاندن یادگیری دوگانه (یادگیری دوگانه) و شبکه نظارت (شبکه های شور و مشورت) است.
یادگیری دو برای حل این مشکل از لاشه موازی محدود، به طور کلی، عمق یادگیری باید به پاسخ دستگاه ارائه می شود، به طوری که ماشین به در تفاوت بین ترجمه خود را بر اساس و پاسخ اصلاح پایدار بهبود قادر خواهد بود که برای شبکه بررسی همچنین فرایند ترجمه انسانی تقلید معمولا انسان ترجمه برای اولین بار انجام خواهد داد ترجمه خشن، و سپس تنظیم محتوای دقیق از دوم ترجمه، در واقع، شما ممکن است دریابید که هیچ شبکه های عصبی ماده هوشمند، هنوز هم به پایان خواهد رسید در سطح مرجع از موجودات باهوش ترین، است که در آن بدن برای بشریت ما
زبان را نمی توان از متن استفاده کرد
توسعه ترجمه ماشینی این معنا نیست که آینده حرفه ترجمه خواهد شد بدون غذا برای خوردن دارم. لازم به ذکر است که ارائه مایکروسافت با تاکید بر "مجموعه آزمون گزارش جهانی Newstest2017 اخبار" از "انگلیسی ترجمه مجموعه آزمون،" مجموعه داده عملکرد خوب و تطبیق پذیری است قادر به قرعه کشی در از علامت مساوی، که ممکن است توضیح دهد که چرا Tencent به ژوئن به وضوح معمول ترجمه خوب بود، اما چرا عملکرد نادرست در Boao تفسیر در زمان واقعی است.
زمان واقعی تفسیر ترجمه می توان گفت نقطه اوج کار این است، ما باید درک صحیح از دادرسی حکم اصلی، بلکه تبدیل برای مدت زمان محدود برای زبان های دیگر است. و آیا سخنرانان را فراموش نکنید خواهد هر زمان برای ترجمه، تشخیص صدا و بنابراین برابر صبر نمی دهد ترجمه ماشینی باید هماهنگ شود، به علاوه در محل سر و صدا، عبارت بلندگو، تن از اصوات کلمه و عوامل مداخله گر، به احتمال زیاد منجر به سقط جنین و عدالت از ماشین است.
به نظر من، ژوئن ترجمه Tencent به، می توان از نقاط متهم ممکن است فقط کار سخت به اندازه کافی نیست، ما اسم مناسب ورود کلیدی، که خواهد شد "یک بزرگراه و کمربند" اتفاق می افتد قرار داده است "اشتباه کلاسیک است."
همچنین می توانید از شکل 3 دیده می شود تفاوت جالب توجه، چرا غرب ترجمه ماشینی به طرز کاملا آشکاری اشتباه، ترجمه ماشینی بود، اما این کشور است که تقریبا قادر به استاد قصد آن است زیرا زبان انسان نمی تواند طلاق حالات استفاده وجود داشته باشد که ما اغلب یادگیری زبان تاکید بر بافت (بافت)، که از فرهنگ گذشته ما می آید، وجود دارد خاطرات گذشته مطرح شده است. تنگ بود گوگل به طور طبیعی به عنوان خوانده شده نمی تواند ماهیت این شعر را درک کند. موانع زبان خواهد بود آخرین دوره از هوش مصنوعی انسان است، چرا به دلیل استفاده از زبان ها، زبان ها به طور مداوم تغییر می کنند. این یک جایگزین بسیار سخت برای ماشین ها است.
با پیشرفت فن آوری، یک روز، ترجمه و ماشین آلات از "تخریب" را به "مفید" و سپس به "آسان است." تکامل یافته اما به عنوان استدلال من همیشه این بوده است، دستگاه از کار بشر به سرقت نمی شود، اجازه می دهد تغییر خواهد کرد در واقع، انسان بیکار تنها خود ما. چگونه به استفاده مناسب از هوش مصنوعی برای تبدیل شدن به ابزار خود را، خود را خروج از خستگی خسته کننده از کار، این وضعیت صحیح به چهره آینده است. الکترونیکی جدید
3.AI، جنگ عظیم داده های بزرگ و حفظ حریم خصوصی شخصی فقط تازه آغاز شده است؛
موضوع داغ اخیر، هیچ یک دیگر از داده های غیر بزرگ، از جمله تعدادی از نمایشگاه 2018 چین با شور و نشاط سازمان یافته است، باید گفت، مهم ترین چیز این است که جمع آوری داده ها از داده های بزرگ، اما اتحادیه اروپا حفاظت از داده ها مقررات عمومی (GDPR)، کانزاس اعلام کرده است ادعا می شود که سخت ترین قانون حفاظت از اطلاعات شخصی است، همچنین باعث اختلاف بر روی توسعه داده های بزرگ و داده های شخصی شد.
دلیل اینکه داده های بزرگ می توانند داده های موثر تبدیل شوند، جمع آوری و تجزیه و تحلیل داده ها هستند و داده های بیشتر، اطلاعات مربوطه را می توان مورد تجزیه و تحلیل قرار داد و داده های مفید تبدیل شود.
