'人工智能（AI）正在激增實際部署 如何優化和提高機器算法能力'
原創不易 請隨手點擊關注
本文由Rehoo團隊Tin原創，在今日頭條平臺首發，無授權禁轉，違者必究！(圖片來自網絡)
原創不易 請隨手點擊關注
本文由Rehoo團隊Tin原創，在今日頭條平臺首發，無授權禁轉，違者必究！(圖片來自網絡)
圖片來自網絡
由於近年來計算能力的提高，新算法的發現以及標記數據的增加，神經網絡的研究和開發正在蓬勃發展。在當前 ，神經網絡的實際應用受到限制。最近的大部分研究都得到了廣泛的應用，機器學習模型的大量計算要求仍然限制它真正進入主流。現在，新興算法正處於通過指數級提高效率將神經網絡推向更傳統的應用程序的尖端。神經網絡是當前計算機科學研究的重點。它們受到複雜的人類生物學的啟發，除了最常見的用例外，它們在大多數可能的尺度上仍然優於計算機。
計算機非常適合快速存儲信息和處理，而人類更善於有效利用他們擁有的有限計算能力。計算機每秒可以執行數百萬次計算，這是人類無法想象的。人類擁有自己優勢的地方就是效率，比計算機效率高出數十萬。計算機在算法複雜性方面缺乏什麼，它們彌補了純粹的處理能力，以不斷髮展的速度分析信息。
這種計算能力隨之而來：儘管計算能力的成本呈指數級下降，但機器學習仍然是一項成本難題 ，大多數個人，企業和研究人員無法接受，他們必須依靠第三方服務來進行實驗。例如，簡單的聊天機器人可能會花費幾千美元到上萬美元以上的未知成本，具體取決於複雜性。
原創不易 請隨手點擊關注
本文由Rehoo團隊Tin原創，在今日頭條平臺首發，無授權禁轉，違者必究！(圖片來自網絡)
圖片來自網絡
由於近年來計算能力的提高，新算法的發現以及標記數據的增加，神經網絡的研究和開發正在蓬勃發展。在當前 ，神經網絡的實際應用受到限制。最近的大部分研究都得到了廣泛的應用，機器學習模型的大量計算要求仍然限制它真正進入主流。現在，新興算法正處於通過指數級提高效率將神經網絡推向更傳統的應用程序的尖端。神經網絡是當前計算機科學研究的重點。它們受到複雜的人類生物學的啟發，除了最常見的用例外，它們在大多數可能的尺度上仍然優於計算機。
計算機非常適合快速存儲信息和處理，而人類更善於有效利用他們擁有的有限計算能力。計算機每秒可以執行數百萬次計算，這是人類無法想象的。人類擁有自己優勢的地方就是效率，比計算機效率高出數十萬。計算機在算法複雜性方面缺乏什麼，它們彌補了純粹的處理能力，以不斷髮展的速度分析信息。
這種計算能力隨之而來：儘管計算能力的成本呈指數級下降，但機器學習仍然是一項成本難題 ，大多數個人，企業和研究人員無法接受，他們必須依靠第三方服務來進行實驗。例如，簡單的聊天機器人可能會花費幾千美元到上萬美元以上的未知成本，具體取決於複雜性。
圖片來自網絡
進入神經架構搜索（NAS）
為克服這一障礙，科學家們一直在研究各種技術，以減少與機器和深度學習應用相關的成本和時間。該領域是軟件和硬件考慮因素的混合。更高效的算法和設計更好的硬件都是優先事項，但後者的發展是非常耗費人力和耗時的。這促使研究人員為該領域創建設計自動化解決方案。軟件和硬件方面都取得了進展。目前，神經網絡實現中最常用的技術是神經架構搜索（NAS），雖然它在設計神經網絡方面很有效，但計算量很大。NAS技術可以被認為是實現自動化機器學習的基本步驟。
麻省理工學院已經發布了該領域的大部分研究，發表了一篇論文，該論文展示了一種非常有效的NAS算法，可以學習特定硬件平臺的卷積神經網絡（CNN）。研究該論文的研究人員通過“刪除不必要的神經網絡設計組件”並專注於特定的硬件平臺（包括移動設備），成功地提高了效率。測試表明，這些神經網絡幾乎是傳統模型的兩倍。
