电子发烧友论坛
118
机器学习
|
|
|
7个回答
|
|
|
在我们的生活中，机器学习确实无处不在，它增加了价值，产生了积极的经济效应，同时减少了低效和浪费。这是由多方面的因素推动形成的，包括显著改进的神经网络（NN）框架，成熟的机器学习技术，改善的训练数据访问方法，当然还有一点很重要的就是，性能更佳的、嵌入在边缘和终端用于训练的专用集成电路（asic）。再加上更好的机器学习训练算法——在一些情况下可以将训练时间从数周减少到数小时，机器学习正变得越来越可行。
我们现在看到的是，即使没有连接到云端，也可以在边缘以卓越的帧率（每秒的推理次数）执行推理，而放在几年前，这只有在数据中心才可以实现。由于推理可以在边缘进行，因此开启了更多的机会。 中国市场已经受益于对机器学习和人工智能（AI）的长期关注与持续投资，并造就了多种高效的机器学习框架，例如百度飞桨（PaddlePaddle，即PArallel Distributed Deep LEarning，并行分布式深度学习），华为的Mindspore和旷视科技的Brain++。此外，阿里巴巴也投资打造了阿里云城市大脑，旨在支持智慧城市的运行，并通过其下属的芯片设计企业平头哥半导体投身于人工智能芯片的研发。 无论从大学、研究者，还是从蓬勃发展的企业部门来看，中国在机器学习著作和专利方面都处于领先地位，我们正在见证中国在所有领域展示其成熟的机器学习创新、开发和应用能力。 |
|
|
|
|
|
机器学习的未来
人工智能逐渐走向“边缘”，并且能够在智能手机和自动驾驶汽车等边缘设备上以高帧率进行推理，是当前的发展方向。神经网络加速器这种专用集成电路可以比典型嵌入式cpu快100倍的速度运行神经网络工作负载，其强大的性能和功能正在打开一系列市场，包括先进驾驶辅助系统（ADAS）和自动驾驶汽车、机器人和机器人流程自动化（RPA）、智慧城市管理，以及健康和许多其他市场。  人工智能和机器学习最令人兴奋的地方在于每天都会有新的进展公之于众。一些领域的进展将进一步推动机器学习取得成功，包括强化学习（其中机器学习功能可以通过游戏化的方式执行任务来进行“学习”），以及生成式对抗网络（GAN）。这些技术在超分辨率及创造前所未有的细节和清晰度方面非常成功。 再来看看新兴的联邦学习（Federal learning）技术，它将变得更加重要。在联邦学习中，来源于现实事件的信息可以被转发给其他实例，以便它们能够了解最新的事件并从中学习。以一辆汽车为例，它可以接到其他车辆关于道路状况变化的通知，而且相关的新知识也会传送给它。这不仅仅是车辆对车辆（V2V）或车辆对基础设施（V2X），它是一个有价值的应用案例，车辆可以学习如何应对新的道路状况或道路上的异常物体。 此外，我们可以看到，随着数据中心变得更加高效，训练一个精确的神经网络所需的时间大大缩短了。这将带来很大的好处，因为可以提供全新的、改进的迭代模型，从而能够充分利用移动边缘计算（MEC）功能，并在边缘和终端更新已部署的模型。我们将看到，从数据中心训练向边缘部署的转变会逐渐被另一种方式取代，即从数据中心到移动边缘计算，再到边缘，然后通过联邦学习将新的发现反馈回来，令所有人受益。 5G在工业环境中将非常有价值，因为它将提供一个重要的机会，以实现在机器之间传递大量数据。事实上，这也可以帮助人工智能机器人在未来的智能工厂中去修复现有的、基于人工智能技术的机器人——在不太适合人类进行处理的3D（Dirty肮脏、Difficult困难、Dangerous危险）环境中，这种方式特别有用。 |
|
|
|
|
|
在工业领域采用机器学习