اما منبع داده، اما بر لب همه، در ناسیونالیسم به نظر می رسد، که مجبور به قربانی منافع شخصی خود را به اجازه کشورها وجود دارد به انجام سیاست را که در چین آشکار، توسعه چین به داده نسبتا به سرعت، دولت بسیاری از سیاست برنامه ریزی، و حتی به اصطلاح کاهش فقر، فقر و غیره، می خواهم با داده های بزرگ، همه مشکلات یک مشکل نیست، اما بسیاری از داده های بزرگ، در واقع، احزاب به قربانی حقوق اطلاعات شخصی، که بر حریم خصوصی شخصی از کشور است، آن است که چیزهای غیر ممکن
جهت توسعه کسب و کار تایوان بر روی داده های بزرگ صنعتی متمرکز شده است. سریعترین رشد، Hon Hai است که دارای 40 سال تولید داده است. این بزرگترین مزیت Hon Hai است و همچنین جایی است که تایوان فرصت توسعه داده های بزرگ را دارد.
اما اگر شما می خواهید برای توسعه تایوان به عنوان سرزمین اصلی چین به عنوان داده های بزرگ، و مربوط به حوزه حریم خصوصی مردم، در واقع، در بسیاری از مسائل تکرار شونده وجود دارد، و غیره فقط یک رکورد، به احتمال زیاد به تجاوز به حریم خصوصی منجر شود، نه به ذکر است در مورد با توجه به داده های بزرگ که به طور مستقیم مربوط به حفظ حریم شخصی است، آیا اطلاعات بزرگ موفق خواهد شد یا نه، من می ترسم که ما باید به حمایت از منافع عمومی و تعادل حفظ حریم شخصی خصوصی ادامه دهیم.
استنتاج های 4.AI به گره های لبه برنامه های ویدئویی / صوتی هر نیمه آسمان را تشکیل می دهند؛
2018 AIoT (AI + اینترنت اشیا) بازار در حال رشد است هشدار دهنده، درایو توسعه انواع دستگاه های، بلکه برای ارتقای عملکرد یادگیری عمیق به اجرا در لبه تبدیل به ابر برای رسیدن به زمان تاخیر کم، پهنای باند کم، حفظ حریم خصوصی بالا و راندمان بالا از هوش مصنوعی تجربه برنامه
با هوش مصنوعی (AI)، به اجرا در تکنولوژی لبه (محاسبه لبه) در سال های اخیر، توسعه سریع از انواع لوازم الکترونیکی مصرفی و لوازم خانگی مفهوم خانه های هوشمند گنجانده شده است تغییرات انقلابی خواهد شد به تدریج. در پایان، مختلف شبکه هوش مصنوعی متشکل از لوازم خانگی، احتمالا به شما خواهد شد و من نمی توانم به سایر اعضای خانواده را ببینید. مفهوم ابر محلی و تجهیزات مرتبط، خواهد بود شبکه های هوش مصنوعی برای خانه ضروری است.
سخنران هوشمند / نظارت تبدیل خواهد شد به دو اسپیندل اصلی AI مصرف کننده
شرکت پژوهش و تخمک مسئول ردیابی توسعه محقق تکنولوژی مصرف کننده رونان د Renesse (شکل 1) که کاربرد هوش مصنوعی در زمینه لوازم الکترونیکی مصرفی، نزدیک به دو سال اغلب مورد توجه رسانه ها تبدیل، اما لوازم الکترونیکی مصرفی و AI همراه با روند، در حال حاضر تنها فقط شروع به توسعه در سه تا پنج سال آینده، بسیاری از محصولات الکترونیکی مصرفی خواهد شد با توابع AI مجهز، خواهد شد و به یکدیگر مرتبط است، یک خانواده از هوش مصنوعی در شبکه است.
شکل 1 تخمک محقق تکنولوژی مصرف کننده رونان د Renesse معتقد است که در آینده از خانواده در انواع دستگاه های الکترونیکی، تبدیل به یک عضو جدید از خانواده نامرئی.
برای زنجیره سخت افزار، اگر چه این روند خواهد شد بسیاری از فرصت های کسب و کار جدید را، اما اگر از نقطه نظر سطح بالاتری از این دیدگاه، این بی سر و صدا در خانه وارد شبکه هوش مصنوعی، به شما خواهد شد من دیگر "خانواده نمی بینم اعضا. "
در سمت سخت افزار، سخنرانان هوشمند آشنا، اساسا یک محصول نسبتا بالغ است، اگر چه وجود خواهد داشت رشد قابل توجهی در فروش است، اما قدرت رو به رشد به تدریج متوقف خواهد شد در طول پنج سال آینده است. در هنگام برآورد 2022 سخنران هوشمند جهانی میزان فروش به حدود 9.5 میلیارد $. در واقع، Renesse معتقد است که آمازون (آمازون) با Google احتمالا نام تجاری خود را از سخنرانان هوشمند در آینده راه اندازی نیست، چرا که محصول خود را به گونه ای است حاشیه سود نیست، این دو برای غول شبکه خانگی، تا زمانی که فروشنده های سخت افزاری از سرویس های پلتفرم خود استفاده کنند، می توانند داده های کاربر را که نیاز دارند جمع آوری کنند.
