Suivez nous sur

Intelligence artificielle

La croissance future de l'IA et du ML

Avatar

En cliquant sur ce bouton,

on

La croissance future de l'IA et du ML

By Rachel Roumeliotis

Nous avons tous accepté le fait que l'intelligence artificielle (IA) transforme le fonctionnement des entreprises et à quel point elle peut aider une entreprise à long terme. Au cours des dernières années, cette compréhension a entraîné un pic dans les entreprises qui expérimentent et évaluent les technologies d'IA et qui les utilisent maintenant spécifiquement dans les déploiements de production.

Bien sûr, lorsque les organisations adoptent de nouvelles technologies telles que l'IA et l'apprentissage automatique (ML), elles commencent progressivement à envisager comment de nouveaux domaines pourraient être affectés par la technologie. Cela peut concerner plusieurs secteurs, notamment la production et la logistique, la fabrication, l'informatique et le service client. Une fois que l'utilisation des techniques d'IA et de ML sera ancrée dans le fonctionnement des entreprises et dans les différentes manières dont elles peuvent être utilisées, les organisations pourront acquérir de nouvelles connaissances qui les aideront à s'adapter à l'évolution des besoins.

En explorant la plate-forme d'apprentissage d'O'Reilly, il est possible de découvrir une variété d'informations sur les différentes tendances et sujets que les chefs d'entreprise et les chefs d'entreprise doivent connaître. Cela leur permettra de mieux comprendre leur travail et garantira que leurs entreprises continuent de prospérer.

Au cours des derniers mois, nous avons analysé l'utilisation de la plateforme par les utilisateurs et avons découvert les sujets les plus populaires et les plus recherchés en IA et ML. Nous allons explorer certaines des découvertes les plus importantes ci-dessous, qui nous donnent une image plus large de l'état de l'IA et du ML et, finalement, de sa direction.

L'IA dépasse la croissance du ML

D'abord et avant tout, notre analyse a mis en lumière la façon dont l'intérêt pour l'IA continue de croître. En comparant 2018 à 2019, l'engagement dans l'IA a augmenté de 58% - dépassant de loin la croissance du sujet beaucoup plus vaste d'apprentissage automatique, qui n'a augmenté que de 5% en 2019. En regroupant tous les sujets d'IA et de ML, cela représente près de 5% de toute l'utilisation activité sur la plateforme.

Bien que ce ne soit qu'un peu moins que des sujets de haut niveau et bien établis tels que l'ingénierie des données (8% de l'activité d'utilisation) et la science des données (5% de l'activité d'utilisation), l'intérêt pour ces sujets a augmenté 50% plus rapidement que la science des données. L'ingénierie des données a en fait diminué d'environ 8% au cours de la même période en raison du déclin de l'engagement avec les sujets de gestion des données.

Nous avons également découvert les premiers signes que les organisations expérimentent des outils et des méthodes avancés. Parmi nos résultats, l'engagement dans un contenu d'apprentissage non supervisé est probablement l'un des plus intéressants. Dans l'apprentissage non supervisé, un algorithme d'IA est formé pour rechercher des modèles précédemment non détectés dans un ensemble de données sans étiquettes ou classification préexistantes avec un minimum de supervision ou de conseils humains. En 2018, l'utilisation des sujets d'apprentissage non supervisés a augmenté de 53% et de 172% en 2019.

Mais qu'est-ce qui motive cette croissance? Bien que les noms de ses méthodes (clustering et association) et de ses applications (réseaux de neurones) soient familiers, l'apprentissage non supervisé n'est pas aussi bien compris que son homologue d'apprentissage supervisé, qui sert de stratégie par défaut pour le ML pour la plupart des gens et la plupart des cas d'utilisation .

Cette augmentation des activités d'apprentissage non supervisé est probablement due à un manque de familiarité avec le terme lui-même, ainsi qu'avec ses utilisations, ses avantages et ses exigences par des utilisateurs plus sophistiqués qui sont confrontés à des cas d'utilisation difficiles à traiter avec des méthodes supervisées.

Il est également probable que le succès visible de l'apprentissage non supervisé dans les réseaux de neurones et l'apprentissage profond a aidé notre intérêt, tout comme la diversité des outils open source, des bibliothèques et des didacticiels, qui prennent en charge l'apprentissage non supervisé.

Une résurrection d'apprentissage en profondeur

Bien que l'apprentissage profond ait légèrement refroidi en 2019, il représentait toujours 22% de toute l'utilisation de l'IA et du ML. Nous soupçonnons également que son succès a contribué à stimuler la résurrection d'un certain nombre d'autres idées désaffectées ou négligées. Le plus grand exemple de ceci est l'apprentissage par renforcement. Ce sujet a connu une croissance exponentielle, avec une croissance de plus de 1,500% depuis 2017.

Même avec des taux d'engagement en baisse de 10% en 2019, le deep learning lui-même est l'une des méthodes de ML les plus populaires parmi les entreprises qui évaluent l'IA, de nombreuses entreprises choisissant la technique pour prendre en charge les cas d'utilisation en production. Il se peut que l'engagement sur des sujets d'apprentissage en profondeur ait plafonné parce que la plupart des gens s'engagent déjà activement avec la technologie, ce qui signifie que la croissance pourrait ralentir.

Le traitement du langage naturel est un autre sujet qui a connu une croissance constante. Bien que son taux de croissance ne soit pas énorme - il a augmenté de 15% en 2018 et de 9% en 2019 - le traitement du langage naturel représente environ 12% de toute l'utilisation de l'IA et du ML sur notre plateforme. Cela représente environ 6 fois la part de l'apprentissage non supervisé et 5 fois la part de l'utilisation de l'apprentissage par renforcement, malgré la croissance significative que ces deux sujets ont connue au cours des deux dernières années.

