機(jī)器學(xué)習(xí)將在2017年開始從實(shí)驗(yàn)室研究和概念驗(yàn)證實(shí)施轉(zhuǎn)向領(lǐng)先的業(yè)務(wù)解決方案。機(jī)器學(xué)習(xí)將幫助企業(yè)進(jìn)行創(chuàng)新，如自主汽車，精密養(yǎng)殖，治療藥物發(fā)現(xiàn)，以及金融機(jī)構(gòu)的高級欺詐檢測。
機(jī)器學(xué)習(xí)與AI相結(jié)合 物聯(lián)網(wǎng)數(shù)據(jù)流問題或迎刃而解
機(jī)器學(xué)習(xí)與統(tǒng)計(jì)學(xué)，計(jì)算機(jī)科學(xué)和人工智能相結(jié)合，側(cè)重于開發(fā)快速高效的算法以實(shí)現(xiàn)實(shí)時(shí)數(shù)據(jù)處理。這些機(jī)器學(xué)習(xí)算法并不只是遵循明確編程的指令，而是從經(jīng)驗(yàn)中學(xué)習(xí)，使它們成為人工智能平臺的關(guān)鍵組件。
機(jī)器學(xué)習(xí)有助于解決物聯(lián)網(wǎng)數(shù)據(jù)流問題
機(jī)器學(xué)習(xí)也可能幫助人們應(yīng)對物聯(lián)網(wǎng)的挑戰(zhàn)。英特爾數(shù)據(jù)中心機(jī)器學(xué)習(xí)解決方案總監(jiān)VinSharma表示，第一代大數(shù)據(jù)分析是圍繞社交媒體，在線購物，在線視頻，網(wǎng)上沖浪，馺其他用戶生成的在線行為產(chǎn)生的信息流動(dòng)而成長的。
分析這些海量數(shù)據(jù)集需要采用新技術(shù)，例如靈活的云計(jì)算和虛擬化，ApacheHadoop和Spark等軟件。它還需要更強(qiáng)大的高性能處理器，并提供工具來發(fā)現(xiàn)大數(shù)據(jù)的洞察力。
如今的物聯(lián)網(wǎng)連接網(wǎng)絡(luò)使大數(shù)據(jù)第一代的數(shù)據(jù)量相形見絀。隨著設(shè)備和傳感器不斷增長，他們創(chuàng)建的數(shù)據(jù)量也將增加。
例如，一輛自主駕駛汽車每天將生成4,000GB的數(shù)據(jù)。新的空中客車A380-1000飛機(jī)在每個(gè)機(jī)翼上配備了10,000個(gè)傳感器。傳統(tǒng)的大數(shù)據(jù)技術(shù)將不再能夠處理智能家庭中的連接電器，智能城市中的交通傳感器，以及智能工廠中的機(jī)器人系統(tǒng)所創(chuàng)建的數(shù)據(jù)。
新的和令人興奮的系統(tǒng)要求
機(jī)器學(xué)習(xí)的關(guān)鍵是分析來自龐大的，永遠(yuǎn)在線的物聯(lián)網(wǎng)網(wǎng)絡(luò)的巨大而重復(fù)的數(shù)據(jù)量。雖然機(jī)器學(xué)習(xí)可能看起來像許多科幻小說一樣神秘，對許多人來說，機(jī)器學(xué)習(xí)已被用戶所熟悉的社交媒體和在線購物網(wǎng)站所應(yīng)用(Facebook的新聞依靠機(jī)器學(xué)習(xí)算法，亞馬遜的推薦引擎使用機(jī)器學(xué)習(xí)向讀者推薦書籍或電影)。
機(jī)器學(xué)習(xí)系統(tǒng)識別物聯(lián)網(wǎng)網(wǎng)絡(luò)上存在的數(shù)據(jù)的正常流動(dòng)模式，并集中于規(guī)范之外的異?；蚰Ｊ健Ｒ虼?，機(jī)器學(xué)習(xí)可以從數(shù)十億數(shù)據(jù)點(diǎn)在巨大的數(shù)據(jù)流中分離“信號與噪聲”，幫助組織關(guān)注有意義的內(nèi)容。
然而，為了對企業(yè)有用和有效，機(jī)器學(xué)習(xí)算法必須在大約幾毫秒的時(shí)間內(nèi)在持續(xù)的基礎(chǔ)上運(yùn)行計(jì)算。這些更復(fù)雜的計(jì)算將會給傳統(tǒng)的數(shù)據(jù)中心處理器和計(jì)算平臺帶來壓力。
為了以規(guī)模和實(shí)時(shí)操作，機(jī)器學(xué)習(xí)系統(tǒng)需要具有多個(gè)集成核心的處理器，更快的存儲器子系統(tǒng)，以及可并行化用于下一代分析智能的處理的架構(gòu)。這些是具有內(nèi)置分析處理引擎的平臺，以及在內(nèi)存中運(yùn)行復(fù)雜算法以實(shí)時(shí)結(jié)果和立即應(yīng)用洞察的能力。
最終預(yù)測
為高性能計(jì)算而構(gòu)建的處理器將面臨很高的需求。機(jī)器學(xué)習(xí)和人工智能將需要更多的力量，因?yàn)樗麄冮_始連接物聯(lián)網(wǎng)數(shù)據(jù)流和客戶參與之間的點(diǎn)，提高銷售和推廣的能力。
這些處理器是傳統(tǒng)的研究實(shí)驗(yàn)室和超級計(jì)算機(jī)的挑戰(zhàn)，例如天氣模式和基因組測序的建模。但是隨著物聯(lián)網(wǎng)網(wǎng)絡(luò)變得越來越大，越來越普遍，機(jī)器學(xué)習(xí)平臺將變得越來越必要，因?yàn)槠髽I(yè)越來越多地將其成功基于機(jī)器到機(jī)器通信的洞察。
這些處理器提供了最苛刻的工作負(fù)載所需的性能，包括機(jī)器學(xué)習(xí)和人工智能算法。因此，它們不再局限于研究中心和大學(xué)中超級計(jì)算機(jī)的惡劣環(huán)境，因?yàn)樗鼈冊絹碓匠蔀榧舛似髽I(yè)的要求。
文章鏈接：中國智能制造網(wǎng) http://www.gkzhan.com/news/detail/97920.html
轉(zhuǎn)型的最終目的 -提質(zhì)降本增效
分享到微信 ×
打開微信，點(diǎn)擊底部的“發(fā)現(xiàn)”，
使用“掃一掃”即可將網(wǎng)頁分享至朋友圈。