در همان دوران، تغییرات در صفحه اصلی سیستم های نظارت هوشمند محصولات چنین خواهد بود واضح تر از سخنرانان هوشمند ارائه به اصطلاح محصولات نظارت بر خانه های هوشمند، در واقع، نه جزء هوش مصنوعی، اما دوربین، آلارم، قفل، سنسورها و سخت افزار های دیگر کالا متصل به یکدیگر به شکل یک سیستم پشتیبانی رویداد باعث امنیت (رویداد ماشه) تابع. بلکه مربوط به سخت افزار و نرم افزار و فناوری تبدیل شده است پیچیده تر، نسبت دوربین های مدار بسته خانه آینده مجهز به هوش مصنوعی به طور فزاینده بالا، بلکه برای دستیابی به بیشتر برنامه های کاربردی مانند صدا و دستیار با برنامه های کاربردی در محیط های چند کاربر، با دقت بیشتری به کاربران متعدد ارائه خدمات متفاوت است.
اولین برنامه مصرف کننده AI از سیاست حفظ حریم خصوصی سنگین
با این حال، صنعت سخت افزار، قابل توجه ترین ممکن است ابر محلی (ابر محلی) مفهوم و کاربرد محصولات مرتبط، همراه با دستگاه های خانگی عموما پشتیبانی AI و دوباره اجاره. Renesse اشاره کرد، مجهز به توابع AI از محصولات الکترونیکی خواهد بود تولید مقادیر زیادی از داده های کاربر، اما هستند بسیاری از حفظ حریم خصوصی داده در خطر است. بنابراین، اگر با هوش مصنوعی از خانه محصولات الکترونیکی مجهز طور کامل وابسته به ابر خارجی به منظور به کار، بدیهی است باعث می شود نگرانی های حریم خصوصی وجود دارد.
از سوی دیگر، بسیاری از دستگاه های IoT مصرف کننده با عملکرد نسبتا ساده توسط قدرت، قدرت محاسبات و هزینه های تولید محدود می شوند. آنها ممکن است قادر به پشتیبانی از الگوریتم های AI بسیار بالایی باشند. در حال حاضر دستگاه های ابر محلی می توانند نقش مغز را بازی کنند. به طور مرتب این دستگاه ها را سفارش دهید.
با این حال، Renesse همچنین پذیرفته است که هنوز مشخص نیست که کدام دستگاه یک مرکز ابر محلی را پخش خواهد کرد. ممکن است بلندگوهای هوشمند بالاتر باشد، ممکن است تلویزیون هوشمند یا سایر محصولات باشد.
بازوی ارشد مدیر بازاریابی یان اسمیت (شکل 2) همچنین معتقد است که بیشتر و بیشتر می شود بر این باورند که در آینده از محاسبات و استنتاج (استنتاج) موتور به حرکت ترمینال. این به انتقال عمده نیروی محرکه منجر شد، آن است که برای محافظت از حریم خصوصی کاربر . با پردازش پایان و کار تجزیه و تحلیل، داده به راحتی می توانید ناشناس باشد، و به اطمینان حاصل شود که اطلاعات حساس خواهد شد از طریق شبکه اعلام نشده است. نرم افزار خانواده، به عنوان مثال، مصرف کنندگان نمی خواهید کسی از شبکه به دست که خانواده اش نمی زمان مردم، و پس از آن به راحتی به سرقت در خانه.
یان اسمیت 2 بازو، مدیر ارشد بازار نمودار بازاریابی، گفت برنامه های کاربردی AI برای مکانیزم حفاظت از حریم خصوصی مصرف کننده قابل اعتماد، کلید خواهد بود که آیا محبوبیت این نرم افزار است.
برای برنامه های کاربردی بینایی، اسمیت معتقد است که قابلیت های دوربین پشتیبانی از تشخیص بصری به نظر برخی از مسائل حریم خصوصی مهم در طبیعت است. بدیهی است، این دستگاه باید طوری طراحی شود که بدون توجه به واحد ذخیره شده است و یا انتقال به ابر، می توانید محافظت حفظ حریم خصوصی و اطلاعات حساس است. از آنجا که انتقال است که معمولا به صورت بی سیم متصل شود، شما باید توجه دقیق به امنیت انتقال بی سیم پرداخت. به مهندسان در طراحی این دستگاه باید اطمینان حاصل شود که اتصال دستگاه به شبکه خواهد هک نمی شود، تماشای.
عمر باتری چالش اصلی فنی باقی مانده است
با این حال، به آستانه گره AI، بزرگترین چالش فنی است که هنوز هم مصرف برق سیستم به مصرف کننده دوربین های مدار بسته، برای مثال، مصرف کنندگان ممکن است انتظار این محصولات کاملا بی سیم هستند، بهتر است به حتی خطوط برق نمی باشد این به این معنی است که این محصولات باید باتری و همچنین از شبکه های بی سیم پشتیبانی کنند. علاوه بر این، باید تمام موارد را شناسایی کرده و به فضای ذخیره سازی نامحدود نیاز داشته باشد.