Cependant, toutes les méthodes AI / ML ne sont pas traitées de la même manière. Par exemple, l'intérêt pour les chatbots semble décliner, l'engagement diminuant de 17% en 2018 et de 34% en 2019. Cela est probablement dû au fait que les chatbots ont été l'une des premières applications de l'IA et reflète probablement la maturité relative de son application.

L'engagement croissant dans l'apprentissage non supervisé et l'apprentissage par renforcement démontre que les organisations expérimentent des outils et des méthodes d'analyse avancés. Ces outils et techniques ouvrent de nouveaux cas d'utilisation pour les entreprises à expérimenter et à exploiter, notamment l'aide à la décision, les jeux interactifs et les moteurs de recommandation de vente au détail en temps réel. Nous ne pouvons qu'imaginer que les entreprises continueront d'utiliser l'IA et le ML pour résoudre des problèmes, augmenter la productivité, accélérer les processus et fournir de nouveaux produits et services.

Au fur et à mesure que les organisations adoptent des technologies analytiques, elles en découvrent davantage sur elles-mêmes et sur leur monde. L'adoption du ML, en particulier, incite les personnes à tous les niveaux d'une organisation à commencer à poser des questions qui remettent en question ce qu'une organisation pense savoir d'elle-même.

Avec le ML et l'IA, nous formons des machines à faire apparaître de nouveaux objets de connaissance qui nous aident à nous poser des questions nouvelles, différentes et parfois difficiles sur nous-mêmes. Selon toutes les indications, nous semblons avoir un certain succès avec cela. Qui sait ce que l'avenir nous réserve, mais à mesure que les technologies deviendront plus intelligentes, il ne fait aucun doute que nous deviendrons plus dépendants.

Source: https://www.fintechnews.org/the-future-growth-of-ai-and-ml/

Intelligence artificielle

L'intelligence artificielle en agriculture: utiliser l'IA moderne pour résoudre les problèmes agricoles traditionnels

Avatar

En cliquant sur ce bouton,

on

Vue d'ensemble

  • Cycle de vie de l'agriculture

  • Défis rencontrés dans l'agriculture avec les techniques agricoles traditionnelles.

Intelligence artificielle

L'intelligence artificielle est basée sur le principe que l'intelligence humaine peut être définie de manière à ce qu'une machine puisse facilement l'imiter et exécuter des tâches, des plus simples à celles qui sont encore plus complexes. Les objectifs de l'intelligence artificielle comprennent l'apprentissage, le raisonnement et la perception.

«Nous sommes au début d'un âge d'or de l'IA. Les progrès récents ont déjà conduit à une invention qui vivait auparavant dans le domaine de la science-fiction - et nous n'avons fait qu'effleurer la surface de ce qui est possible »
- JEFF BEZOS, PDG d'Amazon

Quelques exemples, systèmes de reconnaissance visuelle sur les voitures autonomes, dans les moteurs de recommandation qui suggèrent des produits que vous pourriez aimer en fonction de ce que vous avez acheté dans le passé, reconnaissance vocale et linguistique de l'assistant virtuel Siri sur l'iPhone d'Apple.

L'IA a un impact énorme dans tous les domaines de l'industrie. Toutes les industries qui cherchent à automatiser certains travaux grâce à l'utilisation de machines intelligentes.

L'agriculture et l'élevage sont l'une des professions les plus anciennes et les plus importantes au monde. Il joue un rôle important dans le secteur économique. Dans le monde entier, l'agriculture est une industrie de 5 XNUMX milliards de dollars.

La population mondiale devrait atteindre plus de 2050 milliards d'ici 70, ce qui nécessitera une augmentation de la production agricole de XNUMX% pour répondre à la demande. Alors que la population mondiale augmente en raison de laquelle l'eau des terres et les ressources deviennent insuffisantes pour continuer la chaîne de l'offre et de la demande. Nous avons donc besoin d'une approche plus intelligente et de devenir plus efficaces sur la façon dont nous cultivons et pouvons être les plus productifs

Dans cet article, je couvrirai les défis auxquels sont confrontés les agriculteurs en utilisant des méthodes agricoles traditionnelles et comment l'intelligence artificielle révolutionne l'agriculture en remplaçant les méthodes traditionnelles en utilisant des méthodes plus efficaces et en aidant le monde à devenir un endroit meilleur.

Cycle de vie de l'agriculture

Nous pouvons diviser le processus d'agriculture en différentes parties:

Agriculture par intelligence artificielle

Préparation du sol: C'est la première étape de l'agriculture où les agriculteurs préparent le sol pour semer les graines. Ce processus consiste à briser de grandes touffes de sol et à éliminer les débris, tels que les bâtons, les roches et les racines. En outre, ajouter des engrais et de la matière organique dépend du type de culture pour créer une situation idéale pour les cultures.

Semis de graines: Cette étape nécessite de prendre en compte la distance entre deux graines, la profondeur pour planter les graines. À ce stade, les conditions climatiques telles que la température, l'humidité et les précipitations jouent un rôle important.

Ajout d'engrais: Maintenir la fertilité du sol est un facteur important pour que l'agriculteur puisse continuer à cultiver des cultures nutritives et des cultures saines. Les agriculteurs se tournent vers les engrais parce que ces substances contiennent des nutriments végétaux tels que l'azote, le phosphore et le potassium. Les engrais sont simplement des nutriments plantés appliqués aux champs agricoles pour compléter les éléments nécessaires trouvés naturellement dans le sol. Cette étape détermine également la qualité de la récolte

Irrigation: Cette étape aide à garder le sol humide et à maintenir l'humidité. Un sous-arrosage ou un arrosage excessif peut entraver la croissance des cultures et, s'il n'est pas fait correctement, cela peut endommager les cultures.

Protection contre les mauvaises herbes: Les mauvaises herbes sont des plantes indésirables qui poussent à proximité des cultures ou à la limite des exploitations. La protection des mauvaises herbes est importante à prendre en compte car les mauvaises herbes diminuent les rendements, augmentent les coûts de production, interfèrent avec la récolte et diminuent la qualité des cultures.