該論文的共同作者，麻省理工學院微系統技術實驗室助理教授宋漢表示，目標是“實現AI民主化”。“我們希望通過在特定硬件上快速運行的按鈕解決方案，使AI專家和非專家能夠有效地設計神經網絡架構，”他說。“目的是減輕設計和改進神經網絡架構所帶來的重複性和繁瑣工作。”還提出了其他技術。與在資源密集的受控環境中執行相反，機器學習算法可以減少為在使用較低功率水平的特殊設計硬件上運行。
原創不易 請隨手點擊關注
本文由Rehoo團隊Tin原創，在今日頭條平臺首發，無授權禁轉，違者必究！(圖片來自網絡)
圖片來自網絡
由於近年來計算能力的提高，新算法的發現以及標記數據的增加，神經網絡的研究和開發正在蓬勃發展。在當前 ，神經網絡的實際應用受到限制。最近的大部分研究都得到了廣泛的應用，機器學習模型的大量計算要求仍然限制它真正進入主流。現在，新興算法正處於通過指數級提高效率將神經網絡推向更傳統的應用程序的尖端。神經網絡是當前計算機科學研究的重點。它們受到複雜的人類生物學的啟發，除了最常見的用例外，它們在大多數可能的尺度上仍然優於計算機。
計算機非常適合快速存儲信息和處理，而人類更善於有效利用他們擁有的有限計算能力。計算機每秒可以執行數百萬次計算，這是人類無法想象的。人類擁有自己優勢的地方就是效率，比計算機效率高出數十萬。計算機在算法複雜性方面缺乏什麼，它們彌補了純粹的處理能力，以不斷髮展的速度分析信息。
這種計算能力隨之而來：儘管計算能力的成本呈指數級下降，但機器學習仍然是一項成本難題 ，大多數個人，企業和研究人員無法接受，他們必須依靠第三方服務來進行實驗。例如，簡單的聊天機器人可能會花費幾千美元到上萬美元以上的未知成本，具體取決於複雜性。
圖片來自網絡
進入神經架構搜索（NAS）
為克服這一障礙，科學家們一直在研究各種技術，以減少與機器和深度學習應用相關的成本和時間。該領域是軟件和硬件考慮因素的混合。更高效的算法和設計更好的硬件都是優先事項，但後者的發展是非常耗費人力和耗時的。這促使研究人員為該領域創建設計自動化解決方案。軟件和硬件方面都取得了進展。目前，神經網絡實現中最常用的技術是神經架構搜索（NAS），雖然它在設計神經網絡方面很有效，但計算量很大。NAS技術可以被認為是實現自動化機器學習的基本步驟。
麻省理工學院已經發布了該領域的大部分研究，發表了一篇論文，該論文展示了一種非常有效的NAS算法，可以學習特定硬件平臺的卷積神經網絡（CNN）。研究該論文的研究人員通過“刪除不必要的神經網絡設計組件”並專注於特定的硬件平臺（包括移動設備），成功地提高了效率。測試表明，這些神經網絡幾乎是傳統模型的兩倍。
該論文的共同作者，麻省理工學院微系統技術實驗室助理教授宋漢表示，目標是“實現AI民主化”。“我們希望通過在特定硬件上快速運行的按鈕解決方案，使AI專家和非專家能夠有效地設計神經網絡架構，”他說。“目的是減輕設計和改進神經網絡架構所帶來的重複性和繁瑣工作。”還提出了其他技術。與在資源密集的受控環境中執行相反，機器學習算法可以減少為在使用較低功率水平的特殊設計硬件上運行。
圖片來自網絡
哥倫比亞大學的研究人員表明，現場可編程門陣列（FPGA）在機器學習應用的實施中更快，更節能。除了通過定製硬件使機器學習更經濟實惠且耗時更少外，FPGA還可以使技術專業知識較少的人更容易使用深度神經網絡（DNN）。FPGA與高級綜合（HLS）工具結合使用，可以“自動設計硬件”，無需專門設計用於試驗機器學習推理解決方案的硬件，從而可以更快地實現各種用例的應用。
其他研究人員已經考慮用於特定DNN子集CNN的FPGA，這種技術以其在分析圖像中的應用而聞名，其本身從動物的視覺皮層中獲取靈感。這種方法也指使用HLS和FPGA。為了進一步證明特定用例的多樣性，一些研究已經研究了DNN的實施，以便在工程任務方面執行自動化設計。
機器學習代理