بالای تقاضای زیادی از چالش برای طراحی سیستم، آن را می توانید چند ماه نیاز برای اجرای ظرفیت باتری شارژ شده به طور مداوم از یادگیری (ML) و ماشین آلات، و توانایی ادامه داد: برای آپلود فایل به ذخیره سازی ابر این موارد شدید از طراحی و سیستم اجزای تراشه الزامات کاملا مستحکم هستند و مهمتر از همه، زمانی که برای تثبیت این توابع برای افزایش طول عمر باتری تسلط پیدا کرد.
با دوربین نظارت خانه، یک دوربین فیلمبرداری 24 ساعت انتقال اتاق خالی لازم نیست، فقط آپلود تصویر از بخش تنها معقول و منطقی است که وجود دارد هویت تایید نشده از مردم وجود دارد. به طور مشابه، در مورد مانند در دسترس بودن از همین صحنه فعال الگوریتم ML معنی ندارد. ترتیبات مراقب باشید که، هنگامی که به فعال کردن این ویژگی، به منظور ایجاد دستگاه های مصرف کننده انتظار می رود در نحوه عمل، تنها دو باتری AA، می توانید استفاده از نرمال بلند مدت است.
بلکه به دلیل مصرف برق یکی از موانع اصلی AI مستقر در دستگاه ترمینال است، بسیاری از راه اندازی خانه فرصت برای راه اندازی کم قدرت شبکه های عصبی (NN) شتاب دهنده سیلیکون مالکیت معنوی (IP) در بازار، به منظور کمک به تراشه خال خال وجود دارد توسعه دهندگان در حالی که کاهش مصرف برق، بلکه برای دیدار با عملکرد مورد نیاز استنتاج مقاومت الگوریتم هوشمندانه (Kneron) به طور رسمی پردازنده شبکه عصبی (NPU) سری خود را منتشر کرد، یک پردازنده اختصاصی برای هوش مصنوعی طراحی دستگاه ترمینال است IP. خانواده متشکل از سه محصول، یعنی نسخه فوق العاده کم قدرت حزب دمکرات کردستان 300، نسخه استاندارد دمکرات کردستان 500، و همچنین به عنوان نسخه با عملکرد بالا از حزب دموکرات کردستان 700، برای دیدار با تلفن های هوشمند، استفاده از خانه های هوشمند، امنیت هوشمند، و همچنین انواع دستگاه های چیز طیف وسیعی از محصولات با مصرف توان کم، ویژگی های اندازه کوچک، و یک قابلیت محاسبات قدرتمند فراهم می کند. بر خلاف AI قدرت پردازنده موجود در بازار برای ده ها وات کردن، مصرف برق Kneron NPU IP 100 میلی وات است (MW) کلاس، برای KDP 300 اختصاص یافته به تشخیص چهره برای گوشی های هوشمند، مصرف کمتر از 5 میلیوات.
نرم افزار می تواند مقاوم در برابر تقدیر مدیر بازاریابی محصول Shiya LUN (شکل 3 سمت چپ) اشاره می کند، بر روی دستگاه ترمینال عملیات هوش مصنوعی انجام شود، در حالی که نشست تقاضا برای قدرت و عملکرد در نظر گرفتن اصل است. بنابراین، مقدمه ای از راه حل بهینه سازی شده برای برنامه های کاربردی فردی، حیاتی است .. برنامه فعلی از هوش مصنوعی می توان بطور گسترده به دو دسته عمده از صدای با استفاده از فیلم، معماری شبکه های عصبی آنها با استفاده از برنامه های مختلف صدا تاکید در تجزیه و تحلیل زبان طبیعی تقسیم شده است، معماری شبکه جریان اصلی شبکه های عصبی راجعه (RNN) است. شبکه تجزیه و تحلیل تصویر ساختار جریان اصلی استفاده شده است شبکه های عصبی کانولوشن (سی ان ان). بهینه سازی شده برای ساختار شبکه مختلف، راه حل می تواند مقاومت را فراهم می کنند یکسان نیست.
شن مینگ فنگ (شکل 3 سمت راست) خرس می توانید تکمیل بدهید طراحی نرم افزار، اگر چه کاهش تقاضا برای زبان طبیعی تراشه تجزیه و تحلیل عملکرد محاسبات، اما به دلیل لحن زبان، عادات گفتار اختلاف بزرگ، و در نتیجه لازم است که آموزش مدل مجموعه داده تشخیص تصویر بیش از بزرگ است. از سوی دیگر، به عنوان مصرف کنندگان در حال حاضر به استفاده از ابر مبتنی بر دستیار صوتی اپل (اپل) سیری، گوگل دستیار، و غیره بنابراین، خارج از خط استفاده از تجزیه و تحلیل معنایی به مصرف کنندگان عادت کرده اند، پیش نیاز است که مصرف کننده باید تجربه مشابه با منابع محاسباتی محدود. این منبع تراشه با توسعه دهندگان سیستم، چالش کوچک نیست.
