RE•WORK Λευκός Χάρτης: Οι Προκλήσεις, οι Επιτυχίες, η Πορεία και οι Αποτυχίες της Επεξεργασίας στο AI

Το RE-WORK είναι ηγέτης σε εκδηλώσεις AI και Deep Learning, οργανώνοντας συνέδρια και εργαστήρια σε όλο τον κόσμο. Οι εκδηλώσεις καλύπτουν θέματα σχετικά με το Deep Learning, το Machine Learning, το AI σε διάφορους τομείς, την Επιστήμη των Υπολογιστών, τα Αυτόνομα Οχήματα, την Ευθύνη του AI και άλλα. Συναπαρέουν ηγέτες από τη βιομηχανία και την ακαδημία.

Στο πιο πρόσφατο λευκό χάρτη του RE•WORK με τίτλο «Οι Προκλήσεις, οι Επιτυχίες, η Πορεία και οι Αποτυχίες της Επεξεργασίας στο AI», οι συντελεστές περιελάμβαναν ονόματα από το Πανεπιστήμιο Purdue, το Πανεπιστήμιο Ryerson, την GSI Technology (GSIT ), την COTA Inc., την Omdena και άλλα.

Ο λευκός χάρτης χωρίζεται σε έξι κεφάλαια:

• Κεφάλαιο 1: Περιορισμοί Δεδομένων σε Κοινές Βιομηχανικές και Μη Κερδοσκοπικές Εφαρμογές

• Κεφάλαιο 2: Σύγκλιση του ElasticSearch, του ANN και της Επεξεργασίας στην Μνήμη

• Κεφάλαιο 3: Οι Περιορισμοί και οι Προοπτικές της Διαθεσιμότητας Δεδομένων

• Κεφάλαιο 4: Εμπόδια Δεδομένων στο ML και AL

• Κεφάλαιο 5: Περιορισμοί Επεξεργασίας στο Επιχειρηματικό AI – Είναι το GPT-3 η Τελική Λύση;

• Κεφάλαιο 6: Όλα στα Δίκτυα Επικοινωνιών 6G

Το πρώτο κεφάλαιο του εγγράφου καλύπτει τις πιο συχνές προκλήσεις δεδομένων που αντιμετωπίζουν οι ιδιωτικές και μη κερδοσκοπικές οργανώσεις. Επίσης, περιγράφει τους κοινούς περιορισμούς σχετικά με τη διαθεσιμότητα και το κόστος, την ιδιωτικότητα και την ηθική, και τα δεδομένα. Αυτό το κεφάλαιο βασίζεται σε τρεις συγκεκριμένες μελέτες περίπτωσης για να δείξει τους περιορισμούς δεδομένων σε κείμενο, βίντεο και γεωγραφικά δεδομένα, συμπεριλαμβανομένων των «Αντιμετώπιση ευαλωτότητας με NLP», «Επεξεργασία Εικόνας για Αντιδραστικές Απαντήσεις» και «Εφαρμογές Επεξεργασίας Εικόνας για Αυτόνομα Οχήματα».

Το Κεφάλαιο 1 γράφτηκε από τον Rosano de Oliveira Gomez, Αρχισυντάκτη Μηχανικής Μάθησης από την Omdena, την Harini Suresh, ερευνήτρια PhD στο MIT, και τον Erim Afzal, μηχανικό ML στην Omdena.

Το δεύτερο κεφάλαιο εστιάζει στη χρήση του aproximatego nearest neighbor (ANN) με επιτάχυνση επεξεργασίας στην μνήμη, η οποία παρέχει απαντήσεις σε πραγματικό χρόνο από τις επιχειρήσεις αναζήτησης. Το Elasticsearch, το οποίο αρχικά ήταν ένας μηχανισμός αναζήτησης κειμένου, μπορεί τώρα να περιλαμβάνει στη βάση δεδομένων έγγραφα όπως εικόνες, αρχιτεκτονική δικτύου, έγγραφα κειμένου και λιανικές αποδείξεις. Το κεφάλαιο καλύπτει επίσης νέες τεχνολογίες στην αγορά όπως η Μονάδα Συσχετίσεων (APU).