Récolte: C'est le processus de collecte des récoltes mûres des champs. Cela nécessite beaucoup de main-d'œuvre pour cette activité, c'est donc une activité à forte intensité de main-d'œuvre. Cette étape comprend également la manipulation après récolte, comme le nettoyage, le tri, l'emballage et le refroidissement.

Stockage: Cette phase du système post-récolte au cours de laquelle les produits sont conservés de manière à garantir la sécurité alimentaire en dehors des périodes d'agriculture. Cela comprend également l'emballage et le transport des récoltes.

Les défis auxquels sont confrontés les agriculteurs en utilisant des méthodes agricoles traditionnelles

Énumérer les défis généraux qui existent dans le domaine agricole.

o Dans l'agriculture, les facteurs climatiques tels que les précipitations, la température et l'humidité jouent un rôle important dans le cycle de vie de l'agriculture. La déforestation et la pollution croissantes entraînent des changements climatiques, il est donc difficile pour les agriculteurs de prendre des décisions pour préparer le sol, semer les graines et récolter.

o Chaque culture nécessite une nutrition spécifique dans le sol. Il y a 3 principaux nutriments: azote (N), phosphore (P) et potassium (K) requis dans le sol. La carence en nutriments peut conduire à une mauvaise qualité des cultures.

o Comme nous pouvons le voir d'après le cycle de vie de l'agriculture, la protection des mauvaises herbes joue un rôle important. S'il n'est pas contrôlé, il peut entraîner une augmentation des coûts de production et absorber les nutriments du sol, ce qui peut entraîner une carence nutritionnelle dans le sol.

Applications de l'intelligence artificielle en agriculture

L'industrie se tourne vers les technologies d'intelligence artificielle pour aider à produire des cultures plus saines, lutter contre les ravageurs, surveiller le sol et les conditions de croissance, organiser les données pour les agriculteurs, aider à la charge de travail et améliorer un large éventail de tâches liées à l'agriculture dans toute la chaîne d'approvisionnement alimentaire. .

Utilisation des prévisions météorologiques: Avec le changement des conditions climatiques et l'augmentation de la pollution, il est difficile pour les agriculteurs de déterminer le bon moment pour semer les semences, avec l'aide de l'intelligence artificielle, les agriculteurs peuvent analyser les conditions météorologiques en utilisant les prévisions météorologiques qui les aident à planifier le type de culture à cultiver et quand le faire. les graines soient semées.

Système de surveillance de la santé des sols et des cultures: Le type de sol et la nutrition du sol jouent un rôle important dans le type de culture et la qualité de la culture. En raison de l'augmentation, la qualité du sol de la déforestation se dégrade et il est difficile de déterminer la qualité du sol.

Une start-up technologique allemande PEAT a développé une application basée sur l'IA appelée Plantix qui peut identifier les carences en nutriments dans le sol, y compris les ravageurs des plantes et les maladies, grâce à laquelle les agriculteurs peuvent également avoir une idée d'utiliser un engrais qui contribue à améliorer la qualité de la récolte. Cette application utilise une technologie basée sur la reconnaissance d'image. L'agriculteur peut capturer des images de plantes à l'aide de smartphones. Nous pouvons également voir les techniques de restauration des sols avec des astuces et d'autres solutions à travers de courtes vidéos sur cette application.

De même, Trace Genomics est une autre entreprise basée sur l'apprentissage automatique qui aide les agriculteurs à faire une analyse des sols aux agriculteurs. Ce type d'application aide les agriculteurs à surveiller les conditions sanitaires du sol et des cultures et à produire des cultures saines avec un niveau de productivité plus élevé.

L'analyse la santé des cultures par les drones: SkySqurrel Technologies a apporté des solutions d'imagerie Ariel basées sur des drones pour surveiller la santé des cultures. Dans cette technique, le drone capture les données des champs, puis les données sont transférées via une clé USB du drone vers un ordinateur et analysées par des experts.

Cette société utilise des algorithmes pour analyser les images capturées et fournir un rapport détaillé contenant l'état actuel de la ferme. Il aide l'agriculteur à identifier les ravageurs et les bactéries en aidant les agriculteurs à utiliser en temps opportun la lutte antiparasitaire et d'autres méthodes pour prendre les mesures nécessaires

Agriculture de précision et analyse prédictive: Les applications de l'IA dans l'agriculture ont développé des applications et des outils qui aident les agriculteurs à une agriculture imprécise et contrôlée en leur fournissant des conseils appropriés sur la gestion de l'eau, la rotation des cultures, la récolte en temps opportun, le type de culture à cultiver, la plantation optimale, les attaques de ravageurs, la gestion de la nutrition.

Tout en utilisant les algorithmes d'apprentissage automatique en relation avec des images capturées par des satellites et des drones, les technologies activées par l'IA prédisent les conditions météorologiques, analysent la durabilité des cultures et évaluent les fermes pour la présence de maladies ou de ravageurs et une mauvaise nutrition des plantes dans les fermes avec des données telles que la température, les précipitations, vitesse du vent et rayonnement solaire.

Les agriculteurs sans connectivité peuvent bénéficier des avantages de l'IA dès maintenant, avec des outils aussi simples qu'un téléphone compatible SMS et l'application de semis. Pendant ce temps, les agriculteurs disposant d'un accès Wi-Fi peuvent utiliser des applications d'IA pour obtenir un plan continuellement personnalisé par l'IA pour leurs terres. Avec de telles solutions basées sur l'IoT et l'IA, les agriculteurs peuvent répondre aux besoins mondiaux d'augmentation de la production et des revenus alimentaires en augmentant durablement la production et les revenus sans épuiser les précieuses ressources naturelles.

À l'avenir, l'IA aidera les agriculteurs à devenir des technologues agricoles, en utilisant les données pour optimiser les rendements jusqu'aux rangées individuelles de plantes.

