• 10 Xu thế technology AI mà những nhà nghiên cứu khoa học dữ liệu không còn bỏ dở
  • 10 Xu thế technology AI mà những nhà nghiên cứu khoa học dữ liệu không còn bỏ dở

    maychuhnoi > 10-29-2021, 03:27 AM

    chi phí môi trường thiên nhiên và kinh tế tài chính gia tăng của Deep Learning đang lôi kéo sự chăm lo của những siêu thị liên quan. Cùng theo với đó là các công nghệ AI mới như Mạng nơ-ron đồ thị và Học tập đối lập là các Xu thế tối ưu trong thời gian vừa mới đây.
    Việc ứng dụng AI đang tăng tốc trên khắp những nghành nghề, được đẩy mạnh bởi sự tổng hợp của tác dụng ví dụ, kỳ vọng cao & thời cơ sản sinh không ít tiền. Trong những các quan điểm và kỹ thuật AI mới chào làng gần như hàng ngày, 10 Xu thế technology AI đặc biệt hấp dẫn sự chú ý của những nhà khoa học độc ác liệu.
    1. MLOps
    MLOps (Machine learning operations, quản lý và vận hành hệ thống học máy) Chưa hẳn là 1 trong khái niệm mới, nhưng nó là một trong mẫu “Ops” mới lưu hành gần đây để vận hành những mô hình học máy. MLOps tậu cách hiểu những gì hoạt động và không hoạt động trong một loại hình để tạo ra những loại hình an toàn và tin cậy hơn trong tương lai.
    2. Học tập đối lập (Contrastive Learning)
    Học tập đối lập là một trong những công nghệ học máy mà ở đó kim chỉ nam là chọn các đồ vật gần giống & không giống nhau trong một tập Ác liệu không có nhãn. Rõ ràng, nó thậm chí được sử dụng bên trên trung tâm hung tàn liệu Hình ảnh để mua những Hình ảnh giống nhau.
    Cameron Fen, trưởng nhóm nghiên cứu của AI Capital Management , cho biết: “Học tập đối lập đã trở thành mô hình mới trong học tập ko giám sát.
    “Thông xoàng, bạn cũng có thể khiến điều này sở hữu học chuyển tiếp (Transfer Learning), nhưng điều khiến việc học đối lập trở nên hấp dẫn là bạn cũng có thể làm điều ấy có dữ liệu quá khó để gắn nhãn và có tập tàn ác liệu lớn hơn đa dạng so với việc tinh chỉnh bộ phân mô hình Ảnh dựng sẵn bên trên ImageNet”, ông nói.
    >>> Xem thêm: máy chủ rack dell r6525

    3. Bộ biến hóa (Transformer)
    Transformer là 1 phong cách xây dựng mạng nơ-ron, giống hệt như mạng nơ-ron vòng luân hồi (RNN), xử lý ác ôn liệu đầu vào tuần tự. Nó được ưa chuộng trong số loại hình ngôn ngữ, bao gồm các phần mềm dịch ngôn ngữ và chuyển khẩu ca thành văn bạn dạng.
    được sinh ra bởi các nhà phân tích của Google vào năm 2017, Transformer đã thay thế sửa chữa những mô hình RNN thịnh hành, ví dụ như thuật toán bộ nhớ lưu trữ ngắn hạn dài (LSTM), đc lạm dụng quá trong những phần mềm cách xử lý ngôn ngữ thoải mái và tự nhiên.
    Fen cho biết: Một Transformer “học cách đặt trọng số cao hơn vào những khoảng thời gian mà nó muốn chú ý tới, tạo ra rét trị trung bình có trọng số của đầu vào để mang vào mô hình”, Fen nói. &Ldquo;Điều này chất nhận được loại hình đc tuy nhiên song hóa & với bộ nhớ dài hơn (so với những mô hình LSTM).
    4. Carbon footprint (dấu chân carbon, tồn dư carbon)
    nhu cầu lưu trữ Ác liệu & giám sát cao hơn đối với các workload AI làm gia tăng lượng các luồng khí thải carbon của một C.ty trong thời đại mà rộng rãi tổ quốc đang nhập cuộc Thỏa thuận Paris và các thống đốc bang của Hoa Kỳ đang nhập cuộc liên minh Khí hậu Hoa Kỳ.
    lúc những công ty sử dụng quá rộng rãi bộ lưu trữ & laptop hơn để tận dụng kinh nghiệm học sâu, bọn họ đang tăng lượng các luồng khí thải carbon của chính bản thân mình, điều ấy quan trọng xích míc có nhu cầu về “kinh doanh bền vững” (giảm phát thải carbon) của chúng ta.
    Ravi Guntur, người đứng thứ nhất cơ quan máy học tại Traceable.ai, cho biết: “Có các cạm bẫy bao quanh chi phí của việc chạy học sâu”, cho biết Ravi Guntur, người đứng đầu tiên bộ phận học máy tại Traceable.ai, được cho phép bảo mật API và phần mềm cho những ứng dụng gốc bên trên đám mây. &Ldquo;Đại học Massachusetts tại Amherst phát hiện ra rằng việc đào tạo và giảng dạy một mô hình học sâu [tạo ra 626.000 pound carbon dioxide làm ấm hành tinh], tương đồng có lượng phát thải của năm cái ô tô trong quãng cuộc đời của chúng”.
    >>> Xem thêm: bán máy server dell R6525