3 خرس می توانید درخواست بازاریابی و مدیر تولید Shiya LUN (سمت چپ) معتقد است که صدای با تشخیص تصویر در طبیعت بسیار متفاوت هستند، نیاز به تکیه بر راه حل های مختلف برای دیدار با. شن مینگ فنگ است نرم افزار مناسب می تواند بدهید طراحی مقاوم در برابر.
در واقع، اکثریت قریب به اتفاق از سخنرانان هوشمند، به عنوان محصولات محاسبات لبه در نظر گرفته نشده است. Shiya از Lun اشاره کرد که، صرف نظر از آمازون (آمازون) از اکو، Homepod اپل و یا سخنران هوشمند پلت فرم بایدو، Alibaba است، یا می خواهید به داده به ابر برای پردازش با تجزیه معنایی، به منظور پاسخ به کاربر. عملیات صدا را می توان به طور مستقیم در محصول نهایی انجام، حالت اساسا بسیاری از قوانین به تصویب رسید (بر پایه قوانین)، و نه بر اساس درک معنایی طبیعی از یادگیری ماشین.
از آنجا که 2016 خرس می توانید اولین ترمینال دستگاه خاص پردازنده AI NPU IP این شرکت راه اندازی، به منظور بهبود طراحی و مشخصات آن همچنان ادامه دارد و بهینه سازی شده برای کاربردهای مختلف صنعتی در حال حاضر در دسترس مشتریان در آغاز IP، حزب دموکرات کردستان 500 مشتری گیاه با استفاده از سیستم بوده است و خواهد در تولید انبوه در تولید سه ماهه دوم باشد (ماسک نوار کردن). تشخیص گفتار با سگ جستجو همکاری به دست آمده از تجزیه آنلاین معنایی، بنابراین حتی اگر دستگاه پایانه به شبکه متصل نیست، بلکه می توانید دستورالعمل های صوتی کاربر را درک کنید.
Kneron NPU IP است پردازنده هوش مصنوعی برای دستگاه ترمینال اختصاصی طراحی شده است به طوری که دستگاه ترمینال در یک محیط آنلاین، شما می توانید RESNET اجرا، YOLO دیگر شبکه یادگیری عمیق. Kneron NPU کامل راه حل های سخت افزار پایان-AI است، از جمله سخت افزار IP، کامپایلر (کامپایلر)، و مدل های فشرده سازی (فشرده سازی مدل) سه بخش، می توانید انواع مدل های جریان اصلی شبکه عصبی، مانند RESNET-18، RESNET-34، Vgg16، GoogleNet و Lenet، و همچنین پشتیبانی جریان اصلی یادگیری عمیق پشتیبانی فریم ها، از جمله کافه، Keras و TensorFlow.
مصرف برق Kneron NPU IP 100 سطح میلی وات، مدل فوق العاده کم قدرت از حزب دموکرات کردستان 300 و یا حتی کمتر از 5 میلی وات، طیف کاملی از محصولات در عملکرد در هر وات 1.5 تاپس / W یا بیشتر، استفاده از تعدادی از تکنولوژی منحصر به فرد، آن می تواند باشد با نیازهای فروشندگان تراشه، فروشندگان سیستم برای مصرف کم برق، قدرت محاسباتی بالا، آشنا شوید.
عناصر اساسی قفل کردن شتاب دهنده های سخت افزاری ترس از تکرار فنی نیستند
پخت (متصل) مدار را به بهبود بهره وری از وظایف محاسباتی خاص، کاهش مصرف برق، طراحی تراشه برای سنین، اما در هزینه از انعطاف پذیری نرم افزار پایین تر، تغییر قابل توجهی را در صورت تقاضای بازار برای توابع تراشه ، یا الگوریتم نرم افزاری به شدت تغییر می کند، طراحان تراشه باید دوباره تراشه های جدید را توسعه دهند.