Robotique agricole: Les entreprises d'IA développent des robots qui peuvent facilement effectuer plusieurs tâches dans les champs agricoles. Ce type de robot est formé pour contrôler les mauvaises herbes et récolter les cultures à un rythme plus rapide avec des volumes plus élevés que les humains.

Ces types de robots sont formés pour vérifier la qualité des cultures et détecter les mauvaises herbes avec la cueillette et l'emballage des cultures en même temps. Ces robots sont également capables de lutter contre les défis auxquels est confrontée la main-d'œuvre agricole.

Système activé par l'IA pour détecter les parasites: Les ravageurs sont l'un des pires ennemis des agriculteurs qui endommagent les cultures.

Les systèmes d'IA utilisent des images satellites et les comparent avec des données historiques à l'aide d'algorithmes d'IA et détectent que si un insecte a atterri et quel type d'insecte a atterri comme le criquet, la sauterelle, etc. précautions requises et utilisation requise lutte antiparasitaire ainsi l'IA aide les agriculteurs à lutter contre les ravageurs.

Conclusion

L'intelligence artificielle en agriculture aide non seulement les agriculteurs à automatiser leur agriculture, mais passe également à une culture précise pour un meilleur rendement et une meilleure qualité tout en utilisant moins de ressources.

Les entreprises impliquées dans l'amélioration de l'apprentissage automatique ou des produits ou services basés sur l'intelligence artificielle, tels que les données de formation pour l'agriculture, les drones et la fabrication automatisée de machines, bénéficieront à l'avenir de progrès technologiques qui fourniront des applications plus utiles à ce secteur, aidant le monde à faire face aux problèmes de production alimentaire pour la population croissante.

Commander PrimeXBT
Échangez avec les partenaires CFD officiels de l'AC Milan
Le moyen le plus simple de trader la crypto.
Source: https://www.fintechnews.org/artificial-intelligence-in-agriculture-using-modern-day-ai-to-solve-traditional-farming-problems/

Continuer la lecture

AI

Une enquête révèle que de nombreuses entreprises font peu ou pas de gestion des dépenses dans le cloud  

Avatar

En cliquant sur ce bouton,

on

Par John P. Desmond, rédacteur en chef des tendances de l'IA  

Le «choc des autocollants» du cloud computing est à la hausse à mesure que les factures mensuelles arrivent, les clients peuvent ne pas être sûrs de ce qu'ils paient et les factures ont tendance à augmenter. 

JR Storment, directeur exécutif, la Fondation FinOps

C'était une conclusion d'une récente enquête menée par le Fondation FinOps, une association professionnelle à but non lucratif axée sur les meilleures pratiques de gestion financière dans le cloud, de plus de 800 praticiens FinOps dépensant 45 milliards de dollars collectivement dans le cloud computing. (FinOps est l'abréviation de Cloud Financial Management.)  «Le sale petit secret des dépenses dans le cloud est que la facture ne diminue jamais vraiment», a déclaré JR Storment, directeur exécutif de la Fondation FinOps, dans un compte en ZDNet.  

Près de la moitié des répondants à l'enquête (49%) avait peu ou pas d'automatisation de la gestion des dépenses cloud. Parmi ceux avec une certaine automatisation, près d'un tiers des notifications automatisées (31%) et l'hygiène du marquage (29%). Seulement 13% redimensionnement automatisé et neuf pour cent, utilisation ponctuelle. Cela «indique que les entreprises manquent probablement des opportunités d'optimiser les dépenses dans le cloud», ont noté les auteurs de l'enquête. 

Le service cloud le plus cher, à la demande, a consommé la moitié des dépenses informatiques sur le cloud public, selon l'enquête. La deuxième option la plus coûteuse, l'utilisation avec engagement, a été utilisée par 49% des réponses. Le service le moins cher, l'utilisation ponctuelle, était pratiqué par 13% des répondants. 

Outils de gestion du cloud utilisés par les répondants à l'enquête  

Les outils les plus souvent utilisés par les répondants pour gérer les coûts du cloud étaient: AWS Cost Explorer, Cloudability d'Apptio, CloudHealth de VMWare, Azure Cost Management de Microsoft, Google Cloud Platform Cost Tools et CloudCheckr, avec un produit du même nom.   

Environ la moitié des répondants utilisaient des outils cloud natifs comme technologie principale, tandis que 43% utilisé une plate-forme tierce et 11% utilisé des outils locaux. De nombreux praticiens FinOps s'appuient sur la collecte, la collation et l'analyse de données avec des feuilles de calcul.   

Reflétant que la gestion financière du cloud en est actuellement à un stade précoce, les répondants au sondage ont prédit plus de 40% croissance de la taille de l'équipe FinOps au cours des 12 prochains mois.  

Pour AWS et Microsoft Azure, les clients cloud sont facturés pour les ressources qu'ils commandent, qu'ils les utilisent ou non, selon un compte de CloudCheckr. Dans un rapport récent, les analystes de Gartner Brandon Medford et Craig Lowery estiment que jusqu'à 70% des coûts du cloud sont gaspillés.   