儘管如此，機器學習研究領域還有很長的路要走。神經網絡和機器學習研究員Robert Aschenbrenner指出即將到來的技術轉變，並強調機器學習代理將如何改進其性能和算法。“今天，自動化工具在很大程度上被孤立並被分割成他們自己的領地，”Aschenbrenner說。“網站聊天機器人通常不會與客戶服務員工互動，除非它被編程為在滿足特定條件的情況下切換對話。聊天機器人只是遵循它的編程，從不改變過程，除非它被命令這樣做。
機器學習代理不是確定我們想要自動化的過程，而是觀察我們的工作方式，收集和挖掘歷史數據以確定自動化的機會所在。然後，AI工具將以自動化流程變更的形式假設解決方案，並模擬這些變更將如何提高生產率或帶來更好的業務成果。“
原創不易 請隨手點擊關注
本文由Rehoo團隊Tin原創，在今日頭條平臺首發，無授權禁轉，違者必究！(圖片來自網絡)
圖片來自網絡
由於近年來計算能力的提高，新算法的發現以及標記數據的增加，神經網絡的研究和開發正在蓬勃發展。在當前 ，神經網絡的實際應用受到限制。最近的大部分研究都得到了廣泛的應用，機器學習模型的大量計算要求仍然限制它真正進入主流。現在，新興算法正處於通過指數級提高效率將神經網絡推向更傳統的應用程序的尖端。神經網絡是當前計算機科學研究的重點。它們受到複雜的人類生物學的啟發，除了最常見的用例外，它們在大多數可能的尺度上仍然優於計算機。
計算機非常適合快速存儲信息和處理，而人類更善於有效利用他們擁有的有限計算能力。計算機每秒可以執行數百萬次計算，這是人類無法想象的。人類擁有自己優勢的地方就是效率，比計算機效率高出數十萬。計算機在算法複雜性方面缺乏什麼，它們彌補了純粹的處理能力，以不斷髮展的速度分析信息。
這種計算能力隨之而來：儘管計算能力的成本呈指數級下降，但機器學習仍然是一項成本難題 ，大多數個人，企業和研究人員無法接受，他們必須依靠第三方服務來進行實驗。例如，簡單的聊天機器人可能會花費幾千美元到上萬美元以上的未知成本，具體取決於複雜性。
圖片來自網絡
進入神經架構搜索（NAS）
為克服這一障礙，科學家們一直在研究各種技術，以減少與機器和深度學習應用相關的成本和時間。該領域是軟件和硬件考慮因素的混合。更高效的算法和設計更好的硬件都是優先事項，但後者的發展是非常耗費人力和耗時的。這促使研究人員為該領域創建設計自動化解決方案。軟件和硬件方面都取得了進展。目前，神經網絡實現中最常用的技術是神經架構搜索（NAS），雖然它在設計神經網絡方面很有效，但計算量很大。NAS技術可以被認為是實現自動化機器學習的基本步驟。
麻省理工學院已經發布了該領域的大部分研究，發表了一篇論文，該論文展示了一種非常有效的NAS算法，可以學習特定硬件平臺的卷積神經網絡（CNN）。研究該論文的研究人員通過“刪除不必要的神經網絡設計組件”並專注於特定的硬件平臺（包括移動設備），成功地提高了效率。測試表明，這些神經網絡幾乎是傳統模型的兩倍。
該論文的共同作者，麻省理工學院微系統技術實驗室助理教授宋漢表示，目標是“實現AI民主化”。“我們希望通過在特定硬件上快速運行的按鈕解決方案，使AI專家和非專家能夠有效地設計神經網絡架構，”他說。“目的是減輕設計和改進神經網絡架構所帶來的重複性和繁瑣工作。”還提出了其他技術。與在資源密集的受控環境中執行相反，機器學習算法可以減少為在使用較低功率水平的特殊設計硬件上運行。
圖片來自網絡
哥倫比亞大學的研究人員表明，現場可編程門陣列（FPGA）在機器學習應用的實施中更快，更節能。除了通過定製硬件使機器學習更經濟實惠且耗時更少外，FPGA還可以使技術專業知識較少的人更容易使用深度神經網絡（DNN）。FPGA與高級綜合（HLS）工具結合使用，可以“自動設計硬件”，無需專門設計用於試驗機器學習推理解決方案的硬件，從而可以更快地實現各種用例的應用。