    5. Tiền bạc bằng tiền của việc học sâu
    Học máy cũng có thể có chi phí bằng tiền! Nghe có vẻ kỳ lạ nhưng hãy xem ví dụ sau. Bạn rất có thể chạy mạng nơ-ron trong cả ngày, chỉ để phát hiện ra một luận điểm vô cùng nhỏ tuổi. Sẽ có được tiền bạc cho lưu trữ và cách xử lý Ác liệu, & thậm chí là thêm số giờ lãng phí của nhà nha khoa ác nghiệt liệu dành cho việc chờ đón hiệu quả.
    Guntur nói: “Chi phí của việc học máy đang tác động tới những học sinh. Công ty chúng tôi liên tù tì lưu ý đến về sự việc liệu Shop chúng tôi phải cụm máy tính xách tay này hay cụm kia, hay GPU nào. Bởi vì thế, câu hỏi đưa ra cho nhóm kỹ thuật là, liệu có một thuật toán sửa chữa thay thế nào mà Shop chúng tôi mà thậm chí sử dụng để chúng tôi Chưa hẳn trả trước cho những CPU & GPU mà công ty chúng tôi muốn? Tại vì sao bạn không còn xây đắp một thuật toán công dụng hơn?”
    6. Đồ thị (Graphs)
    Đồ thị là tất cả những gì về các mối quan hệ. Đc phân thành từ những nút/node – thay mặt đại diện cho 1 chủ thể, ví dụ như người, đối tượng người tiêu dùng hoặc địa điểm – & các cạnh – đại diện thay mặt cho các mối quan hệ giữa các nút – đồ thị có thể nắm bắt những mối quan hệ phức hợp.
    Mạng nơ-ron đồ thị (GNN) là một trong những chiếc kiến trúc mạng nơ-ron có thể giúp hiểu những biểu đồ, được cho phép mọi người tìm ra những dự đoán về nút hoặc cạnh. Ví dụ: bằng cách dùng GNN, ai đó thậm chí dự đoán chuyên mục phim mà diễn viên sẽ đóng vai chính hoặc tác dụng phụ của một bài thuốc mới có thể phi pháp.
    Guntur cho biết: “Những chiếc biểu đồ này càng ngày càng trở thành thịnh hành hơn bởi vì nó là thông báo đa dạng. Ông nói thêm, thật khó để thao tác làm việc mang các biểu đồ do chúng chứa bao nhiêu thông báo.
    7. Bộ dụng cụ phối kết hợp dễ lạm dụng quá hơn
    các nhà khoa học độc ác liệu & những chỉ đạo nhóm của chúng ta theo cổ xưa nên kết hợp với nhau những công cụ để xây dựng, thử nghiệm, đào tạo và tiến hành. Dẫu thế, giữa những năm gần đây, các nhà cung cấp công nghệ tên tuổi đã chiếm lĩnh được thời gian làm việc hoàn thiện những dịch vụ của họ để họ thậm chí trở thành một siêu thị tổng hợp.
    điều đó có thể chấp nhận được những nhà nha khoa độc ác liệu lạm dụng quá một nền tảng duy nhất, thay vì phổ biến gốc rễ và công cụ, để thao tác làm việc, vứt bỏ những luận điểm tạo nên từ việc vận chuyển dữ liệu và mô hình giữa những công cụ. Phổ biến nền tảng gốc rễ trong các này cũng có những phần mềm ít mã hoặc không có mã, Tức là chúng mau hơn & thuận lợi hơn cho những nhà nha khoa hung liệu lạm dụng.
    Rehwinkel nói: “Tôi mà thậm chí xây dựng một mô hình dự đoán quý hiếm mà không cần thiết phải nhúng tay quá sâu vào bất kỳ đoạn mã nào. Nó sự thật giúp tôi tăng tốc kinh nghiệm giải quyết luận điểm của bản thân mình.”