ืืื ื ืืืืืืชืืช
REโขWORK ืื”ื ืืื: ืืชืืจืื, ืืฆืืืืช, ืืชืงืืืืช ืืืืฉืืื ืืช ืืขืืืื ืืืื ืืืืื ืฆืื ืืืืืืชืืช
RE-WORK היא מובילה באירועים של אינטליגנציה מלאכותית ולמידה עמוקה, ארגון פסגות וסדנאות ברחבי העולם. האירועים עוסקים בנושאים הקשורים ללמידה עמוקה, למידת מכונה, אינטליגנציה מלאכותית במגוון תחומים, ראייה ממוחשבת, כלי רכב אוטונומיים, אינטליגנציה מלאכותית אחראית ועוד. הם מאגדים מנהיגים מתעשייה ומאקדמיה.
בדו”ח הלבן האחרון של RE•WORK, שכותרתו ‘אתגרים, הצלחות, התקדמות וכישלונות בעיבוד באינטליגנציה מלאכותית,’ תרמו תורמים עם שמות מאוניברסיטת פורדו, אוניברסיטת ריירסון, GSI Technology, COTA Inc., Omdena ועוד.
הדו”ח הלבן מחולק לשישה פרקים:
- פרק 1: מגבלות נתונים ביישומים תעשייתיים ולא-מסחריים נפוצים
- פרק 2: התכנסות של ElasticSearch, ANN ו-Computer-in-Memory
- פרק 3: מגבלות והתקדמות של זמינות נתונים
- פרק 4: מכשולים בנתונים ב-ML & AL
- פרק 5: מגבלות עיבוד ב-AI של חברות – האם GPT-3 הוא הפתרון הסופי?
- פרק 6: הכל ברשתות תקשורת אלחוטית 6G
הפרק הראשון של הדו”ח עוסק באתגרים הנפוצים ביותר של נתונים שארגונים פרטיים ולא-מסחריים פוגשים. הוא גם מפרט את המגבלות הנפוצות בזמינות ועלות, פרטיות ואתיקה, ונתונים. פרק זה הסתמך על שלושה מקרי מחקר מסוימים כדי להדגים מגבלות נתונים בטקסט, וידאו ונתונים גאוגרפיים, כולל ‘טיפול בפגיעות עם NLP,’ ‘ראייה ממוחשבת לתגובת חירום,’ ו’יישומים של ראייה ממוחשבת לנהיגה אוטונומית.’
פרק 1 נכתב על ידי Rosano de Oliveira Gomez, מהנדס Machine Learning מוביל מ-Omdena; Harini Suresh, חוקרת PhD ב-MIT; ו-Erim Afzal, מהנדס ML ב-Omdena.
הפרק השני מתמקד בשימוש ב-Approximate Nearest Neighbor (ANN) עם האצת עיבוד בזיכרון, שמספק תגובה בזמן אמת מפעולות ElasticSearch. ElasticSearch, שהיה במקור מנוע חיפוש לטקסט, יכול עכשיו לכלול במסדי הנתונים מסמכים כמו תמונות, ארכיטקטורת רשת, מסמכי טקסט וקבלות מוצר. הפרק גם עוסק בטכנולוגיות חדשות בשוק כמו Associative Processing Unit (APU).
פרק 2 נכתב על ידי Mark Wright, מנהל שיווק ב-GSI Technology.
הפרק השלישי עוסק במגבלות ויתרונות של זמינות נתונים. הוא מתחיל בהסבר מהו זמינות נתונים ומהו לא, ואז מגבלות כמו תאימות נתונים, כישלון אחסון, כישלון שרת/רשת, עלות ואיכות נתונים ירודה. הפרק מסתיים בהצגת פתרונות כמו צינור עיבוד נתונים בביצועים גבוהים ו-היברידי ענן.
פרק 3 נכתב על ידי Adebunmi Odefunso, מהנדס תוכנה ומעבד ML באוניברסיטת פורדו.
הפרק הרביעי עוסק במכשולים השונים ב-ML ו-AI, ובמיוחד באלגוריתמים ומודלים בעייתיים כמו מערכות זיהוי פנים, שהוכיחו שיעורי טעות גבוהים והטיה. הוא ממשיך להדגים כיצד למתן הטיה ולהגביר פרשנות ולמה המאגר הנתונים צריך להיות גדול ומגוון. הפרק עוסק גם בהיבטים אחרים של נתונים, כמו עקביות ודיוק של מקורות נתונים.
פרק 4 נכתב על ידי Shivam Mathura, מנהל אסטרטגיה ב-COTA Inc.
הפרק החמישי משתמש במודל AI האחרון GPT-3 כדי לחקור את המגבלות והפוטנציאל של AI בחברות. מטרת הפרק היא להכיר בכך ש”המגבלות של היום הן ההצלחות של מחר” והצורך בניסויים מתמשכים.
פרק 5 נכתב על ידי Shaina Raza, מועמדת PhD במדעי המחשב באוניברסיטת ריירסון.
הפרק השישי עוסק ברשתות תקשורת אלחוטית 6G המתעצבות ובצורך שלהן ב-AI, למידת מכונה ועוד. הוא ממשיך לציין כיצד מערכות אלו יאפשרו קיבולת וגישה לרשת בלתי מוכרות. נושאים אחרים בפרק כוללים: רשתות אלחוטיות דור הבא עם AI ו-SDN, מניע מאתגר ה-DARPA Spectrum Collaboration Challenge, ויישום אלגוריתמים רדיו מבודדים.
פרק 6 נכתב על ידי מספר כותבים, כולל Kemal Akkaya, Arjuna Madanayake, Udara De Silva, ו-Sravan Pulipati מאוניברסיטת פלורידה הבינלאומית; Josep M. Jornet, Kaushik Chowdhury, Francesco Restuccia, ו-Tommaso Melodia מאוניברסיטת Northeastern; Soumyajit Mandal ו-John Shea מאוניברסיטת פלורידה; Aditya Dhananjay מ-Pi Radio; ו-Jay Dawani ו-Vassil Dimitrov מ-Lemurian Labs.