در مورد تقاضا برای عملکرد تراشه شده است اساسا حل و فصل، و این طرح را یک مشکل نیست، اما در فن آوری های نوظهور از تکنیک های تکرار شونده سریع، این روش طراحی، وجود خواهد داشت یک خطر نسبتا بزرگ در کسب و کار هوش مصنوعی تکرار ماهر بسیار سریع، تقریبا در هر سال یک الگوریتم جدید با مدل های موجود شرکت تحقیقاتی گسترش AI. همچنین اشاره کرد که در طول شش سال گذشته، مدل آموزش هوش مصنوعی برای محاسبه قدرت تقاضا هر 3.43 یک ماه افزایش دهد بارها
در این راستا، شن مینگ فنگ اشاره کرد، لزوما یک شتاب دهنده سخت افزار هیچ الاستیک است. مقاوم در برابر محصولات انرژی، برای مثال، در طراحی معماری، این شرکت با استفاده از تقسیم هسته پیچیدگی (تجزیه فیلتر) فن آوری، کانولوشن بزرگ پیچیدگی هسته محاسبه کثرت از بلوک های کوچک را به یک بلوک محاسبه پیچیدگی تقسیم به طور جداگانه، سپس ترکیب سخت افزار پیکر بندی مجدد پیچیدگی شتاب (پیچیدگی پیکر بندی مجدد شتاب) روش، کانولوشن نتیجه بهره برداری از عملیات کثرت از بلوک های کوچک ذوب شده برای سرعت بخشیدن به کلی کارآیی عملیاتی
تمثیل آسان تر به درک، مانند آجر لگو را می توان به انواع الگوهای ترکیب برای ساخت یک شی، اما خود شیء است که هنوز هم یک کل پشته از یک جعبه چند پایه. برنامه انرژی مقاومت برای الگوریتم های هوش مصنوعی ضروری است شتاب عناصر اساسی، به موجب آن بهبود عملکرد الگوریتم، و بنابراین، حتی اگر به روز رسانی سریع الگوریتم هوش مصنوعی، مقاومت در برابر راه حل می تواند هنوز هم مفید برای سرعت بخشیدن به اثر باشد.
علاوه بر شتاب دهنده به خودی خود برای عناصر اساسی طراحی شده، به جای یک الگوریتم خاص برای سرعت بخشیدن به مقاومت کلی خارجی، همچنین می توانید روش شتاب و برنامه های کاربردی هوش مصنوعی ارائه و یا مستقر شده، از جمله مدل فشرده سازی مدل آن (مدل فشرده سازی) فن آوری فشرده سازی قرار بهینه سازی نشده تعداد دفعاتی؛ سلسله مراتبی تکنولوژی ذخیره سازی حافظه (چند سطح ذخیره سازی) می توانید بار CPU را کاهش دهد و کاهش میزان انتقال داده ها، به بهبود بهره وری کلی عملیاتی علاوه بر این، Kneron NPU IP می تواند در ترکیب Kneron نرم افزار تشخیص تصویر، تجزیه و تحلیل شناسایی زمان واقعی، و سریع را فراهم می کند. در پاسخ، نه تنها با ثبات تر است، اما همچنین برای پاسخگویی به نیازهای امنیتی از حریم خصوصی با توجه به سخت افزار و نرم افزار می توان شدیدا یکپارچه، به طوری که برنامه کلی کوچکتر، مصرف انرژی کمتر، برای کمک به توسعه سریع محصول.
تشخیص تصویر AI فوری تر از لبه است
به طور کلی، تقاضا در بازار در حال حاضر برای تشخیص تصویر فوری تر، تجزیه و تحلیل معنایی آنلاین است، اگر چه سخنران هوشمند این بزرگ کاربردهای بالقوه بازار، اما این شرط اما منابع صنعت کمتر وجود دارد. دلیل اصلی برای این پدیده این است که تصویر انتقال مقدار بزرگی از پهنای باند را اشغال می کند که به نوبه خود باعث افزایش هزینه کل مالکیت سیستم می شود. صدای این مشکل را ندارد.
آند فناوری مدیر کل لین ژمینگ (شکل 4) شرح داده شده در هوش مصنوعی و فرآیند چیز الزام آور، خواهد فن آوری محاسبات تقاضا معرفی تکنولوژی لبه محاسبات لبه رانندگی خواهد شد به انواع برنامه های کاربردی در حال ظهور استفاده می شود، در در میان این روند، قابل انعطاف، سریع بزرگترین مزیت تولید کنندگان تایوانی است. برای اکثر تولید کنندگان تایوانی و شرکت های طراحی IC، در پایان از لبه برش بازار هوش مصنوعی نسبتا آسان است.
شکل 4: ژیکسین لین، مدیر کل فناوری Jingxin برآورد می کند که IP Cam یکی از برنامه های اصلی برای انجام استدلال AI در دستگاه های لبه خواهد بود.
در عین حال، با توجه به معرفی تکنولوژی محاسبات لبه، نیازهای سخت افزاری مانند حافظه و انتقال نیز افزایش می یابد که به شدت افزایش هزینه های تولید را افزایش می دهد. از آنجا که پردازش تصویر (SoC) در ابتدا پیچیده تر از سایر برنامه ها است، تحمل هزینه نیز بزرگ است، بنابراین انتظار می رود که فناوری محاسبات لبه اولین مورد توسط برنامه های مربوط به تصویر مانند IP Cam باشد.
برنامه های هوش مصنوعی را می توان به آموزش و شناسایی تقسیم کرد. در فرآیند محاسبات گسترده ای از آموزش های عمیق، محاسبات ابری هنوز در یک زمان کوتاه انجام می شود. وظیفه محاسبات لبه مسئولیت آن است که ابتدا اطلاعات جمع آوری شده را انجام دهد. پردازش اولیه، پس از فیلتر کردن اطلاعات بی اهمیت، داده ها را به ابر برای ذخیره هزینه انتقال می فرستد. از سوی دیگر، یادگیری عمیق که توسط ابر انجام می شود، می تواند عملکرد شناسایی ترمینال را هوشمندتر کند. به عنوان مثال، کار یادگیری عمیق تصویر را می توان اولین محاسبات ابری را تکمیل کرد. پس از یادگیرنده آماده به کار عریضه را شناسایی می کند، IP Cam در لبه می تواند تنها کار شناسایی را انجام دهد.