当前，我们看到智能工厂正在出现。这意味着将在工厂和工作环境中应用“数字孪生”（DigitalTwins）技术，人类负责管理和控制工厂，而工厂可能在1,000英里之外并完全由机器人来操作和运行。机械臂、传感器、微机电系统（MEMS）和多个摄像头将通过机器学习功能来协调和控制，而机器学习功能又由人来监管，这样可以有效地提高生产力。  以航空航天为例，如果一架飞机的发动机拥有自己的数字孪生，管理者就可以查看所有的应力和应变，并以数字版本的形式查看发动机在其整个生命周期中如何运行。每次在飞行期间或飞行后都会进行数据更新，并将更新的数据输入到模型和一些案例中，然后运行这些案例以检查真正的引擎是否需要特定的维护。同样的行为也会发生在机器人和机器人流程自动化中，从而实现巨大的跃进。机器人将能够进行自我监测和修复，而人类能够控制和管理它们，并且可以看到机器人所能看到的一切，所有这些都由机器学习来实现。 从某种意义上讲，我们将拥有真正的“熄灯”工厂，工厂里将没有现场人员。我们已经从机器学习的角度看到了这一趋势，机器学习在预测性和预防性维护方面非常有用，可以预测什么时候可能会出现故障或问题，以及某个部件将磨损殆尽，然后检查数据，发出警报并监听特定问题。这就像当我们听到自己的汽车发出奇怪的声响时，就会意识到某些地方出问题了，但是有了机器学习，就可以训练它去监听奇特的噪音，这些噪音可能就是潜在问题的早期迹象。 我们还将看到机器学习为自动送货机器人领域带来的重要机遇。我们可以将送货的卡车和厢式货车编队，让它们以车队的形式行驶，从而减少驾驶方面的工作量，车辆之间可以通过联邦学习的方式传递信息。 还有一个案例是，机器人已经能够在医院中运送药品等物资。从清洁和污染的角度看，这会使物资的移动和病人对物资的使用更加便捷和安全。 |
|
|
|
|
|
机器学习和大数据
就如今的机器学习而言，其与2010年时的主要区别在于，我们更清楚该怎样去利用所收集的数据。在过去，很难存储和管理海量数据并从中提取信息。而现在，预测推荐系统和神经网络已经解决了这个问题。所有传感器数据可以通过传感器融合（Sensor Fusion）进行汇聚和组合，从而针对正在发生的事情构建出一幅综合画面，同时为数据驱动的决策提供支持。 机器学习非常擅长做人类不太擅长的事情，例如大量的复杂计算以及执行神经网络运行所需的乘累加运算。这意味着我们可以从海量数据中提取特征，理解它们的重要性，然后优化结果，也就是说机器学习可以解决大数据的问题。此外，我们也可以通过更人性化的方式分享信息，例如仪表盘和分析工具。神经网络也可以用于进一步分析这些数据，因此，在不久的将来，一辆现代的自动驾驶汽车一天内或许会传输多达4TB的数据。 |
|
|
|
|
|
工业人工智能生态系统
我们现在看到，人工智能工业生态系统各领域的先锋企业都迎来了爆炸式增长。诸如科大讯飞和达闼科技等致力于交通和拥堵管理的机器人公司正在寻找新的市场以施展自己的专业能力。 各公司都正在努力使智能工厂变得高效。我们看到，凭借同步定位与地图构建（SLAM）技术，我们在了解机器人在其环境中所处的位置方面已经取得了可观的进步，SLAM技术可以指示出机器人在空间中的位置。这有助于机器学习和人工智能正在进行的另一项工作，即为机器人提供更多的信息，比如它应该如何行动，以及如何很好地利用自己当前的位置。 |
|
|
|
|
|
相关的开发工具
所有这一切中最重要的就是创建工具，即创建所需的“镐和锹”等工具，以便人们去“开采黄金”。这些工具是指大量的软件工具。软件工作流程变得极其重要，这就是为什么Imagination的神经网络加速器可以使网络的离线编译变得非常简单和高效。这使得神经网络加速器可以更快地被部署，从而缩短开发时间和上市时间。 该软件工作流程利用了离线工具、编译器、分析器、适配器、调谐器及其他工具，进而可以轻松地推出针对边缘部署进行了优化的网络，这意味着较小的模型具有很高的准确性，从而降低了成本，提高了效率。这些都将通过无线方式进行更新，因此5G也将是该生态系统的重要组成部分。 软件和工具非常重要，理解应用案例也是如此。在一种情况下行之有效的方法可能在其他地方并不是那么成功，而这正是大学、医院和科研实验室致力于进行研究的方面。 |
|
|
|
|
|
展望未来
机器学习拥有光明的未来，而在工业领域拥有非常大的机会去实施更广泛的机器学习。凭借神经网络加速器（NNA）的领先性能以及适合任何工业应用的机器学习算法，Imagination Technologies一直处于机器学习革命的前沿，我们已准备好迎接未来。随着机器学习技术的发展和成熟，我们将看到利用机器学习来提高生产力的机会越来越多，而Imagination将通过领先的机器学习技术为此提供全力支持。 |
|
|
|
|
只有小组成员才能发言，加入小组>>
/8 
评论
淘帖