Voici quelques suggestions de la société pour la gestion des coûts du cloud computing:   

  • Rechercher des ressources inutilisées ou non associées. Souvent, un administrateur ou un développeur peut «lancer» un serveur temporaire pour exécuter une fonction et oublier de le désactiver lorsque le travail est terminé. Dans un autre cas d'utilisation courant, l'administrateur peut oublier de supprimer le stockage attaché aux instances qu'il met fin.  
  • Identifiez et consolidez les ressources inactives. Une instance informatique inactive peut avoir un niveau d'utilisation du processeur de cinq pour cent, tandis que l'entreprise est facturée pour 100% de l'instance. Une stratégie consiste à consolider les tâches informatiques en moins d'instances. Le cloud offre des fonctionnalités d'autoscaling, d'équilibrage de charge et à la demande qui permettent à une entreprise d'augmenter sa puissance de calcul à tout moment. 
  • Utilisez les cartes thermiques. Une carte thermique est un outil visuel montrant les pics et les creux de la demande de calcul, ce qui peut être utile pour établir le démarrage et l'arrêt. fois à aider à gérer les coûts. Par exemple, les cartes thermiques peuvent indiquer si les serveurs de développement peuvent être arrêtés en toute sécurité le week-end, selon un calendrier qui pourrait être configuré pour se déclencher automatiquement.    
  • Réserver des ressources informatiques pour de meilleurs tarifs. Les instances réservées AWS ou les instances de VM réservées Azure offrent des remises plus importantes en fonction du paiement initial et d'un engagement de temps. Ces économies peuvent atteindre 75%, «C'est donc un must pour l'optimisation des coûts du cloud», suggèrent les experts de CloudCheckr. 

Les innovations de l'industrie du logiciel arrivent rapidement  

Les innovations des entreprises de ce segment arrivent rapidement. Par exemple, cloudtamer.io, une entreprise proposant une solution de gouvernance multi-cloud, a récemment annoncé une nouvelle intégration avec la tour de contrôle Amazon Web Services (AWS). Le nouveau produit offre des fonctionnalités de gestion des coûts qui complètent AWS Control Tower. Par exemple, cloudtamer.io permet la création de compte dans les régions AWS qui ne sont pas prises en charge par AWS Control Tower, comme AWS GovCloud, selon cloudtamer.io. 

Joseph Spurrier, CTO et cofondateur, cloudtamer.io

«La gestion financière est un élément central de notre solution de gouvernance cloud, avec la gestion des comptes et la conformité continue», a déclaré Joseph Spurrier, CTO et cofondateur de cloudtamer.io, dans un communiqué de presse. «Notre solution peut aider les entreprises à aller au-delà de certaines des fonctionnalités natives d'AWS Control Tower.»  

L'outil offre une action d'application qui peut geler les dépenses dans le cloud et prendre des mesures automatisées utiles en réponse.  

«AWS Control Tower aide les clients à mieux gérer leur cloud-peu importe où ils se trouvent dans leur parcours dans le cloud », a déclaré Chris Grusz, directeur du développement commercial mondial pour Marketplace & Control Services, AWS. «L'intégration cloudtamer.io avec AWS Control Tower permet à nos clients partagés d'améliorer leur expérience avec notre service en intégrant la gestion des coûts dans les environnements multi-comptes.» 

Lisez les articles et informations sources dans un rapport du Fondation FinOpsin ZDNeten un compte de CloudCheckr et dans un communiqué de presse depuis cloudtamer.io. 

Commander PrimeXBT
Échangez avec les partenaires CFD officiels de l'AC Milan
Le moyen le plus simple de trader la crypto.
Source: https://www.aitrends.com/cloud-2/survey-finds-many-companies-do-little-or-no-management-of-cloud-spending/

Continuer la lecture

AI

La convergence de l'IA, de la 5G et de la réalité augmentée pose de nouveaux risques pour la sécurité 

Avatar

En cliquant sur ce bouton,

on

Par John P. Desmond, Tendances de l'IA éditeur  

Quelque 500 experts en affaires et en sécurité de niveau C provenant d'entreprises avec plus de 5 milliards de dollars de revenus dans plusieurs secteurs ont exprimé leur inquiétude dans une récente enquête d'Accenture concernant les vulnérabilités de sécurité potentielles posées par la poursuite simultanée des technologies de l'IA, de la 5G et de la réalité augmentée. .  

Claudio Ordóñez, responsable de la cybersécurité pour Accenture au Chili

Pour former correctement les modèles d'IA, par exemple, l'entreprise doit protéger les données nécessaires pour former l'IA et l'environnement dans lequel elle est créée. Lorsque le modèle est utilisé, les données en mouvement doivent être protégées. Les données ne peuvent être collectées en un seul endroit, que ce soit pour des raisons techniques ou de sécurité, ou pour la protection de la propriété intellectuelle. "Par conséquent, cela oblige les entreprises à insérer un apprentissage sécurisé afin que les différentes parties puissent collaborer », a déclaré Claudio Ordóñez, Leader de la cybersécurité pour Accenture au Chili, dans un récent compte Étude de marché Biz.  

Les entreprises doivent étendre leurs pratiques de développement logiciel sécurisées, appelées DevSecOps, pour protéger l'IA tout au long du cycle de vie. «Malheureusement, il n'y a pas de solution miracle pour se défendre contre les manipulations de l'IA, il sera donc nécessaire d'utiliser des capacités en couches pour réduire les risques dans les processus métier alimentés par l'intelligence artificielle», a-t-il déclaré. Les mesures comprennent des fonctions et des contrôles de sécurité communs tels que la désinfection des données d'entrée, le renforcement de l'application et la mise en place d'une analyse de sécurité. De plus, des mesures doivent être prises pour assurer l'intégrité des données, le contrôle de la précision et la détection des sabotages, et capacités de réponse rapide.    

Risque d'extraction de modèle et d'atteintes à la vie privée  

Les modèles d'apprentissage automatique ont démontré des problèmes de sécurité et de confidentialité uniques. "Si un modèle est exposé à des fournisseurs de données externes, vous risquez de subir une extraction de modèle," Ordóñez averti. Dans ce cas, le hacker devrait être capable de Rétroconcevoir le modèle et générer un modèle de substitution qui reproduit la fonction du modèle d'origine, mais avec des résultats modifiés. «Cela a des implications évidentes pour la confidentialité de la propriété intellectuelle», a-t-il déclaré.  