Το Κεφάλαιο 2 γράφτηκε από τον Mark Wright, διευθυντή μάρκετινγκ στην GSI Technology.

Το τρίτο κεφάλαιο καλύπτει τους περιορισμούς και τις προοπτικές της διαθεσιμότητας δεδομένων. Ξεκινά εξηγώντας τι είναι και τι δεν είναι η διαθεσιμότητα δεδομένων, ακολουθούμενη από τους περιορισμούς της, όπως η συμβατότητα δεδομένων, η αποτυχία αποθήκευσης, η αποτυχία διακομιστή/δικτύου, το κόστος και η κακή ποιότητα δεδομένων. Το κεφάλαιο κλείνει με την εισαγωγή λύσεων όπως μια υψηλής απόδοσης pipeline επεξεργασίας δεδομένων και η υβριδική cloud.

Το Κεφάλαιο 3 γράφτηκε από τον Adebunmi Odefunso, μηχανικό λογισμικού και πρακτικό ML στο Πανεπιστήμιο Purdue.

Το τέταρτο κεφάλαιο καλύπτει τα διάφορα εμπόδια στο ML και AL, εστιάζοντας σε προβληματικές αλγορίθμους και μοντέλα όπως τα συστήματα αναγνώρισης προσώπου, τα οποία έχουν δείξει υψηλές ποσοστώσεις λάθους και προκατάληψη. Περιγράφει πώς να μετριάσει την προκατάληψη και να αυξήσει την ερμηνευσιμότητα και γιατί το σύνολο δεδομένων πρέπει να είναι μεγάλο και διαφορετικό. Καλύπτει επίσης διάφορα άλλα аспектs δεδομένων, όπως η συνεπής και ακριβής πηγή δεδομένων.

Το Κεφάλαιο 4 γράφτηκε από τον Shivam Mathura, Διευθυντή Στρατηγικής στην COTA Inc.

Το πέμπτο κεφάλαιο χρησιμοποιεί το πιο πρόσφατο μοντέλο AI GPT-3 για να εξερευνήσει τους περιορισμούς και τις δυνατότητες του AI στις Επιχειρήσεις. Ο στόχος του κεφαλαίου είναι να αναγνωρίσει ότι «οι περιορισμοί της σήμερα είναι οι επιτυχίες της αύριο» και την ανάγκη για συνεχείς πειραματισμούς.

Το Κεφάλαιο 5 γράφτηκε από την Shaina Raza, υποψήφια PhD στην Επιστήμη των Υπολογιστών στο Πανεπιστήμιο Ryerson.

Το έκτο κεφάλαιο καλύπτει τα αναδυόμενα δίκτυα επικοινωνιών 6G και πώς θα απαιτήσουν AI, machine learning και άλλα. Παρατηρεί πώς αυτά τα συστήματα θα επιτρέψουν απρόσβητη χωρητικότητα και πρόσβαση δικτύου. Κάποια από τα άλλα θέματα του κεφαλαίου περιλαμβάνουν: Τα Δίκτυα Επικοινωνιών της Επόμενης Γενιάς με AI και SDN, την Προέγκηση από την Πρόκληση Συνεργασίας του DARPA, και την Υλοποίηση Αλγορίθμων Ευφυών Ραδιοφωνικών Συστημάτων.

Το Κεφάλαιο 6 γράφτηκε από πολλούς συντελεστές, συμπεριλαμβανομένων των Kemal Akkaya, Arjuna Madanayake, Udara De Silva, και Sravan Pulipati από το Πανεπιστήμιο της Φλόριντα, Josep M. Jornet, Kaushik Chowdhury, Francesco Restuccia, και Tommaso Melodia από το Πανεπιστήμιο Northeastern, Soumyajit Mandal και John Shea από το Πανεπιστήμιο της Φλόριντα, Aditya Dhananjay από το Pi Radio, και Jay Dawani και Vassil Dimitrov από τα Lemurian Labs.