از سوی دیگر، به دلیل اینکه IP Cam به طور گسترده ای در نگهداری امنیتی و امنیت جامعه مورد استفاده قرار می گیرد، دولت و شرکت ها نسبتا مایل به حمایت از سرمایه گذاری هستند، که همچنین به دلیل توسعه سریع IP Cam خواهد بود.
سهم لین ژمینگ، بسیاری از تولید کنندگان کورمال چگونه به واردات تراشه هوش مصنوعی را به سیستم خود را دارند. وضعیت فعلی شبیه به زمانی که همه چیز فقط شروع به رشد، ما هنوز در حال بررسی چگونگی به کار بردن بریدگی ها، برآورد در حدود 2020 تولید کنندگان است محصولات واقعی را راه اندازی خواهد کرد.
برنامه های کاربردی در زمان واقعی باید از معماری محاسبات لبه استفاده کنند
هوش مصنوعی به یک موضوع داغ در حال حاضر، که به تدریج از معماری محاسبات ابری به معماری محاسبات لبه منتقل شده است، هیچ اثر کوچک در تولید کنندگان زنجیره تامین کند. با وجود دوره کوتاه از زمان همچنان به توسعه مبتنی بر هوش مصنوعی محاسبات ابری، با این حال، بسیاری از توابع هوش مصنوعی در مورد برنامه های دید، واردات لبه ها را آغاز می کنند.
XILINX مدیر توسعه (XILINX) هوش بصری استراتژی بازار دیل K. هیت (شکل 5) اشاره کرد که در آینده قابل پیش بینی، AI اجزای آموزش توسعه ممکن است هنوز هم توسط محاسبات ابری بود. با این حال، استنتاج / استقرار اجزای آغاز کرده است از برنامه های لبه برای پشتیبانی از برنامه های کاربردی که به تأخیر کم و بهره وری شبکه نیاز دارند استفاده کنید.
5 تراشه Xilinx مدیر توسعه، تصویری استراتژی بازار هوش دیل K. هیت فکر می کنم، برای کاربردهایی که نیاز زمان تاخیر بسیار پایین، لبه عمل خواهد بود که بهترین راه حل.
برای لبه عنصر عملوند برای برنامه های بینایی ماشین مربوط به یادگیری، خواهد شد یکی از روند های مهم و وسیع است. و، در چشم انداز و ماشین آلات صنعتی، شهرستانها هوشمند، تجزیه و تحلیل بصری و بازار خود درایو دارای قوی پتانسیل رشد. از نظر چشم انداز و مصرف کننده صنعتی برنامه های کاربردی، با توجه به الگوریتم های یادگیری ماشین لبه حساب به اعدام می شود، بنابراین برای عملکرد مورد نیاز است نیز بالاتر از نسل های قبلی بسیاری از برنامه های. علاوه بر این، یادگیری ماشین لبه الگوریتم / تابع نیز به سرعت در حال است در حال تحول است، و بنابراین تمام جنبه های زندگی نیاز به سخت افزار خود سازگار برای بهینه سازی برای معماری های نتیجه گیری یادگیری ماشین آینده.
هیت خود رانندگی، برای مثال، هر ماشین دارای الگوریتم های پیچیده در پشت پشتیبانی از سنسور، مسئول تفسیر نتایج حاصل از خروجی از داده های حسگر ادراک است. آخرین روند است برای استفاده از الگوریتم یادگیری عمیق به خروجی این برداشت تفسیر نتایج، با این حال، الگوریتم یادگیری عمق باید از طریق تعداد زیادی از سناریو بالقوه آموزش دیده را به یاد بگیرند که چگونه به تفسیر همه اطلاعات حسگر است که ممکن است بوجود می آیند.
پس از آموزش، الگوریتم های یادگیری عمیق نیاز به عملکرد محاسبات بالا با فوق العاده کم پوشیدگی، به منظور کنترل وسیله نقلیه با خیال راحت. برای وسایل نقلیه الکتریکی، شما باید کم قدرت برای مقابله با محدودیت درجه حرارت و گسترش باتری کسب و کار نیمه هادی قدرت استفاده هدف این است که به ارائه عملکرد بالا، مصرف برق کم، با توانایی برای انطباق راه حل برای پاسخگویی به نیازهای خود رانندگی اجرا لبه AI.
در این روند به اجرا در لبه توسعه، بزرگترین چالش نیازهای در حال تغییر بازار بیش از حد سریع است، آن را می توانید برای انواع انطباق سریع تکنولوژی تغییر به منظور اجازه شرکت به رقابت باقی بماند بسیار مهم است.