Pour se prémunir contre l'extraction de modèles et les attaques contre la confidentialité, des contrôles sont nécessaires. Certains sont faciles à appliquer, comme les limitations de débit, mais certains modèles peuvent nécessiter une sécurité plus sophistiquée, comme une analyse d'utilisation anormale. Si le modèle d'IA est fourni en tant que service, les entreprises doivent envisager des contrôles de sécurité en place dans l'environnement de service cloud. "Les données et modèles open source ou générés en externe fournissent des vecteurs d'attaque pour les organisations », a déclaré Ordóñez, car les attaquants peuvent être en mesure d'insérer des données manipulées et de contourner la sécurité interne.   

Lorsqu'on leur a demandé comment leurs organisations envisageaient de créer les connaissances techniques nécessaires pour prendre en charge les technologies émergentes, la plupart des répondants à l'enquête Accenture ont déclaré qu'ils formeraient les employés existants (77%), collaboreraient ou établiraient des partenariats avec des organisations qui ont l'expérience (73%), embauchez de nouveaux talents (73%) et acquérir de nouvelles entreprises ou startups (49%).  

Selon Ordóñez, le temps nécessaire pour former des professionnels à ces compétences est sous-estimé. En outre, «les répondants supposent qu'il y aura de vastes talents disponibles pour embaucher de l'IA, de la 5G, de l'informatique quantique et de la réalité étendue, mais la réalité est qu'il y a et qu'il y aura une pénurie de ces compétences sur le marché», a-t-il déclaré. «Pour aggraver le problème, il sera encore plus difficile de trouver des talents en sécurité avec ces compétences technologiques émergentes», a-t-il déclaré.  

Les fonctionnalités de la technologie 5G soulèvent de nouveaux problèmes de sécurité, notamment la virtualisation qui étend la surface d'attaque et le suivi «hyper-précis» des emplacements d'attaque, augmentant ainsi les problèmes de confidentialité des utilisateurs. «À l'instar de la croissance des services cloud, la 5G a le potentiel de créer des réseaux fantômes qui fonctionnent en dehors des connaissances et de la gestion de l'entreprise», a déclaré Ordóñez.  

"L'enregistrement de l'appareil doit inclure une authentification pour gérer la surface d'attaque de l'entreprise. Sans cela, l'intégrité des messages et l'identité de l'utilisateur ne peuvent être assurées », a-t-il déclaré. Les entreprises auront besoin de l'engagement du responsable de la sécurité de l'information (RSSI) pour être efficaces. «Pour réussir, il faut un engagement et une expertise importants du RSSI en matière de gestion des cyberrisques dès le départ et tout au long de l’innovation au quotidien, y compris avoir la bonne mentalité, les bons comportements et la bonne culture pour y parvenir.»  

La réalité augmentée introduit également une gamme de nouveaux risques de sécurité, avec des problèmes de sécurité autour de l'emplacement, de reconnaissance de confiance, du contenu des images et du son environnant, et du «masquage du contenu». À ce propos, «La commande« ouvrir cette vanne »peut être dirigée vers le mauvais objet et générer une activation catastrophique», a suggéré Ordóñez.  

Techniques pour protéger la confidentialité des données à l'ère de la 5G 

Jiani Zhang, président, Alliance et unité de solutions industrielles, Systèmes persistants

La confidentialité des données est l'un des problèmes les plus importants de la décennie, alors que l'IA se développe et que de plus en plus de cadres réglementaires sont mis en place en même temps. Plusieurs techniques de gestion des données peuvent aider les organisations à rester en conformité et à être sécurisées, a suggéré Jiani Zhang, présidente de l'unité Alliance et solutions industrielles chez Persistent Systems, où elle travaille en étroite collaboration avec IBM et Red Hat pour développer des solutions pour les clients, comme indiqué récemment dans Le projet Enterprisers. 

Apprentissage fédéré. Dans un domaine avec des données sensibles sur les utilisateurs comme les soins de santé, la sagesse traditionnelle de la dernière décennie était de «désarchiver» les données chaque fois que cela était possible. Cependant, l'agrégation des données nécessaires pour former et déployer des algorithmes d'apprentissage automatique a créé «de graves problèmes de confidentialité et de sécurité», en particulier lorsque les données sont partagées au sein des organisations. 

Dans un modèle d'apprentissage fédéré, les données restent sécurisées dans leur environnement. Les modèles ML locaux sont formés sur des ensembles de données privés et les mises à jour de modèles circulent entre les ensembles de données pour être agrégées de manière centralisée. «Les données ne doivent jamais quitter leur environnement local», a déclaré Zhang.   

«De cette façon, les données restent sécurisées tout en donnant aux organisations la« sagesse de la foule », » dit-elle. «L'apprentissage fédéré réduit le risque d'une seule attaque ou fuite compromettant la confidentialité de toutes les données, car au lieu de rester dans un seul référentiel, les données sont réparties entre plusieurs.»  

AI explicable (XAI). De nombreux modèles AI / ML, les réseaux de neurones en particulier, sont des boîtes noires dont les entrées et les opérations ne sont pas visibles pour les parties intéressées. Un nouveau domaine de recherche est explicabilité, qui utilise des techniques pour aider à apporter la transparence, comme les arbres de décision représentant un système complexe, pour le rendre plus responsable.   

"Dans des domaines sensibles tels que la santé, la banque, les services financiers et les assurances, nous ne pouvons pas faire confiance aveuglément au processus décisionnel de l'IA », a déclaré Zhang. Un consommateur refusé pour un prêt bancaire, par exemple, a le droit de savoir pourquoi. «La XAI devrait être un domaine d'intérêt majeur pour les organisations qui développent des systèmes d'IA à l'avenir», a-t-elle suggéré. 