其他研究人員已經考慮用於特定DNN子集CNN的FPGA，這種技術以其在分析圖像中的應用而聞名，其本身從動物的視覺皮層中獲取靈感。這種方法也指使用HLS和FPGA。為了進一步證明特定用例的多樣性，一些研究已經研究了DNN的實施，以便在工程任務方面執行自動化設計。
機器學習代理
儘管如此，機器學習研究領域還有很長的路要走。神經網絡和機器學習研究員Robert Aschenbrenner指出即將到來的技術轉變，並強調機器學習代理將如何改進其性能和算法。“今天，自動化工具在很大程度上被孤立並被分割成他們自己的領地，”Aschenbrenner說。“網站聊天機器人通常不會與客戶服務員工互動，除非它被編程為在滿足特定條件的情況下切換對話。聊天機器人只是遵循它的編程，從不改變過程，除非它被命令這樣做。
機器學習代理不是確定我們想要自動化的過程，而是觀察我們的工作方式，收集和挖掘歷史數據以確定自動化的機會所在。然後，AI工具將以自動化流程變更的形式假設解決方案，並模擬這些變更將如何提高生產率或帶來更好的業務成果。“
圖片來自網絡
訓練算法
這聽起來很有希望，在訓練算法學習像人類或任何動物一樣的東西方面還有很多工作要做。Aschenbrenner列出了人類仍然比機器更具優勢的五個主要領域：視覺，無監督/強化學習，可解釋模型，推理和記憶以及快速學習。儘管人工智能在這些方面取得了進步，但人類仍然具有更快的學習能力，而且不需要明確標記數據將放在一起。
在看似不同的想法之間推理和找到聯繫的能力是人類在很大程度上擁有的東西，而完全獨立和實現新興學習的能力仍然無法實現。雖然神經網絡領域有很多活動，但機器學習算法使用的基本拓寬意味著它的應用可能遠遠超出目前運行的有限用例。
人工智能（AI）正在激增並正在實際部署，但人工智能成為無處不在的現象的期望將取決於快速設計的硬件和軟件解決方案。
原創不易 請隨手點擊關注
本文由Rehoo團隊Tin原創，在今日頭條平臺首發，無授權禁轉，違者必究！(圖片來自網絡)
圖片來自網絡
由於近年來計算能力的提高，新算法的發現以及標記數據的增加，神經網絡的研究和開發正在蓬勃發展。在當前 ，神經網絡的實際應用受到限制。最近的大部分研究都得到了廣泛的應用，機器學習模型的大量計算要求仍然限制它真正進入主流。現在，新興算法正處於通過指數級提高效率將神經網絡推向更傳統的應用程序的尖端。神經網絡是當前計算機科學研究的重點。它們受到複雜的人類生物學的啟發，除了最常見的用例外，它們在大多數可能的尺度上仍然優於計算機。
計算機非常適合快速存儲信息和處理，而人類更善於有效利用他們擁有的有限計算能力。計算機每秒可以執行數百萬次計算，這是人類無法想象的。人類擁有自己優勢的地方就是效率，比計算機效率高出數十萬。計算機在算法複雜性方面缺乏什麼，它們彌補了純粹的處理能力，以不斷髮展的速度分析信息。
這種計算能力隨之而來：儘管計算能力的成本呈指數級下降，但機器學習仍然是一項成本難題 ，大多數個人，企業和研究人員無法接受，他們必須依靠第三方服務來進行實驗。例如，簡單的聊天機器人可能會花費幾千美元到上萬美元以上的未知成本，具體取決於複雜性。
圖片來自網絡
進入神經架構搜索（NAS）
為克服這一障礙，科學家們一直在研究各種技術，以減少與機器和深度學習應用相關的成本和時間。該領域是軟件和硬件考慮因素的混合。更高效的算法和設計更好的硬件都是優先事項，但後者的發展是非常耗費人力和耗時的。這促使研究人員為該領域創建設計自動化解決方案。軟件和硬件方面都取得了進展。目前，神經網絡實現中最常用的技術是神經架構搜索（NAS），雖然它在設計神經網絡方面很有效，但計算量很大。NAS技術可以被認為是實現自動化機器學習的基本步驟。
