Sztuczna inteligencja? Uczenie maszynowe? Głębokie uczenie?

Sztuczna inteligencja jest próbą odtworzenia lub symulacji inteligentnego zachowania. Maszynowe uczenie i głębokie uczenie tworzą przy tym podkategorie.

Programy, które wykorzystują uczenie maszynowe, mogą za pomocą algorytmów obliczyć zachowanie człowieka, np. oszustwo związane z kartą kredytową. Głębokie uczenie stanowi dalszy krok i wykorzystuje hierachiczne poziomy, aby przeprowadzić proces maszynowego uczenia. Co oznacza, że budowane są sztuczne sieci neuronowe, które są podobne do ludzkiego mózgu. Można nauczyć się skomplikowanych pojęć, łącząc je z prostszych warstw (Hidden Layers). Poziomy te opracowują dane i przekazują je do kolejnego poziomu, który z kolei przetwarza informacje i przekazuje je do następnej warstwy itp. Ten model warstwy może być kontynuowany w nieskończoność i zachodzi bardzo głęboko. Stąd pochodzi nazwa „Głębokie uczenie”

Technologia głębokiego uczenia jest stosowana np. w autonomicznych samochodach, w celu rozróżniania znaków drogowych, samochodów i ludzi. Głębokie uczenie znajduje się również w komputerach i smartfonach w formie inteligentnego sterowania mową. Możliwości zastosowania są praktycznie bez końca i w porównaniu z maszynowych uczeniem znacznie dokładniejsze. Jedyna wada: Głębokie uczenie wymaga dużo wydajności obliczeniowej.

NVIDIA – Najlepsza wydajność dla SI.

Microsoft Azure AI i Graph AI – narzędzie SI dla programistów.

IBM Watson: Innowacyjna platforma SI dla firm.

Sztuczna inteligencja.

Wyzwanie: Wydajność

Sztuczna inteligencja wymaga znacznie większej mocy obliczeniowej niż wszystkie inne znane aplikacje. Przede wszystkim algorytmy głębokiego uczenia potrzebują dużej wydajności, aby krok po kroku analizować informacje. Nie da się tego osiągnąć bez akceleracji przy użyciu procesorów graficznych (Graphics Processing Unit / GPU). Do najwydajniejszych GPU na rynku zaliczamy aktualnie procesory graficzne NVIDIA® Tesla®. Pozwala to firmom przyspieszyć działanie aplikacji obliczeń o wysokiej wydajności (HPC) i hiperskalowania w centrum danych. Umożliwia to firmom przyspieszenie najbardziej wymagających obliczeń o wysokiej wydajności (HPC) i hiperskalowania obciążeń w centrum obliczeniowym. Korzyści: Ilości danych w zakresie petabajtów są obsługiwane znacznie szybciej niż w przypadku konwencjonalnych procesorów. Niezależnie od tego, czy chodzi o głębokie uczenie, badania energetyczne, wirtualne komputery stacjonarne czy autonomiczne samochody – procesory graficzne Tesla zapewniają ogromną wydajność, umożliwiając wykonywanie rozległych obliczeń i symulacji w możliwie najkrótszym czasie.

The challenge? Performance.

Artificial intelligence requires significantly more computing power than any other currently known application. Deep learning algorithms are particularly reliant on high performance to be able to analyse and evaluate information bit by bit, but that’s impossible without graphic processor unit (GPU) acceleration. One of the most powerful GPUs currently on the market is the NVIDIA® Tesla®. This enables companies to accelerate their most demanding high-performance computing (HPC) applications and hyperscale workloads in the data centre. This enables companies to accelerate their most demanding high-performance computing (HPC) and hyperscale workloads in the data centre. Best of all, petabytes of data can be more quickly and easily handled than with standard CPUs. No matter if for deep learning, energy research, virtual desktops or driverless cars, Tesla graphic processors deliver enormous power to tackle extensive calculations and simulations in a snap.

Czy potrzebują Państwo porady eksperta?

Prosimy o kontakt.

* pola obowiązkowe

Prosimy o zapoznanie się z naszą polityką prywatności, która szczegółowo informuje Państwa o przetwarzaniu danych i istniejących przepisach, dotyczących ich ochrony.