AI Ops / ML Ops. L'idée est d'accélérer l'ensemble du cycle de vie du modèle ML en standardisant les opérations, en mesurant les performances et en résolvant automatiquement les problèmes. L'AIOps peut être appliqué aux trois couches suivantes: 

  • Infrastructure: Les outils automatisés permettent aux organisations de faire évoluer leur infrastructure et de répondre aux demandes de capacité. Zhang a mentionné un sous-ensemble émergent de DevOps appelé GitOps, qui applique les principes DevOps aux microservices cloud s'exécutant dans des conteneurs.  
  • Gestion des performances des applications (APM): Les organisations appliquent l'APM pour gérer les temps d'arrêt et maximiser les performances. Les solutions APM intègrent une approche AIOps, utilisant l'IA et le ML pour identifier de manière proactive les problèmes plutôt que d'adopter une approche réactive.  
  • Gestion des services informatiques (ITSM): Les services informatiques englobent les ressources matérielles, logicielles et informatiques dans des systèmes massifs. ITSM applique AIOps pour automatiser les flux de travail de billetterie, gérer et analyser les incidents, et autoriser et surveiller la documentation parmi ses responsabilités. 

Lisez les articles sources dans  Étude de marché Biz, dans le rapport correspondant de Accenture et in Le projet Enterprisers. 

Commander PrimeXBT
Échangez avec les partenaires CFD officiels de l'AC Milan
Le moyen le plus simple de trader la crypto.
Source: https://www.aitrends.com/ai-and-5g/convergence-of-ai-5g-and-augmented-reality-poses-new-security-risks/

Continuer la lecture

AI

Comment relever le défi de niveau entreprise de la mise à l'échelle de l'IA 

Avatar

En cliquant sur ce bouton,

on

Par le personnel d'IA Trends  

Les organisations qui se sont engagées à développer des projets d'IA et qui ont connu un certain succès doivent ensuite relever les défis liés à la mise à l'échelle réussie du projet pour l'entreprise.   

Pour profiter de tous les avantages, l'organisation doit aligner l'IA sur la stratégie commerciale, assurer une collaboration interfonctionnelle, investir dans les bons talents et la bonne formation et appliquer de solides pratiques en matière de données, suggère un récent compte rendu dans Fil technique  

Ce ne sont pas de petites tâches. Une récente enquête mondiale sur l'IA menée par McKinsey a constaté que la plupart des répondants qui se sont engagés dans l'IA gagnent de la valeur, mais certains atteignent une grande échelle, augmentent leurs revenus et font des économies de coûts que les autres.  

Une enquête distincte par Accenture ont constaté que les entreprises qui mettent à l'échelle l'IA de manière stratégique génèrent cinq fois le retour sur investissement par rapport aux entreprises qui ne sont pas en mesure d'évoluer. Environ 86% des dirigeants ont déclaré qu'ils ne s'attendaient pas à atteindre leurs objectifs de croissance à moins de pouvoir faire évoluer leur IA. En outre, les trois quarts des dirigeants de niveau C interrogés estiment que leur entreprise est susceptible de faire faillite si elle ne déploie pas de manière agressive l'IA dans l'ensemble de son organisation.   

Dans un certain contexte, McKinsey estime que l'IA ajoutera 13 billions de dollars à l'économie mondiale au cours de la prochaine décennie. La pleine valeur de l'IA ne peut se concrétiser que lorsque les entreprises ont compensé leurs coûts initiaux de développement de l'IA, avec des gains commerciaux substantiels grâce à son déploiement généralisé. Cependant, «la plupart des entreprises ont du mal à faire évoluer l'IA», indique le compte.  

Les principales raisons pour lesquelles la mise à l'échelle de l'IA est si difficile relèvent de quatre thèmes: la personnalisation, les données, le talent et la confiance, suggère l'auteur d'un compte récent dans VentureBeat  

Personnalisation: La plupart des modèles pour résoudre les problèmes d'IA-ML, apprentissage en profondeur et traitement du langage naturel par exemple-sont open source, librement accessibles à tous. Les équipes d'entreprise doivent personnaliser et former chaque modèle pour l'adapter au problème, aux données et au domaine spécifiques. Les paramètres du modèle doivent être optimisés pour s'aligner sur les indicateurs de performance clés de l'entreprise. Pour être déployés, les modèles doivent être intégrés dans l'architecture informatique existante.   

Ganesh Padmanabhan, vice-président, Développement commercial mondial et partenariats stratégiques, BeyondMinds

"Construire des systèmes d'IA à partir de zéro pour chaque problème et domaine nécessite donc une tonne de travail de personnalisation", a déclaré l'auteur, Ganesh Padmanabhan est VP, Global Business Development & Strategic Partnerships chez BeyondMinds. Basée à Tel Aviv, la société fournit un moteur d'IA modulaire destiné à résoudre des problèmes commerciaux réels. «Un élément clé de l'opérationnalisation de l'IA consiste à rendre le processus de personnalisation aussi efficace que possible», a-t-il déclaré.  

Dates: L'effort nécessaire pour exploiter, préparer et accéder aux données pour conduire des projets d'IA est souvent sous-estimé, et c'est la raison pour laquelle de nombreux projets d'IA échouent. Dans de nombreux cas, l'organisation se rend compte qu'elle manque de définitions de données standardisées ou de définitions de données appropriées, et elle a du mal avec les sources de données distribuées. «Cela lance un voyage de transformation de plusieurs années», a déclaré Padmanabhan. Des techniques avancées d'apprentissage automatique pour travailler avec des ensembles de données plus petits et des données plus bruyantes en production sont nécessaires pour mettre en production les projets pilotes d'IA.  

Talent: Ingénieurs ML et data scientists qui combinent des compétences statistiques (ML), une expertise du domaine et une expérience en développement logiciel «La nécessité de créer une équipe retarde la réalisation de votre valeur avec l'IA», a-t-il déclaré, ajoutant: «Il faut des années pour que ces équipes commencent à produire de vrais résultats. Certaines organisations renforcent les équipes internes d'IA avec des partenaires externes, pour un parcours pilote-production plus rapide, a-t-il suggéré.   