هیت بیشتر نشان عمق الگوریتم های یادگیری در یک سرعت سریع پیشرفت پایدار، بسیاری از راه حل های پیشرو در 2017 تا کنون مواجه مرگ مشابه است. حتی اگر بسیاری از دیگران در حال حاضر ظرفیت بالاتر، همراه با افزایش محاسبات تقاضا، سخت افزار هنوز هم سخت افزار بهینه سازی باید با سرعت بیشتری به منظور جلوگیری از حذف، حتی در برخی از تولید سخت افزار در مواجهه با نیاز به به روز به روز می شود. بسیاری از گزینه های باید به خاطر به روز رسانی تراشه های اصلی.
مکمل هیت، FPGA مزایای منحصر به فرد است که شامل محاسبات، معماری حافظه، و لینک به دیگر جنبه های عمق سخت افزار می تواند بهینه سازی شده و CPU و GPU در مقایسه با بهینه سازی شده برای دستیابی به عملکرد بالاتر در مصرف انرژی کمتر، در حالی که دو سابق معماری سخت افزاری را نمی توان به سرعت برای الزامات جدید مشتق شده بهینه سازی کرد.
عملیات Edge غلبه دارد
برنامه های کاربردی AI در عملیات مرکز داده های ابر تکیه می کنند، اگر چه پشتیبانی قدرت محاسباتی بسیار بالا وجود دارد، آن است که به طور کلی بالاتر از لبه صحت دستگاه شناسایی مطابق با مدل ساده شده از استدلال، اما پس از در نظر گرفتن نگرانی های حریم خصوصی حساب، آنلاین پاسخ زمان واقعی و هزینه ها و عوامل دیگر استنتاج مستقیم بر لبه دستگاه است، هنوز هم گزینه بسیار جذاب است. از سوی دیگر، یک ابر داده ها اندازه بازار مرکز بزرگ از دستگاه ترمینال، یک انگیزه اقتصادی قوی وجود دارد. این در سال گذشته AIoT شعار شوک است قیمت به شدت بالا است و شرکت های نیمه هادی عمده فعالانه به کار خود ادامه می دهند.
با نگاهی به آینده، برنامه های کاربردی AI است که توسط ابر پشتیبانی هنوز هم در بازار وجود دارد، اما نسبت موظف است به منظور کاهش سال به سال، از آن خواهد شد توسط یک ابر هیبرید معماری و لبه محاسباتی جدید جایگزین شده است. برنامه های کاربردی از توسعه دهندگان هوش مصنوعی، ابر را نمی توان جایگزین ارزش نهفته در آموزش مدل، نه استنتاج است. همچنین به همین دلیل، آیا ارائه دهنده راه حل می تواند ادغام بدون درز بین "ابر" و "پایان" را برای توسعه دهندگان نرم افزار توسعه دهنده نرم افزار باشد. مهمترین نکته در ارزیابی تامین کنندگان الکترونیک جدید
5.MIT فارغ التحصیلان دیپلم blockchain در این ماه دریافت خواهید کرد
فناوری سینا اخبار چین روز 3 ژوئن بعد از ظهر، تکنولوژی بلوچین اجازه می دهد تا فارغ التحصیلان MIT به صورت دیجیتالی ریاضیات خود را مدیریت کنند.
کمبریج، ماساچوست شرکت نرم افزار ماشین آلات و آزمایشگاه رسانه ای MIT آموزش و همکاری دفتر ثبت نام، دانش آموزان می توانند انتخاب کنید برای دانلود کیف پول های زنجیره ای بلوک، ذخیره سازی امن و به اشتراک گذاری دیپلم خود را.
طبق گفته MIT Technology Review، پس از موفقیت اولیه پروژه خلبان، MIT تصمیم گرفت که خدمات کیفی Blockchain را برای همه فارغ التحصیلان جدید در ماه جاری آغاز کند.
فیلیپ اسمیت، مدیر نوآوری یادگیری در آزمایشگاه رسانه، گفت: "من اعتقاد ندارم که مقامات مرکزی می توانند سوابق یادگیری هر یک از طرفین را به صورت دیجیتالی کنترل کنند."
هدف از معرفی در قالب یک زنجیره ای بلوک دیپلم است که دانش آموزان را قادر می سازد تا قادر به دسترسی به موقع و قابل اعتماد به مدارک دانشگاهی خود، از جمله، کارفرمایان بالقوه نمی خواهد که به آنها پاسخ به اعلام دیپلم خود را به حقیقت است.
فارغ التحصیلان جدید که می خواهند دیپلم دیجیتال فقط یک برنامه را دانلود کنند.
"قبل از فارغ التحصیلی، MIT یک ایمیل دعوت نامه به دانشجویان ارسال خواهد کرد. ایمیل نوشت:" سلام، دانلود Blockcerts Wallet، قبول رمز عبور و اضافه کردن MIT به عنوان ناشر ". کریس جگرز، مدیر عامل، ماشین یادگیری می گوید، "وقتی MIT یک دیپلم را صادر می کند، دانشجویان یک ایمیل با یک فایل دیجیتالی دریافت می کنند که می توانند به طور مستقیم به برنامه وارد شوند."