2018 Deloitte Yapay Zeka Trend Raporu: GPU hala ana akım, makine öğrenimini kullanan şirketler iki katına çıktı
Annie, Deloitte'nin resmi web sitesinden derledi
Qubit Üretildi | Genel Hesap QbitAI
Bu, hızlı değişimlerin, ancak güçlü gelişim uyumunun olduğu bir dönemdir.
Deloitte bunu en son raporunun Teknoloji, Medya ve Telekomünikasyon Tahminleri (Teknoloji, Medya ve Telekomünikasyon Tahminleri) başında söyledi.
Bu raporda Deloitte, 2018'de artırılmış gerçeklik (AR), akıllı telefonlar, yapay zeka çipleri, makine öğrenimi, İnternet ve dijital medya alanlarındaki ana eğilimleri öngörüyor. Genel olarak, teknoloji, medya ve iletişim alanlarında üstel ilerleme görülecektir ve yaşamın tüm yönleri de ince değişikliklere uğrayacaktır.
80 sayfa uzunluğundaki bu rapor Qubit, yapay zeka ile ilgili iki bölümü şu şekilde derliyor. 2017'nin sonunda, 2018'de önceden önizleyeceğiz.
AI çip
Sinir ağlarının eğitimi ve muhakemesi için güçlü bilgi işlem gücü çok önemlidir.
2009'da ilk GPU çıktı.Yoğun ve son derece paralel bilgi işlem için özel olarak tasarlanmış bu çip, makine öğrenimi görevlerinin gereksinimlerini bir CPU'dan daha iyi karşılayabilir. O zamandan beri, giderek daha fazla tür, yeni "AI çipi" terimini zenginleştirdi.
Deloitte, 2018'de GPU ve CPU'nun makine öğrenimi alanındaki ana akım çipler olacağını tahmin ediyor.
GPU'lar için pazar talebi yaklaşık 500.000'dir ve makine öğrenimi görevlerinde FPGA'lara olan talep 200.000'i aşarken, ASIC yongalarına olan talep yaklaşık 100.000'dir.
GPU, FPGA ve ASIC çip talebi ve 2016 karşılaştırma tablosu
Yıl sonunda, veri merkezlerinde makine öğrenimini hızlandırmak için kullanılan yongaların% 25'inden fazlası FPGA ve ASIC yongaları olacak.
FPGA ve ASIC yongalarının pazar payı% 25'i aşıyor
Öyleyse, her bir çip türü hangi yönde gelişecek, Deloitte ayrıntılı bir tahmin veriyor:
Makine öğrenimi için optimize edilmiş GPU : GPU üreticileri 2018'de makine öğrenimi görevleri için özel olarak optimize edilmiş özel sürüm GPU'ları piyasaya sürecek. Aslında bu tür durumları şimdi görebiliyoruz NVIDIA, Volta mimarisinin derin öğrenme eğitimini 12 kat hızlandıracağını ve derin öğrenme çıkarım görevlerinde Pascal mimarisinden 6 kat daha hızlı olduğunu iddia ediyor.
Makine öğrenimi için optimize edilmiş CPU : GPU pazarı hızla büyürken, CPU şirketlerinin makine öğrenimi için özel CPU yongaları başlattığını da görebiliriz. Örneğin, Intel Knights Mill yongası, makine öğrenimi için optimize edilmemiş yongalara kıyasla 4 kat performans iyileştirmesine sahiptir.
Makine öğrenimi için optimize edilmiş FPGA : 2016 yılında küresel FPGA çip satışları 4 milyar ABD dolarını aştı. 2017 başındaki rapor
Araştırmacılar, FPGA'ların Yeni Nesil Derin Sinir Ağlarını Hızlandırmada GPU'ları Yenebilir mi? 'Nda, bazı durumlarda FPGA'ların GPU'lardan daha hızlı ve daha güçlü olabileceğini söyledi.
Şu anda Microsoft, Amazon AWS ve Baidu, makine öğrenimiyle ilgili görevler için FPGA'leri kullandığını iddia ediyor. Genel olarak, 2018'de makine öğrenimi görevleri için FPGA'lara olan talep 200.000'i aştı.
Makine öğrenimi için optimize edilmiş ASIC çipi : ASIC, yalnızca tek bir görevi yerine getiren bir çiptir.Şu anda birçok ASIC yongası üreticisi vardır. 2017 yılında, tüm sektörün toplam geliri yaklaşık 15 milyar ABD dolarıydı.
Çeşitli çip üreticilerinin yayınladığı haberlere göre Intel'in Nervana'yı satın alması 2018'de kendi çiplerini üretebilir. Ek olarak, Japon Fujitsu, 2018'de Derin Öğrenme Birimi (DLU) adlı bir yongayı da piyasaya sürmeyi planlıyor.
TPU : TPU, makine öğrenimi görevleri için Google tarafından başlatılan bir ASIC çipidir ve açık kaynak TensorFlow'daki görevleri işlemek için uygundur. Google'ın veri merkezinin çıkarım görevinde TPU, iyi performans gösterdi. CPU ile karşılaştırıldığında, performans 10 ila 50 kat artırılabilir. Google tarafından tahmin edilen verilere göre 2018'de TPU talebi yaklaşık 100.000 yuan olacak.
