RE•WORK Hvidbog: Udfordringer, Succeser, Fremgang og Fiaskoer i Bearbejdning af AI

RE-WORK er en leder inden for AI og Deep Learning-arrangementer, der organiserer topmøder og workshops over hele verden. Arrangementerne dækker emner som Deep Learning, Machine Learning, AI i forskellige sektorer, Computer Vision, Selvkørende køretøjer, Ansvarlig AI og mere. De bringer ledere fra både industri og akademiske kredse sammen.

I RE•WORK’s seneste hvidbog med titlen ‘Udfordringer, Succeser, Fremgang og Fiaskoer i Bearbejdning af AI’ er bidragydere inkluderet navne fra Purdue University, Ryerson University, GSI Technology (GSIT ), COTA Inc., Omdena og mere.

Hvidbogen er inddelt i seks kapitler:

• Kapitel 1: Data-begrænsninger i almindelige industri- og nonprofit-anvendelser

• Kapitel 2: Konvergen af ElasticSearch, ANN og Computer-in-Memory

• Kapitel 3: Begrænsninger og fordele ved data-tilgængelighed

• Kapitel 4: Data-vejblokeringer i ML og AL

• Kapitel 5: Bearbejdning-begrænsninger på Enterprise AI – Er GPT-3 den ultimative løsning?

• Kapitel 6: Alt i 6G trådløse kommunikationsnetværk

Det første kapitel i hvidbogen dækker de mest almindelige data-udfordringer, som både private og nonprofit-organisationer står overfor. Det detaljerer også almindelige begrænsninger i forhold til tilgængelighed og omkostninger, privatliv og etik, og data. Dette kapitel bygger på tre specifikke case-studier for at demonstrere data-begrænsninger i tekst, video og geografiske data, herunder ‘Addressing sårbarhed med NLP’, ‘Computer Vision til nødsituations-svar’ og ‘Computer Vision-anvendelser til selvstyrende kørsel’.

Kapitel 1 er skrevet af Rosano de Oliveira Gomez, Lead Machine Learning Engineer fra Omdena; Harini Suresh, PhD-forsker på MIT; og Erim Afzal, ML-ingeniør på Omdena.

Det andet kapitel fokuserer på brugen af approximative nærmeste nabo (ANN) med in-memory-acceleration-bearbejdning, som giver realtids-svar fra ElasticSearch-operationer. Elasticsearch, som oprindeligt var en søgemaskine til tekst, kan nu inkludere dokumenter som billeder, netværksarkitektur, tekst-dokumenter og produktkvitteringer i databasen. Kapitlet dækker også nye teknologier på markedet som Associative Processing Unit (APU).

Kapitel 2 er skrevet af Mark Wright, direktør for marketing på GSI Technology.

Det tredje kapitel dækker begrænsninger og fordele ved data-tilgængelighed. Det starter med at forklare, hvad data-tilgængelighed er og ikke er, efterfulgt af begrænsninger såsom data-kompatibilitet, lagringsfejl, server/netværksfejl, omkostninger og dårlig datakvalitet. Kapitlet afslutter med at introducere løsninger som en højpræstations-data-bearbejdning-pipeline og hybrid-sky.

Kapitel 3 er skrevet af Adebunmi Odefunso, software-ingeniør og ML-praktiker på Purdue University.

Det fjerde kapitel dækker de forskellige vejblokeringer i ML og AI, herunder problematiske algoritmer og modeller som ansigts-genkendelsessystemer, som har vist høje fejl-rater og bias. Det går videre med at demonstrere, hvordan man kan mindske bias og øge fortolkning, og hvorfor datasettet skal være stort og divers. Forskellige andre aspekter af data dækkes, såsom konsistens og nøjagtighed af data-kilder.

Kapitel 4 er skrevet af Shivam Mathura, direktør for strategi på COTA Inc.

Det femte kapitel bruger den seneste AI-model GPT-3 til at udforske begrænsninger og potentiale for AI på Enterprise. Målet med kapitlet er at erkende, at “i dag’s begrænsninger er morgendagens succeser” og behovet for fortsat eksperimentering.

Kapitel 5 er skrevet af Shaina Raza, PhD-kandidat i rådgivnings-informatik på Ryerson University.

Det sjette kapitel dækker fremvoksende 6G trådløse kommunikationsnetværk og hvordan de vil kræve AI, machine learning og mere. Det går videre med at bemærke, hvordan disse systemer vil enable usædvanlig kapacitet og netadgang. Nogle af de andre emner i kapitlet inkluderer: Næste-generations trådløse netværk med AI og SDN, motivation fra DARPA Spectrum Collaboration Challenge og implementering af intelligente radio-algoritmer.

Kapitel 6 er skrevet af flere forfattere, herunder Kemal Akkaya, Arjuna Madanayake, Udara De Silva, og Sravan Pulipati fra Florida Int. University; Josep M. Jornet, Kaushik Chowdhury, Francesco Restuccia, og Tommaso Melodia fra Northeastern University; Soumyajit Mandal og John Shea fra University of Florida; Aditya Dhananjay fra Pi Radio; og Jay Dawani og Vassil Dimitrov fra Lemurian Labs.