Около шестидесяти лет назад Алан Тьюринг спросил: «Могут ли машины думать?». Этот основополагающий вопрос компенсировал концепцию машинного обучения (МО) и объединил ее с искусственным интеллектом (ИИ) для дальнейшего развития. И за последние три десятилетия эти два термина приобретают все больший вес из-за простой доступности огромных данных, которые накопились за эти годы после появления компьютеров.

Однако основными игроками в этих областях всегда были технологические гиганты, такие как Google, Microsoft, Apple и Facebook. У них были высококлассные ресурсы и ниша ученых/инженеров данных, которые позволяли им исследовать, создавать, модифицировать и развертывать технологии ИИ. По мере того, как область применения и требования машинного обучения/ИИ начали расширяться, эти компании приступили к ускоренной демократизации ИИ.

Судя по панорамному виду башен из слоновой кости, технологические гиганты столкнулись с огромным техническим долгом с точки зрения машинного обучения, где кодирование, настройка, создание инструментов и другие основные элементы, такие как проверка и проверка, не оправдались. Это привело к децентрализации ИИ, когда предприниматели и опытные разработчики получают доступ к инфраструктуре данных. Это, несомненно, привело к радикальным изменениям в экосистеме ИИ.

Взгляните на карту канадской экосистемы, которая является лидером в производстве специалистов по обработке и анализу данных и специалистов по глубокому обучению благодаря своим академическим кругам и внедрению инноваций.

Определение демократизации и децентрализации AI/ML

Пытаясь определить еще свежие и формирующиеся понятия,

Демократизация искусственного интеллекта позволяет массам пользоваться платформой и инструментами, необходимыми для поиска, перепрофилирования и повторения моделей и алгоритмов машинного обучения.

Децентрализация ИИ подразумевает передачу обучающих платформ по машинному обучению опытными ключевыми игроками индустрии ИИ на аутсорсинг в массы посредством сотрудничества с DAO (децентрализованными автономными организациями) в сети блокчейн.

Изучая некоторые способы реализации демократизации и децентрализации ИИ, мы обнаруживаем:

От масштабируемых облачных платформ до масштабируемых наборов микросхем для суперкомпьютеров

Облачное машинное обучение поощрялось Google на раннем этапе, когда они приобрели платформу сообщества специалистов по данным, что было отличной инициативой. Ограничения квалифицированных инженеров и разработчиков, которые не могли стать чемпионами Лиги плюща, были разрешены благодаря мощности масштабируемой платформы в облаке.

У Microsoft Azure была своя Студия машинного обучения, а Amazon Web Services (AWS) также запустили свою управляемую платформу машинного обучения.

Опять же, в начале этого года Google запустил свой CloudML. В марте они также внедрили Google Cloud Video Intelligence API.

Совместные исследования

Силиконовая долина вступила в революцию в области совместной работы, когда отдельные данные выводятся на новый уровень путем включения их в более крупном масштабе. Создание стратегических научных исследований в области ИИ больше не является делом одного человека в области ИИ. Поиск областей исследований с помощью рабочих мест и их офисного программного обеспечения, такого как Office 365, является важной основой для ускорения любого успеха в этих областях.

В отличие от прежних дней, когда любой новой находке требовалось сладкое время, чтобы утвердиться во всем мире, сейчас насущной потребностью является повышение производительности в более короткие сроки.

Microsoft, Google, Intel, Apple, Facebook и Baidu находят партнеров и налаживают связи с компаниями по всему миру, чтобы расширить экосистему ИИ.

Google приобрела индийского производителя инструментов ИИ, Halli Labs, в рамках последней из серии приобретений, связанных с ИИ, которых в общей сложности 12, начиная с 2012 года.

Apple приобрела стартап по распознаванию изображений RealFace и стартап по сбору данных с датчиков SensoMotoric Instruments, чтобы наверстать упущенное.

Facebook представил функцию распознавания изображений в своем приложении и предвидит большие успехи в этой области.

Программные платформы с открытым исходным кодом для глубокого обучения

Еще одним шагом в направлении оптимизации являются специализированные наборы микросхем для устройств, которые делают любые настольные и даже мобильные устройства достаточно мощными для сложных вычислений.

Вычислительная мощность, необходимая для тестирования и запуска тяжелых алгоритмов ИИ, огромна, что ограничивает обычные компьютеры узкими местами, такими как высокая задержка и медленное сетевое соединение.

Они решаются с помощью проектов по децентрализации, таких как Federated Learning от Google.

Доступ к алгоритмам ИИ и большим данным

Пробелы в интеграции API, сборе данных, характеристике и разработке алгоритмов заполняются путем предоставления доступа к этим огромным массивам данных мировым предприятиям и специалистам по данным. Усиление управления данными путем обеспечения безопасного доступа к хранилищам разрозненных источников данных является целью технических пионеров. В свою очередь, их коллективный вклад может ускорить производство приложений для тех же самых компаний. Например, DataBricks от Apache Software Foundation.

Бесплатные ресурсы данных и отображение все большего количества предприятий в экосистеме будут выгодны как основным игрокам, так и мелким рыбам в море.

Автоматизация глубокого изучения науки о данных

TensorFlow от Google — самая известная платформа глубокого обучения, которая широко используется и внедряется в другие предприятия, а также в мобильные устройства (TensorFlow Lite). Apache Software Foundation сотрудничает с TensorFlow, объединяя свои кадры данных с TensorFlow для создания TensorFrames, которые предоставляют доступ к платформам машинного обучения и глубокого обучения на основе графического процессора.
Такие открытые программы и платформы сейчас появляются повсюду, как вы смотрите вокруг.

Все деления и критерии демократизации экосистемы AI/ML стали трендами Кремниевой долины, словно в гонке догонять друг друга.

Несомненно, важность ИИ неоспорима и неизбежна по мере развития мира. В то время как многие все еще сомневаются в том, что проникновение ИИ свергнет человечество, распространение ИИ/МО стало неудержимым, в то время как мы смотрели в другую сторону.

Тем не менее нельзя недооценивать возможности ИИ с учетом объема инвестиций, вложенных в то, чтобы машинное обучение позволяло делать то, что люди не могут делать:

Calico Labs проводит новаторские исследования в области раннего выявления рака и борьбы со старением. Лаборатории Siemens сотрудничают с возможностями искусственного интеллекта, чтобы обнаруживать надвигающиеся неисправности и повреждения их машинного оборудования. Мы уже используем ИИ для распознавания речи с Alexa, Cortana и Siri. Самоуправляемые автомобили сократят количество пробок и аварий в нашей повседневной жизни.

Все с мощью ИИ и другими возможностями, которые появятся в самом ближайшем будущем с демократизацией ИИ/МО.

Подпишитесь на меня, чтобы поддержать создание лучшего, беспристрастного и значимого контента.