Düşük enerjili makine öğrenimi hızlandırma çipi : Deloitte, 2018'de cep telefonları, tabletler ve diğer mobil cihazlar için makine öğrenimi çiplerine olan talebin 500 milyon civarında olacağını tahmin ediyor. Mobil yongaların en büyük özelliği düşük enerji tüketimidir.GPU yongalarının gücü, yalnızca 75 watt'lık TPU yongalarının gerektirdiği güce kıyasla yaklaşık 250 watt'tır. Sensör ağları için gerekli gücün 10 miliwatt'tan az olması gerekir.
Deloitte, düşük güçlü makine öğrenimi yongalarının atılımlar yapmasının iki veya üç yıl alabileceğini tahmin ediyor.
Optik akış çipi : Yukarıdakilere ek olarak, özel bir yonga türü de vardır IBM'in True North yongası, makine öğrenimi görevlerini hızlandırabilen ve çok verimli olan bir optik akış yongasıdır. Ancak Deloitte, 2018'de bu optik akış çipinin hacmini tahmin etmenin hala zor olduğunu, ancak genel olarak 100.000'den az, hatta 10.000'den az olabileceğini söyledi.
Makine öğrenme
Deloitte, 2018'de büyük ve orta ölçekli şirketlerin sektörde makine öğrenimi uygulamasına daha fazla önem vereceğini tahmin ediyor. 2017 ile karşılaştırıldığında, makine öğrenimi ile dağıtılan ve uygulanan projeler ikiye katlanacak ve 2020'de tekrar ikiye katlanacaktır.
Çift ve çift
Raporda Deloitte, makine öğrenimini işletmelerde daha yaygın bir şekilde kullanmak için beş önemli itici gücü vurguladı: veri biliminin otomasyonu, eğitim veri gereksinimlerinin azaltılması, eğitim hızının hızlanması, sonuçların yorumlanması ve yerel dağıtım.
1. Veri Bilimi Otomasyonu : Veri geliştirme ve özellik mühendisliği gibi zaman alan makine öğrenimi görevleri, veri bilimcilerin zamanının% 80'ini alabilir. İyi haber şu ki, bu sıkıcı iş yavaş yavaş yerini otomasyona bırakıyor. Zaman alan çalışmalardan kurtulan veri bilimcilerin makine öğrenimi deneyleri gerçekleştirme süreleri aylardan günlere düşürüldü. Otomasyon, veri bilimci eksikliğini bir dereceye kadar azaltarak işletmelere daha fazla canlılık kazandırdı.
2. Eğitim verilerine olan ihtiyacı azaltın : Bir makine öğrenimi modelini eğitmek için milyonlarca veri öğesi gerekebilir.Eğitim verileri için etiketlenmiş verileri elde etmek de zaman alıcı ve maliyetli bir iştir. Şu anda, algoritmalar tarafından oluşturulan gerçek veri özelliklerinin veri sentezi ve simülasyonu dahil olmak üzere, makine öğrenimi için gerekli eğitim verilerini azaltmaya adanmış teknolojiler ortaya çıkmıştır.
3. Eğitimi hızlandırın : Yukarıda belirtildiği gibi, GPU ve FPGA gibi makine öğrenimine özel donanımların ortaya çıkışı, makine öğrenimi modellerinin eğitim süresini kısaltabilir ve araştırma sürecini hızlandırabilir.
4. Sonuçları yorumlayın : Makine öğreniminin ilerlemesi her geçen gün değişse de, makine öğrenimi modellerinin genellikle kara kutular gibi temel kusurları vardır, bu da ilkeleri açıklayamayacağımız anlamına gelir. Bu belirsizlik, modeli daha fazla uygulamaya uyum sağlayamaz hale getirir. Kara kutu kaybolursa ve sonuçlar açıklanabilirse, makine öğrenimi uygulamasında büyük bir gelişmedir.
5. Yerel dağıtım : Makine öğrenimi, dağıtım yetenekleriyle büyüyecek. Deloitte geçen yıl makine öğreniminin mobil cihazlara ve akıllı sensörlere girdiğini, akıllı evler, akıllı şehirler, insansız sürüş, giyilebilir teknoloji ve Nesnelerin İnterneti teknolojisini getirdiğini öngördü.
Google, Microsoft, Facebook vb. Gibi teknoloji devleri, makine öğrenimi modellerini Google'ın TensorFlow Lite, Facebookun Caffe2Go ve Appleın Core ML gibi taşınabilir cihazlarına sıkıştırmaya çalışıyor.
Alakalı bilgiler
Son olarak, rapor indirme adresini ekleyin
Deloitte rapor ağı disk adresi:
https://pan.baidu.com/s/1qXKx3sS
Raporun çubuk figür versiyonunun özeti:
https://pan.baidu.com/s/1mivJvBE
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! Ayrıntılar için, lütfen QbitAI diyalog arayüzünde "işe alım" kelimesiyle yanıt verin.
Qubit QbitAI · Toutiao İmzalama Yazarı
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin
