소셜 네트워크

AI

건강 관리를 재편하는 AI 트렌드

화신

게재

on

저자에 대해 자세히 알아 보려면 클릭하십시오. 벤 로리 카.

의료 분야에서 AI를 적용하면 다른 산업과 크게 다른 여러 가지 과제와 고려 사항이 있습니다. 그럼에도 불구하고 최첨단 기술을 활용하여 치료를 개선하는 AI를 작동시키는 데있어 리더 중 하나이기도합니다. 수치는 스스로를 말해줍니다 : 의료 시장 규모의 글로벌 AI는 4.9 년 2020 억 달러에서 XNUMX 년까지 성장할 것으로 예상됩니다. 45.2에 의해 $ 2026 억. 이러한 성장을 이끄는 몇 가지 주요 요인은 엄청난 양의 의료 데이터와 증가하는 데이터 세트의 복잡성, 증가하는 의료 비용을 줄여야 할 필요성, 변화하는 환자 요구 사항입니다.

깊은 학습예를 들어, 지난 몇 년 동안 임상 환경에 상당한 진출을했습니다. 특히 컴퓨터 비전은 검사 및 진단을 지원하는 의료 영상에서 그 가치가 입증되었습니다. 자연어 처리 (NLP) 텍스트 마이닝 및 데이터 공유를 통해 계약 및 규제 문제를 모두 해결하는 데 상당한 가치를 제공했습니다. COVID-19 이후 백신 및 약물 개발과 같은 이니셔티브를 촉진하기 위해 제약 및 생명 공학 회사가 AI 기술을 채택하는 것이 증가하는 것은 AI의 엄청난 잠재력을 예시 할뿐입니다.

우리는 이미 의료 AI에서 놀라운 진전을보고 있지만 아직 초기 단계이며 그 가치를 진정으로 발휘하기 위해 업계를 형성하는 과제, 도구 및 의도 된 사용자를 이해하기 위해 수행해야 할 많은 작업이 있습니다. 의 새로운 연구 John Snow Labs 및 Gradient Flow, 의료 조사 보고서의 2021 AI, 우리가 어디에 있고, 어디로 가고, 어떻게 거기에 도착하는지에 대해 조명합니다. 글로벌 설문 조사에서는 오늘날 의료 분야에서 AI의 상태를 광범위하게 살펴볼 수 있도록 다양한 단계의 AI 채택, 지역 및 기술 역량에있는 의료 기관에 대한 중요한 고려 사항을 조사합니다.               

가장 중요한 발견 중 하나는 AI 구현과 관련하여 어떤 기술이 가장 중요하다는 것입니다. 2021 년 말까지 어떤 기술을 도입 할 계획인지 묻는 질문에 거의 절반의 응답자가 데이터 통합. 약 XNUMX/XNUMX이 현재 사용 중이거나 연말까지 사용할 계획 인 기술 중 자연어 처리 (NLP) 및 비즈니스 인텔리전스 (BI)를 인용했습니다. 기술 리더로 간주되는 이들 중 절반은 데이터 통합, NLP, 비즈니스 인텔리전스 및 데이터웨어 하우징에 기술을 사용하고 있거나 곧 사용할 것입니다. 이러한 도구가 방대한 양의 데이터를 이해하는 데 도움이되는 힘을 가지고 있으며 규제 및 책임감있는 AI 관행을 염두에두고 있다는 점을 고려하면 이는 의미가 있습니다.

AI 도구 및 기술의 대상 사용자에 대해 질문했을 때 응답자의 절반 이상이 대상 사용자 중에서 임상의를 식별했습니다. 이는 과거와 마찬가지로 기술자와 데이터 과학자뿐만 아니라 의료 서비스를 제공해야하는 사람들이 AI를 사용하고 있음을 나타냅니다. 이 숫자는 성숙한 조직이나 60 년 이상 생산에 AI 모델을 보유한 조직을 평가할 때 훨씬 더 높아집니다. 흥미롭게도 성숙한 조직의 응답자의 거의 XNUMX %는 환자가 AI 기술의 사용자이기도한다고 답했습니다. 챗봇과 원격 의료의 출현으로 향후 몇 년 동안 AI가 환자와 제공자 모두에게 어떻게 확산되는지 보는 것은 흥미로울 것입니다.

AI 솔루션 구축을위한 소프트웨어를 고려할 때 오픈 소스 소프트웨어 (53 %)가 퍼블릭 클라우드 제공 업체 (42 %)보다 약간 우위를 점했습니다. XNUMX ~ XNUMX 년을 내다 보면서 응답자들은 상용 소프트웨어와 상용 SaaS를 모두 사용할 수있는 개방성을 나타 냈습니다. 오픈 소스 소프트웨어는 클라우드 제공 업체가 할 수없는 데이터에 대한 자율성을 사용자에게 제공하므로 의료 서비스와 같이 규제가 엄격한 산업이 데이터 공유를 경계하는 것은 그리 놀라운 일이 아닙니다. 마찬가지로, AI 모델을 프로덕션에 배포 한 경험이있는 대부분의 회사는 타사 또는 소프트웨어 공급 업체의 평가가 아닌 자체 데이터 및 모니터링 도구를 사용하여 모델을 검증하기로 선택합니다. 초기 단계의 회사는 타사 파트너를 탐색하는 데 더 수용 적이지만 성숙한 조직은보다 보수적 인 접근 방식을 취하는 경향이 있습니다.                      

일반적으로 AI 솔루션, 소프트웨어 라이브러리 또는 SaaS 솔루션을 평가하는 데 사용되는 주요 기준 및 협력 할 컨설팅 회사에 대한 질문에 대한 태도는 동일하게 유지되었습니다. 기업, 자체 모델 교육 능력, 최첨단 정확성을 최우선 과제로 삼습니다. 솔루션 및 잠재적 파트너에 대한 질문에서 의료 데이터 엔지니어링, 통합 및 컴플라이언스 분야의 의료 관련 모델과 전문 지식이 XNUMX 위를 차지했습니다. 개인 정보 보호, 정확성 및 의료 경험은 AI 채택을 이끄는 원동력입니다. 데이터가 계속 증가하고 기술 및 보안 조치가 개선됨에 따라 AI가 더욱 성장할 준비가 된 것은 분명합니다. 빠른 채택에 뒤처져있는 의료 서비스가 AI로 옮겨 가고 있으며 이미 상당한 영향을 받고 있습니다. 접근 방식, 최고의 도구 및 기술, AI의 응용 프로그램은 다른 산업과 다를 수 있지만 내년 설문 조사 결과를 위해 무엇이 준비되어 있는지 보는 것은 흥미로울 것입니다.

코인 스마트. 유로파 최고의 비트 코인-보르 스
출처 : https://www.dataversity.net/the-ai-trends-reshaping-health-care/

인공 지능

Lightmatter의 포토 닉 AI 야망이 $ 80MB 라운드를 밝히다

화신

게재

on

AI는 오늘날 많은 제품과 서비스의 기본이지만 데이터 및 컴퓨팅주기에 대한 갈망은 끝이 없습니다. 가벼운 문제 AI 작업에 특화된 초고속 포토 닉 칩으로 무어의 법칙을 뛰어 넘을 계획이며, 새로운 80 천만 달러로 회사는 자사의 경량 컴퓨팅을 시장에 출시 할 준비가되어 있습니다.

우리는 2018 년에 처음으로 Lightmatter를 다루었습니다., 창립자들이 MIT에서 갓 벗어 났고 11 만 달러를 모금하여 포토 닉 컴퓨팅에 대한 아이디어가 그들이 주장한 것만 큼 가치가 있음을 증명했습니다. 그들은 다음 XNUMX 년 동안 기술을 구축하고 개선하며 하드웨어 신생 기업과 기술 창립자가 찾는 모든 장애물에 부딪 혔습니다.

회사의 기술이하는 일에 대한 전체 분석은 그 기능을 읽으십시오 — 필수 사항은 변경되지 않았습니다.

간단히 말해서, Lightmatter의 칩은 말 그대로 순식간에 기계 학습의 기본이되는 복잡한 계산을 수행합니다. 전하, 논리 게이트 및 트랜지스터를 사용하여 데이터를 기록하고 조작하는 대신 칩은 빛의 경로를 조작하여 계산을 수행하는 광자 회로를 사용합니다. 수년 동안 가능했지만 최근까지도 대규모 작업이 가능했으며 실제로 매우 가치있는 목적으로는 불가능했습니다.

제품 프로토 타입

Lightmatter가 2018 년에 시작되었을 때이 기술이 Google 및 Amazon과 같은 수천 개의 사용자 지정 단위 회사가 AI를 교육하는 데 사용하는 것과 같은 더 전통적인 컴퓨팅 클러스터를 대체하기 위해 판매 할 수 있는지 여부는 완전히 명확하지 않았습니다.

“원칙적으로 기술이 훌륭해야한다는 것을 알고 있었지만 우리가 알아 내야 할 세부 사항이 많았습니다.”CEO이자 공동 창립자 인 Nick Harris는 인터뷰에서 TechCrunch에 말했습니다. "우리가 극복해야 할 많은 어려운 이론적 컴퓨터 과학 및 칩 설계 과제… 그리고 COVID는 짐승이었습니다."

공급 업체가 위임을 받고 업계의 많은 사람들이 파트너십을 일시 중지하고 프로젝트를 연기하는 등의 일로 인해 전염병으로 인해 Lightmatter가 일정보다 몇 달 뒤처졌지만 다른 쪽은 더 강해졌습니다. Harris는 칩 회사를 처음부터 구축하는 데 따르는 어려움이 예상치 못한 것은 아니지만 상당하다고 말했습니다.

Lightmatter 서버 랙.

이미지 크레딧 : 가벼운 문제

"일반적으로 우리가하는 일은 꽤 미친 짓입니다."라고 그는 인정했습니다. “우리는 무에서 컴퓨터를 만들고 있습니다. 우리는 칩, 칩 패키지, 칩 패키지가 놓이는 카드, 카드가 들어가는 시스템, 그리고 여기에서 실행되는 소프트웨어를 설계합니다. 이 모든 전문 지식을 아우르는 회사를 만들어야했습니다.”

이 회사는 소수의 창립자에서 Mountain View와 Boston에있는 70 명 이상의 직원으로 성장했으며, 신제품을 시장에 출시하면서 계속 성장할 것입니다.

몇 년 전 Lightmatter의 제품은 눈에 잘 알려진 반짝임 이었지만 이제는 '범용 광자 AI 가속기'라고 부르는 Envise에서보다 견고한 형태를 취했습니다. 일반 데이터 센터 랙에 맞도록 설계된 서버 장치이지만 놀라운 속도로 신경망 추론 프로세스를 수행 할 수있는 여러 개의 포토 닉 컴퓨팅 장치가 장착되어 있습니다. (현재는 복잡한 논리가 아닌 특정 유형의 계산, 즉 선형 대수로 제한되지만 이러한 유형의 수학은 기계 학습 프로세스의 주요 구성 요소입니다.)

Harris는 성능 향상에 대한 정확한 수치를 제공하는 것을 망설 였지만 이러한 개선이 충분히 인상적이지 않다는 것보다 증가하고 있기 때문에 더 많은 것을 제공했습니다. 웹 사이트는 BERT와 같은 대형 변압기 모델에서 NVIDIA A5 장치보다 100 배 빠르면서 에너지의 약 15 %를 사용한다고 제안합니다. 이 플랫폼은 지속적으로 더 많은 컴퓨팅 성능을 필요로하고이를 사용하는 데 필요한 에너지를 코를 통해 지불하는 Google 및 Amazon과 같은 거대 AI 기업에게 두 배로 매력적입니다. 더 나은 성능이나 더 낮은 에너지 비용이 좋을 것입니다. 둘 다 함께 저항 할 수 없습니다.

Lightmatter의 초기 계획은 2021 년 말까지 가장 가능성이 높은 고객을 대상으로 이러한 장치를 테스트하고이를 개선하고 널리 판매 할 수 있도록 생산 수준까지 끌어 올리는 것입니다. 그러나 Harris는 이것이 본질적으로 새로운 접근 방식의 모델 T라고 강조했습니다.

“우리가 옳다면 우리는 다음 트랜지스터를 발명했을뿐입니다.”라고 그는 말했다. 그리고 대규모 컴퓨팅의 목적을 위해 그 주장은 장점이없는 것이 아닙니다. 조만간 초소형 포토 닉 컴퓨터를 손에 넣지 않을 것이지만, 10 년까지 세계 전력의 2030 % 정도가“정말 무제한 식욕을 갖고있다”고 예측되는 데이터 센터에 있습니다.

수학의 색

측면에 로고가있는 Lightmatter 칩.

이미지 크레딧 : 가벼운 문제

Lightmatter가 포토 닉 컴퓨터의 성능을 향상시킬 계획 인 두 가지 주요 방법이 있습니다. 첫 번째이자 가장 미친 소리는 다른 색상으로 처리하는 것입니다.

이 컴퓨터가 실제로 어떻게 작동하는지 생각할 때 그렇게 거칠지 않습니다. 수십 년 동안 컴퓨팅의 핵심이되어 온 트랜지스터는 전기를 사용하여 논리 연산, 게이트 열기 및 닫기 등을 수행합니다. 거시적 규모에서는 파형처럼 조작 할 수있는 다른 주파수의 전기를 가질 수 있지만이 작은 규모에서는 그렇게 작동하지 않습니다. 당신은 단지 한 가지 형태의 통화를 가지고 있으며, 전자와 게이트는 열리거나 닫혀 있습니다.

그러나 Lightmatter의 장치에서 빛은 진행되는 동안 계산을 수행하는 도파관을 통과하여 프로세스를 단순화 (일부 방식으로)하고 속도를 높입니다. 그리고 우리 모두가 과학 수업에서 배운 것처럼 빛은 다양한 파장으로 나옵니다. 동일한 하드웨어에서 독립적으로 동시에 사용됩니다.

청색 레이저에서 전송 된 신호를 빛의 속도로 처리 할 수있는 동일한 광학 마법이 최소한의 수정으로 적색 또는 녹색 레이저에서 작동합니다. 그리고 광파가 서로 간섭하지 않으면 일관성을 잃지 않고 동시에 동일한 광학 부품을 통해 이동할 수 있습니다.

즉, Lightmatter 칩이 빨간색 레이저 소스를 사용하여 20 초에 백만 번의 계산을 수행 할 수 있다면 다른 색상을 추가하면 XNUMX 백만 개가되고 다른 색상을 추가하면 XNUMX 개가됩니다. 수정이 거의 필요하지 않습니다. 가장 큰 장애물은 작업에 적합한 레이저를 얻는 것입니다. 거의 동일한 하드웨어를 사용하고 거의 즉각적으로 성능을 XNUMX 배, XNUMX 배 또는 XNUMX 배 향상시킬 수 있다는 점은 멋진 로드맵을 만듭니다.

또한 회사가 정리 작업을 진행하는 두 번째 도전, 즉 상호 연결. 모든 슈퍼 컴퓨터는 수천 대 수천의 작은 개별 컴퓨터로 구성되어 완벽하게 동기화됩니다. 그렇게하려면 각 코어가 다른 코어가 수행하는 작업을 알고 있는지 확인하고 슈퍼 컴퓨팅이 처리하도록 설계된 엄청나게 복잡한 컴퓨팅 문제를 조정하기 위해 지속적으로 통신해야합니다. (인텔은 엑사 규모의 슈퍼 컴퓨터를 구축하는이 "동시성"문제에 대해 이야기합니다. 여기를 클릭해 주세요.)

“우리가 그 과정에서 배운 것 중 하나는이 칩이 너무 빨라서 대부분의 시간을 기다리면서 거기에 앉아있을 때 서로 대화 할 수있게하는 방법입니다. ” 해리스가 말했다. Lightmatter 칩은 작업 속도가 너무 빠르기 때문에 기존 컴퓨팅 코어에 의존하여 둘 사이를 조정할 수 없습니다.

광자 문제에는 광자 솔루션이 필요합니다. 즉, 광섬유 대신 도파관을 사용하여 서로 다른 코어간에 데이터를 전송하는 웨이퍼 규모의 상호 연결 보드입니다. 물론 파이버 연결은 정확히 느리지는 않지만 무한히 빠르지는 않으며 파이버 자체는 실제로 칩이 설계된 스케일에서 상당히 부피가 커서 코어 사이에 가질 수있는 채널 수를 제한합니다.

“우리는 광학 부품 인 도파관을 칩 자체에 내장했습니다. 하나의 광섬유 공간에 40 개의 도파관을 장착 할 수 있습니다.”라고 Harris는 말했습니다. "즉, 더 많은 차선이 병렬로 작동한다는 것을 의미합니다. 이는 엄청나게 빠른 상호 연결 속도를 제공합니다." (칩 및 서버 악당은 해당 사양을 찾을 수 있습니다. 여기를 클릭해 주세요.)

광 인터커넥트 보드는 Passage라고 불리며 미래 세대의 Envise 제품의 일부가 될 것입니다. 그러나 색상 계산과 마찬가지로 미래 세대를위한 것입니다. 전력의 일부에서 5 ~ 10 배의 성능은 현재 잠재 고객을 만족시켜야합니다.

80 천만 달러를 작업에 투입

이러한 고객, 초기에는 이미 데이터 센터와 슈퍼 컴퓨터를 소유하고있는 "초 규모"데이터 핸들러가 올해 말에 첫 번째 테스트 칩을 받게 될 것입니다. 그것이 B 라운드가 주로 진행되는 곳입니다. Harris는“우리는 얼리 액세스 프로그램에 자금을 지원하고 있습니다.”라고 말했습니다.

이는 출하 할 하드웨어 구축 (공급 업체의 현재 어려움은 말할 것도없고 규모의 경제가 시작되기 전에 단위당 매우 비쌈)과 시장 진출 팀 구축을 의미합니다. 서비스, ​​지원 및 이와 같은 것과 함께 제공되는 엄청난 양의 소프트웨어-많은 채용이 진행되고 있습니다.

라운드 자체는 HP Enterprise, Lockheed Martin, SIP Global Partners 및 이전 투자자 GV, Matrix Partners 및 Spark Capital의 참여로 Viking Global Investors가 주도했습니다. 총 모금은 약 113 억 11 만 달러입니다. 초기 $ 22MA 라운드가 있었고 GV는 $ 1 만 A-80, 그리고이 $ XNUMXM을 가지고 뛰었습니다.

특히 신경망에서 포토 닉 컴퓨팅과 잠재적 인 애플리케이션을 추구하는 다른 회사가 있지만 Harris는 Lightmatter의 뒤를 밟고 있다고 생각하지 않는 것 같습니다. 제품 배송에 가까워 보이는 경우는 거의 없으며 어쨌든 이것은 하키 스틱 순간의 한가운데있는 시장입니다. 그는 OpenAI 연구를 통해 AI 관련 컴퓨팅에 대한 수요가 점점 더 큰 데이터 센터를 제외하고는 기존 기술이 제공 할 수있는 것보다 훨씬 빠르게 증가하고 있음을 지적했습니다.

향후 XNUMX 년 동안 우리가 암호 화폐 세계에서 본 것처럼 전력 소비를 억제해야하는 경제적, 정치적 압력이 가해질 것이며 Lightmatter는 일반적인 GPU 기반 요금에 대한 효율적이고 강력한 대안을 제공 할 준비가되어 있습니다.

Harris가 이전에 희망적으로 제안했듯이 그의 회사가 만든 것은 업계에서 잠재적으로 혁신적이며 서두르지 않으면 골드 러시가 발생하면 이미 주장을 내린 것입니다.

코인 스마트. 유로파 최고의 비트 코인-보르 스
출처 : https://techcrunch.com/2021/05/06/lightmatters-photonic-ai-ambitions-light-up-an-80m-b-round/

계속 읽기

인공 지능

협업 인공 지능을위한 10 가지 규칙

화신

게재

on

협업 AI
일러스트 : © IoT For All

분석가와 AI 전문가가 할당하는 정확한 숫자는 다를 수 있지만 "경험의 법칙"통계는 인공 지능 이니셔티브 1 개 중 10 개만 생산에 들어간다는 것입니다. 이 분야에서 수년간 일하면서 AI를 현실화하려는 수많은 고객과 함께, 받아들이 기 어려운 통계는 아닙니다. 

이 어려움에 대한 구체적인 이유는 방대하고 미묘하지만, 제 생각에는 데이터 과학의 학문적 특성을 비즈니스로 변환하는 것, 올바른 데이터, 가치를 제공하는 솔루션을 구축하기위한 협업 (또는 협업 부족).  

위의 모든 것을 확장하는 것은 완전히 다른 부분입니다. 대신, 특히 위의 세 번째 버킷과 관련하여 가능한 일에 대한 통찰력을 공유하고 싶습니다. 협업 프레임 워크로서 협업 AI를 구축하는 것이 AI 배포에서 편향, 불신 및 개념 드리프트의 위험을 완화하는 핵심입니다. . 문제는 협업 AI가 종종 오해되거나 잘못 적용되어 조직이 AI의 모든 잠재력을 놓치게 만든다는 것입니다. 

이를 염두에두고 협업 AI 솔루션을 선택, 설계 및 구축하기위한 10 가지 규칙이 있습니다. 

규칙 1 : 실천 – 협업이 중요한 이유 이해

많은 사용 사례에서 인간과 AI는 보완적인 강점과 약점을 가지고 있습니다. 협업 AI를 구축하는 것은 투자 포트폴리오를 다양 화하는 것과 같습니다. 모든 자산에는 제자리가 있지만 너무 많은 좋은 것은 나쁠 수 있습니다. 따라서 균형을 유지하는 것이 중요합니다. 최상의 솔루션은 보완 구성 요소를 활용하여 개별 부품보다 더 나은 전체를 만들고 때로는 부품의 합보다 더 나은 결과를 만듭니다. 

규칙 2 : 실행 – 올바른 사용 사례 선택

짓다 협업 AI, 올바른 사용 사례를 선택하는 것이 중요합니다. 사용 가능한 데이터와 그로부터 얻을 수있는 통찰력을 고려하십시오. 경영진 / 조직적 동의를 고려하고 누가 이런 종류의 프로젝트에 서명해야 하는가와 같은 질문을하십시오. 또한 부분 솔루션이 중요한 문제를 선택하십시오. 팀의 동의가 더 쉬워 질 것입니다. 가능하면 오프라인 검토가 가능하고 가치있는 문제를 선택하여 ROI 이점을 입증하십시오. 

규칙 3 : 실천 – 현실적인 기대치 설정 

AI와 관련하여 사람들은 스펙트럼의 각기 다른 측면에서 반응합니다. 때로는 과대 광고 나 두려움이 있으며 둘 다 피하는 것이 중요합니다. AI에는 놀라운 기능이 있지만 완벽하지는 않으므로 완벽을 기대하지 마십시오. 또한 완전 자동화를 기대하지 마십시오. 보통 최고의 모델이라 할지라도 인간의 감독이 필요한 코너 케이스가있을 것입니다.

규칙 4 : 수행 – 성공 기준을 신중하게 정의 

프로젝트를 시작하기 전에 성공을 측정하는 방법에 대해 신중하게 생각하십시오. 기술 성능 메트릭 (예 : Precision, Recall, F1 Score 등)을 기본값으로 사용하지 마십시오. 대신 비즈니스에 가장 중요한 측면에서 모델의 효과 또는 비 효율성을 명확하게 보여주는 측정 가능한 성공 마일스톤을 설정하십시오. 종종 이것은 효율성 또는 비용 절감 지표로 변환됩니다. 

규칙 5 :하지 마십시오 – 모델이 출시하기에 "완벽"할 때까지 기다리십시오. 조기 배송. 자주 배. 

모델로 모든 것이 완료되었다고 생각할 때까지 기다리지 마십시오. 점진적 성공을 잘 정의했다면 첫 번째 성공 이정표에 출시하십시오. 이것은 더 일찍 가치를 얻고 신뢰를 쌓으며 성능에 대한 중요한 피드백을 얻습니다! 이는 모델이 향후 반복에서 성능을 학습하고 개선하는 데 도움이되는 귀중한 피드백입니다.

규칙 6 : 수행 – 사용 사례에 대한 비용 및 시간 요소 정의 

AI 모델을 빌드 할 때 실수가 발생할 수 있으며 계획을 세우면 괜찮습니다. 실수의 비용과 성공적인 예측의 가치를 정의합니다. 이렇게하면 차질이 생겼을 때 팀에 놀라움이 없습니다. 또한 팀은 모델을 실행해야하므로 인적 검토 비용을 정의하고 그 규모가 어떻게 확장되는지 생각해보십시오.

규칙 7 :하지 마십시오 – AI 모델을 진공 상태로 설계하십시오 

비즈니스를위한 가장 성공적인 AI 모델은 자체적으로 완전히 작동하지 않습니다. 따라서 E2E 시스템을 염두에두고 모델을 설계하십시오. 즉, 솔루션의 일부입니다. 인간 주제 전문가의 강점 / 약점을 보완하도록 모델을 설계하십시오. 종종 최적의 모델은 높은 재현율과 낮은 정밀도로 왜곡됩니다.

규칙 8 : 수행 – 인적 검토를 사용하여 추론 시간 성능 벤치 마크 

추론 시간 성능이 특히 시간이 지남에 따라 테스트와 일치 할 것이라고 기대하지 마십시오. 인적 검토를 사용하여 모델 성능을 확인하고 벤치마킹 할 계획입니다.

규칙 9 :해야 할 일 – 사람의 피드백을 사용하여 모델 성능 향상

모든 사람의 리뷰는 미래의 성과를 개선하기위한 또 다른 데이터 포인트입니다. 이는 모든 데이터에 해당되지만 특히 주제와 AI가 일치하지 않는 경우에 해당됩니다. 피드백 루프를 구축하고 피드백 및 재 학습 프로세스를 최대한 자동화하여 모델이 새로운 데이터 포인트를 신속하게 통합하고 향후 예측을 개선 할 수 있도록합니다.

규칙 10 :해야 할 일 – 모델 성능에서 알려진 소프트 스팟에 대한 인적 검토 최적화 

사람들을 사용하여 모델이 엉망이 된 모델의 효능을 분석합니다. 최고의 협업 시스템은 어려운 케이스에 대한 주제 전문가 시간을 최적화합니다. 예를 들어 조명이 어둡거나 밤에 촬영 한 사진이있는 경우. 규칙을 만들거나이 작업을 자동으로 수행하는 도구를 사용하는 것이 좋습니다. 이것은 우리가 구축 한 Vinsa라는 독점 모델의 주요 동인이었습니다. 이는 다중 데이터 입력과 AI 모델의 지속적인 최적화에 대한 우선 순위를 정하기 위해 인간 내부 방식 (human-in-the-loop) 접근 방식을 사용합니다.

코인 스마트. 유로파 최고의 비트 코인-보르 스
출처 : https://www.iotforall.com/10-rules-for-collaborative-ai

계속 읽기

AI

Kubernetes는 인공 지능 개발을 주도합니다

화신

게재

on

지난 2020 년 동안 인공 지능 (AI)은 모든 분야에 영향을 미치는 메가 트렌드로 떠오르고 있습니다. 40 년 AI 스타트 업에 대한 투자는 9.3 억 달러를 넘어서 2019 년에 비해 XNUMX % 증가했습니다. AI 프로젝트의 87 % 실패, 그리고 많은 요인 원인이됩니다.

효과적인 AI 기반 애플리케이션을 만들려면 애플리케이션 개발, 스테이징, 배포 및 다른 애플리케이션과의 통합을 포함한 모든 프로젝트 구성 요소에 대한 혁신적인 사고가 필요합니다.

“코딩은 AI 엔지니어에게 유일한 문제가 아닙니다. AI 기반 애플리케이션을 구축하려면 수많은 도구를 갖춘 복잡한 IT 환경이 필요합니다. " 

엔터프라이즈 AI 시스템은 다양한 데이터 유형으로 작동하기 때문에 플랫폼에서 플랫폼으로 데이터를 전송하는 것은 어렵습니다. AI 계산에는 상당한 계산 리소스가 필요합니다. 인프라 관리는 비용이 많이 들고 빠르게 성장하는 프로젝트에 제한이 있습니다.

AI 프로젝트는 공급 업체 종속 프로젝트가 단일 클라우드 공급자를 사용해야하는 경우와 같은 계약. 공급 업체가 가격을 인상하거나 가동 중지 시간이 증가하기 시작하면 문제가 발생할 수 있습니다. 이러한 경우 AI 프로젝트는 다른 공급 업체로 이동하여 개선 될 수 있습니다. 그래도 이동 비용, 계약상의 제약 또는 기술적 문제로 인해 어려울 수 있습니다.

Kubernetes는 AI 알고리즘이 최적의 효과를 내기 위해 확장되어야하므로 솔루션을 제공합니다.

쿠 버네 티스 란?

Kubernetes 기술 뉴스에서 눈에 띄게 소개됩니다. 개발자 커뮤니티는 2015 년에 Google의 오픈 소스 Kubernetes 플랫폼에 대해 처음 알게되었습니다. Kubernetes는 클러스터 된 서버에서 컨테이너화 된 애플리케이션을 실행하고 조정합니다. 이 플랫폼은 고 가용성을 지원하는 확장 가능한 방법으로 컨테이너화 된 애플리케이션 및 서비스의 수명주기를 관리합니다.

컨테이너화 란 무엇입니까?

컨테이너화 시스템의 나머지 부분과 격리 된 방식으로 운영 체제에서 응용 프로그램을 실행합니다. 응용 프로그램은 자체 운영 체제 인스턴스가있는 것처럼 실행됩니다. 그러나 동일한 운영 체제에서 실행되는 많은 컨테이너가있을 수 있습니다.

컨테이너를 사용하면 필요한 인프라와 함께 쉽게 배포하고 애플리케이션을 재사용 할 수 있습니다.

AI는 AI 기계 학습 및 모델 학습을 가속화하기 위해 많은 조정 된 소프트웨어 구성 요소와 값 비싼 그래픽 처리 장치 (GPU)를 필요로합니다.

AI 시스템이 고르지 않은 고부하로 작업해야하는 경우 Docker Swarm은 인프라 최적화를 수동으로 최적화 할 수 있습니다. Kubernetes는이를 자동으로 수행합니다.

Kubernetes는 모든 애플리케이션과 컴퓨터 리소스를 조정하기 위해 작동합니다. 오케 스트레이터로서 배포, 관리, 확장 및 컨테이너 네트워킹을 자동화합니다.

사례 연구 : Kubernetes가 조정 한 AI 프로젝트 

이 사례 연구는 비디오 감시 및 보안 시스템에 대한 것입니다. 똑똑한 사무실. 시스템 애플리케이션에는 프런트 엔드, 백 엔드, WebRTC 비디오 스트리밍 및 비디오 처리를위한 AI 기반 기능이 포함됩니다. 

간단히 말해서, AI 지원 비디오 처리는 다음과 같은 일련의 연속 프로세스로 생각할 수 있습니다.

1) 디코딩

2) AI 계산

3) 인코딩

AI 계산은 얼굴 인식, 안면 마스크 착용 감지 또는 열 검사. 이러한 모든 프로세스에는 특히 중요한 컴퓨팅 리소스가 필요합니다. 실시간 처리 사례.

시스템의 고부하 곡선이 매시간, 매일, 매주 또는 계절별로 변동이 심한 경우 자동화 된 컴퓨터 리소스 관리가 필요합니다. 새로운 비디오 처리 요청이 나타나면 백엔드는 Kubernetes API의 도움으로 자동 확장되고 요청을 처리 할 서버를 자동으로 추가합니다. 따라서 Kubernetes는 자동 확장 및 실시간 컴퓨터 리소스 최적화를위한 조정자 역할을합니다. 

AI 개발에서 Kubernetes의 미래

2020 년의 대유행으로 인해 모든 기업은 예기치 않은 변화에 신속하게 대응해야했습니다. Kubernetes는 클라우드 네이티브 시스템에 구축 된 솔루션을 제공하여 소프트웨어 개발 속도를 가속화하는 동시에 최신 애플리케이션에서 유연한 데이터 사용을 가능하게했습니다.

ThKubernetes의 확장 성 및 분산 아키텍처는 AI 프로젝트를위한 완벽한 선택입니다. 그만큼 이러한 솔루션의 성숙으로 인해 매년 2021 년에이 흥미로운 AI 개발 분야에서 더 많은 성장이 예상됩니다.

코인 스마트. 유로파 최고의 비트 코인-보르 스
출처 : https://www.aiiottalk.com/kubernetes-drives-artificial-intelligence-development/

계속 읽기

인공 지능

그림은 스타트 업 직원이 보상을 더 잘 이해할 수 있도록 7.5 만 달러를 모금했습니다.

화신

게재

on

보상의 주제는 역사적으로 많은 사람들, 특히 스타트 업 직원들에게 급여와 형평성에 대한 임의의 결정처럼 느껴질 수있는 원인이 무엇인지 궁금해하는 민감한 주제였습니다.

지난 XNUMX 월, 소프트웨어 엔지니어 (및 하우스 메이트) Miles Hobby와 Geoffrey Tisserand는 기업이 보상 계획을 구조화하고 후보자에게 투명하게 전달하는 데 도움이되는 데이터 기반 플랫폼을 개발하여 기업의 문제를 해결하기 위해 노력했습니다.

오늘, 그 플랫폼을 뒷받침하는 스타트 업인 Figure는 CRV가 이끄는 시드 자금으로 7.5 만 달러를 모금했다고 발표했습니다. Bling Capital, Better Tomorrow Ventures 및 Garage Capital은 AngelList 공동 설립자 Naval Ravikant, Jason Calacanis, Reddit CEO Steve Huffman 및 실리콘 밸리에 기반을 둔 기타 경영진과 같은 엔젤 투자자와 함께 자금 조달에 참여했습니다.

이 신생 기업은 fintechs Brex 및 NerdWallet 및 AI 기반 피트니스 회사 Tempo와 같은 다른 신생 기업을 포함하는 고객 목록을 축적했습니다. 

간단히 말해서 Hobby와 Tisserand의 임무는 급여, 특히 형평성에 대한 워크 플로우와 투명성을 개선하는 것입니다. 두 사람 모두 스타트 업 (각각 Uber와 Instacart)에서 일했고, 매 평가마다 달라진 자기 자본이 무엇을 의미하는지 제대로 설명하지 않았기 때문에 회사를 떠날 때 테이블에 돈을 남겨 두었습니다.  

Figure의 공동 설립자이자 공동 CEO 인 Miles Hobby와 Geoffrey Tisserand. 이미지 크레딧 : 그림

따라서 그들의 목표 중 하나는 세금 영향에서 주식을 사야하는지 또는 보유해야하는지 여부에 이르기까지 개인의 지분이 실제로 무엇을 의미하는지 사용자 친화적 인 설명을 제공하는 솔루션을 만드는 것이 었습니다.

"저는 이전에 구직 과정을 여러 번 겪었고 왜 10,000 개의 스톡 옵션을 받는지 이해하기위한 복잡한 법률 문서가 모두 있지만 분명히 우리는 대다수의 사람들이 그것이 어떻게 작동하는지 전혀 모른다는 것을 알고있었습니다."라고 Tisserand는 말했습니다. TechCrunch. "우리는 그곳에서 기업이 실제로 후보자에게 가치를 전달하는 동시에 매우 비유동적인 것을 소유 할 때의 잠재적 위험을 인식하도록 도울 수있는 기회를 보았습니다."

이미지 크레딧 : 그림

Figure의 또 다른 목표는 임금과 형평성에 관한 결정에 대해보다 공정하고 균형 잡힌 프로세스를 만들어 불평등을 줄이는 것입니다. 요점은 프로세스를 체계화하여 이러한 결정과 관련된 일부 편견을 제거하는 것을 목표로합니다.

Hobby는 "우리는 형평성에 대한 이러한 맥락에서 공허함을 보았고… 기업이 보상 계획을 구조화, 관리 및 설명하는 더 나은 방법이 있어야한다는 것을 알고있었습니다."라고 말했습니다.

Hobby와 Tisserand에게 Figure는 암시 적 편견의 인스턴스를 막는 데 도움이되도록 설계되었습니다.

Tisserand는 TechCrunch에 "보상은 성별이나 민족적 배경이 아닌 수행중인 작업을 기반으로해야합니다."라고 말했습니다. “우리는 그 맥락을 제공하고 편견을 제거하려고 노력하고 있습니다. 따라서 우리는 이미 존재하는 불평등을 드러내고 이상이 없는지 확인한 다음, 존재하기 전에이를 막기 위해 두 가지 다른 단계에서 돕고 있습니다.”

또한 Figure는 기업이 "직접적이고 사용자 친화적 인"방식으로 자기 자본, 급여, 복리 후생 및 보너스를 포함한 총 보상에 대해 후보자와 직원을 교육 할 수있는 도구를 제공하는 것을 목표로합니다. 예를 들어 후보자의 보상을 대화식으로 자세히 설명하는 사용자 지정 제안서를 만들 수 있습니다.

“우리의 목표는 Figure가 보상을위한 운영 체제가되는 것입니다. 여기서 회사는 보상 철학을 우리 시스템에 인코딩 할 수 있으며, 보상 상태를 모니터링하면서 보상 상태를 모니터링하면서 보상 제안을 제공 할 수 있습니다. 필요합니다.”Hobby가 말했습니다.

고용 후 Figure의 보상 관리 시스템은 "모든 것이 원활하게 실행되도록 도와줍니다."

CRV의 엔터프라이즈 소프트웨어 총괄 파트너 인 Anna Khan은 자금의 일부로 Figure의 이사회에 합류합니다. 스타트 업을 지원하기로 한 결정은 부분적으로 개인적이라고 그녀는 말했다.

“저는 XNUMX 년 동안 소프트웨어에 투자 해 왔으며, 우리가 지불하는 방식, 보수를받는 이유, 자산을 장기적으로 구축하는 방법과 관련하여 지불 형평성에 대해 아무도 구축하지 않았다는 사실에 놀랐습니다. Khan은 TechCrunch에 말했습니다. "안타깝게도 보상 및 형평성에 대한 논의는 여전히 비공개 상태에서 이루어지고 있으며, 이는 수동 평준화, 오래된 데이터 및 큰 급여 불평등을 통해 보상에 대한 워크 플로우로 확장됩니다.

이 회사는 새로운 자본을 사용하여 제품 제공을 확장하고 조직을 확장 할 계획입니다.

코인 스마트. 유로파 최고의 비트 코인-보르 스
Source: https://techcrunch.com/2021/05/06/figure-raises-7-5m-for-compensation-management-platform/

계속 읽기
블록체인4 일 전

이더 리움이 처음으로 3,000 달러에 도달했으며 이제 뱅크 오브 아메리카보다 커졌습니다.

블록체인4 일 전

Munger 'Anti-Bitcoin'과 Buffett 'Annoyance'가 암호화 산업을 향하여

블록체인2 일 전

Changpeng Zhao에 따르면 Ethereum의 최근 ATH 랠리 이유

노름5 일 전

새로운 포켓몬 스냅 : 모든 위치를 잠금 해제하는 방법 | 완료 가이드

블록체인14 시간 전

Chiliz 가격 예측 2021-2025 : $ 1.76 2025 년 말까지

블록체인4 일 전

BNY Mellon, Bitcoin에 투자하는 회사의 주식을 소유하지 않은 것을 후회

블록체인2 일 전

마이닝 비트 코인 : 비트 코인 채굴 방법

Fintech5 일 전

Telcoin, 호주에서 송금 작업 시작

비행2 일 전

승무원 공격 ​​혐의로 아메리칸 항공 승객 체포

블록체인2 일 전

마이닝 비트 코인 : 비트 코인 채굴 방법

자동차4 일 전

Ford Mach-E Co-Pilot360 드라이버 모니터링 시스템은 최대한 빨리 업데이트해야합니다.

블록체인4 일 전

마이닝 비트 코인 : 비트 코인 채굴 방법

블록체인5 일 전

Thiel Capital 디렉터 : "비트 코인의 단기 손실로 인해 비트 코인에 사로 잡히지 마십시오"

비행4 일 전

영국 항공 기내에서 무질서하게 행동 한 후 벌금형 TV 스타들

블록체인4 일 전

트레이더가 알아야 할 이더 리움의 장기적인 ROI 잠재력은 다음과 같습니다.

AR / VR5 일 전

VR을 탐색하는 클릭 베이트 기사의 위험성

블록체인5 일 전

Coinbase, Crypto Analytics Company Skew 인수

Fintech3 일 전

말하는 핀 테크 : 고객 경험과 생산성 혁명

블록체인4 일 전

터키, 두 명의 CEO 형제를 포함한 Thodex 사기와 관련된 6 명의 용의자 수감

블록체인5 일 전

XNUMX 년 후 : 우즈베키스탄, Cryptocurrency 금지 해제 계획

인기순