Confiance: Étant donné les craintes que l'IA puisse rendre les emplois obsolètes, les systèmes d'IA doivent être conçus avec une collaboration homme-machine à la base. «Pour une adoption à grande échelle de l'IA au sein d'une organisation, vous avez besoin de l'adhésion, du soutien et de l'intégration de plusieurs processus métier, systèmes informatiques et flux de travail des parties prenantes», a déclaré Padmanabhan.  

Le maintien de la conformité avec l'audit interne et les exigences réglementaires est un domaine en évolution rapide, également nécessaire. Toute décision biaisée prise par l'IA de la boîte noire peut présenter un risque. «C'est un obstacle critique que même les équipes les plus avancées se heurteront lorsqu'elles essaieront de faire évoluer l'IA dans leurs organisations», a-t-il déclaré.  

«Culture de travail cloisonnée» autour de la gestion des données doit aller  

Une partie de l'effort de mise à l'échelle de l'IA dans l'entreprise peut nécessiter une transformation d'une «culture de travail cloisonnée», en particulier autour de la gestion des données, suggère le fondateur d'une entreprise qui aide les entreprises à accélérer l'adoption de l'IA.   

Sumanth Vakada, fondateur et PDG, Qualetics Data Machines

"La mise à l'échelle de l'IA dans les entreprises nécessite de rassembler les activités, la technologie et les données », a déclaré Sumanth Vakada, fondateur et PDG de Qualetics Machines de données, basées à Skillman, NJ, dans un poste de blog. "Les données organisationnelles doivent être déverrouillées pour garantir leur libre circulation dans toute l'organisation. Cela ne peut pas se produire dans une culture de travail cloisonnée et les organisations doivent constituer une équipe interdisciplinaire pour stimuler l'IA dans les organisations », suggère-t-il.  

L'effort doit combiner plusieurs flux de données provenant d'équipes de travail, d'applications, de clients, de produits et de services. «Chacun de ces domaines est capable de générer des données qui ont un impact latéral sur d'autres domaines», a déclaré Vakada, ajoutant que l'obstacle doit être surmonté pour tirer parti des données interfonctionnelles. 

Si elle n'est pas en place, l'organisation qui tente de faire évoluer l'IA a besoin d'un «modèle de gouvernance de l'IA», avec l'adhésion de la C-suite, l'alignement sur la stratégie commerciale et la structuration du rôle et des responsabilités d'exécution. Une approche efficace est un «hub and spoke: modèle avec le hub prenant la responsabilité de la stratégie et de la planification, et de petites équipes dans divers départements gérant l'exécution, suggère-t-il. 

«La mise à l'échelle de l'IA aujourd'hui donne aux entreprises une longueur d'avance non seulement dans la cueillette des fruits bas de l'automatisation et de l'intelligence, mais aussi dans le renforcement des capacités pour l'avenir», a déclaré Vakada. 

Lire les articles et informations sources in Fil technique, dans les rapports de McKinsey et  Accenturein VentureBeat et dans le article de ce blog à partir de Qualetics Machines de données.

Commander PrimeXBT
Échangez avec les partenaires CFD officiels de l'AC Milan
Le moyen le plus simple de trader la crypto.
Source: https://www.aitrends.com/infrastructure-for-ai/how-to-meet-the-enterprise-grade-challenge-of-scaling-ai/

Continuer la lecture
BlockchainIl y a 2 jours

Le `` sénateur Bitcoin '' Lummis optimiste à propos de la réforme fiscale de la crypto

BlockchainIl y a 2 jours

Dogecoin devient la crypto-monnaie la plus populaire

AérospatialeIl y a 4 jours

Plan sur 100 ans d'Astra: questions-réponses avec le PDG Chris Kemp

EsportsIl y a 4 jours

PowerOfEvil à propos de la préparation des séries éliminatoires du Spring Split de TSM: `` Beaucoup de choses vont changer dans les prochains jours ''

Cyber ​​sécuritéIl y a 4 jours

Vulnérabilité critique découverte dans une appliance de pare-feu fabriquée par Genua

Cyber ​​sécuritéIl y a 4 jours

Comment obtenir le mot de passe Snapchat de quelqu'un?

PaiementsIl y a 3 jours

4 parties sur Coinbase «IPO» - Partie 1 = 5 raisons pour lesquelles c'est important

GamingIl y a 2 jours

Betfred Sports, représenté par la direction de SCCG, signe un accord de marketing pluriannuel avec les Rocheuses du Colorado

AR / VRIl y a 3 jours

'Farpoint' Studio Impulse Gear annonce un nouveau jeu VR à venir cette année

AérospatialeIl y a 3 jours

Des partenaires produisent un outil imprimé en 3D de pales de rotor sur une imprimante 3D Ingersoll

BlockchainIl y a 2 jours

Le gestionnaire de fonds spéculatifs milliardaire et un ancien président de la CFTC auraient investi dans une entreprise de cryptographie

Cyber ​​sécuritéIl y a 4 jours

Tendances logicielles les plus populaires pour 2021

BlockchainIl y a 2 jours

NEXT Chain: Blockchain de nouvelle génération avec des yeux sur l'industrie DeFi

BlockchainIl y a 2 jours

Analyse du prix du Bitcoin: de retour au-dessus de 50K $, mais face à une énorme résistance maintenant

AutomobileIl y a 5 jours

Rivian partage des détails sur les stratégies intelligentes de chauffage de la batterie du pick-up R1T

StartupsIl y a 3 jours

À quoi s'attendre demain aux sessions TC: Justice 2021

BlockchainIl y a 2 jours

Les investisseurs institutionnels continuent d'acheter du Bitcoin alors que le prix dépasse 50K $: rapport

AIIl y a 3 jours

Comment l'IA transforme la cybersécurité en 2021?

Equité PrivéIl y a 3 jours

Instacart lève 265 millions de dollars pour une valorisation de 39 milliards de dollars

EsportsIl y a 4 jours

Comment télécharger Pokemon Unite APK, iOS et Switch

Tendance