麻省理工學院已經發布了該領域的大部分研究，發表了一篇論文，該論文展示了一種非常有效的NAS算法，可以學習特定硬件平臺的卷積神經網絡（CNN）。研究該論文的研究人員通過“刪除不必要的神經網絡設計組件”並專注於特定的硬件平臺（包括移動設備），成功地提高了效率。測試表明，這些神經網絡幾乎是傳統模型的兩倍。
該論文的共同作者，麻省理工學院微系統技術實驗室助理教授宋漢表示，目標是“實現AI民主化”。“我們希望通過在特定硬件上快速運行的按鈕解決方案，使AI專家和非專家能夠有效地設計神經網絡架構，”他說。“目的是減輕設計和改進神經網絡架構所帶來的重複性和繁瑣工作。”還提出了其他技術。與在資源密集的受控環境中執行相反，機器學習算法可以減少為在使用較低功率水平的特殊設計硬件上運行。
圖片來自網絡
哥倫比亞大學的研究人員表明，現場可編程門陣列（FPGA）在機器學習應用的實施中更快，更節能。除了通過定製硬件使機器學習更經濟實惠且耗時更少外，FPGA還可以使技術專業知識較少的人更容易使用深度神經網絡（DNN）。FPGA與高級綜合（HLS）工具結合使用，可以“自動設計硬件”，無需專門設計用於試驗機器學習推理解決方案的硬件，從而可以更快地實現各種用例的應用。
其他研究人員已經考慮用於特定DNN子集CNN的FPGA，這種技術以其在分析圖像中的應用而聞名，其本身從動物的視覺皮層中獲取靈感。這種方法也指使用HLS和FPGA。為了進一步證明特定用例的多樣性，一些研究已經研究了DNN的實施，以便在工程任務方面執行自動化設計。
機器學習代理
儘管如此，機器學習研究領域還有很長的路要走。神經網絡和機器學習研究員Robert Aschenbrenner指出即將到來的技術轉變，並強調機器學習代理將如何改進其性能和算法。“今天，自動化工具在很大程度上被孤立並被分割成他們自己的領地，”Aschenbrenner說。“網站聊天機器人通常不會與客戶服務員工互動，除非它被編程為在滿足特定條件的情況下切換對話。聊天機器人只是遵循它的編程，從不改變過程，除非它被命令這樣做。
機器學習代理不是確定我們想要自動化的過程，而是觀察我們的工作方式，收集和挖掘歷史數據以確定自動化的機會所在。然後，AI工具將以自動化流程變更的形式假設解決方案，並模擬這些變更將如何提高生產率或帶來更好的業務成果。“
圖片來自網絡
訓練算法
這聽起來很有希望，在訓練算法學習像人類或任何動物一樣的東西方面還有很多工作要做。Aschenbrenner列出了人類仍然比機器更具優勢的五個主要領域：視覺，無監督/強化學習，可解釋模型，推理和記憶以及快速學習。儘管人工智能在這些方面取得了進步，但人類仍然具有更快的學習能力，而且不需要明確標記數據將放在一起。
在看似不同的想法之間推理和找到聯繫的能力是人類在很大程度上擁有的東西，而完全獨立和實現新興學習的能力仍然無法實現。雖然神經網絡領域有很多活動，但機器學習算法使用的基本拓寬意味著它的應用可能遠遠超出目前運行的有限用例。
人工智能（AI）正在激增並正在實際部署，但人工智能成為無處不在的現象的期望將取決於快速設計的硬件和軟件解決方案。
圖片來自網絡
人工智能民主化
正如麻省理工學院所描述的那樣，優化的算法和經濟實惠的解決方案有望使AI“民主化”，將大規模的機器學習技術交給那些缺乏目的運行大型計算機農場的資源的個人和機構。
雖然研究可能還處於該領域的早期階段，但新提出的設計自動化解決方案顯示出了很大的希望。這伴隨著計算機硬件成本的降低，以及雲計算等可互操作技術的引入，這些技術可以加速機器學習的主流應用的到來。增加對複雜算法和工具的可訪問性可以增強教育，醫療保健和業務績效。
此外，企業可以通過讓AI處理繁瑣的任務來降低運營成本，從而使人力資源能夠更好地用於更關鍵的任務。