RE•WORK Biały Papier: Wyzwania, Sukcesy, Postępy i Niepowodzenia Przetwarzania w AI

RE-WORK jest liderem w dziedzinie AI i Deep Learning, organizującym szczyty i warsztaty na całym świecie. Wydarzenia obejmują tematy związane z Deep Learning, Machine Learning, AI w różnych sektorach, Computer Vision, Samochodami Bez Kierowcy, Odpowiedzialnym AI i więcej. Łączą one liderów z branży i akademii.

W najnowszym białym dokumencie RE•WORK, zatytułowanym „Wyzwania, Sukcesy, Postępy i Niepowodzenia Przetwarzania w AI”, wśród autorów znaleźli się przedstawiciele Purdue University, Ryerson University, GSI Technology, COTA Inc., Omdena i innych.

Biały dokument jest podzielony na sześć rozdziałów:

• Rozdział 1: Ograniczenia danych w powszechnych aplikacjach przemysłowych i non-profit

• Rozdział 2: Zbieżność ElasticSearch, ANN i Computer-in-Memory

• Rozdział 3: Ograniczenia i postępy dostępności danych

• Rozdział 4: Przeszkody danych w ML i AL

• Rozdział 5: Ograniczenia przetwarzania w Enterprise AI – Czy GPT-3 jest ostatecznym rozwiązaniem?

• Rozdział 6: Wszystko w 6G sieciach bezprzewodowych

Pierwszy rozdział dokumentu opisuje najczęstsze wyzwania związane z danymi, których doświadczają organizacje prywatne i non-profit. Szczegółowo opisuje również ograniczenia dotyczące dostępności i kosztów, prywatności i etyki, oraz danych. Ten rozdział opiera się na trzech konkretnych studiach przypadku, aby zademonstrować ograniczenia danych w tekście, filmie i danych geograficznych, w tym „Addressing vulnerability with NLP”, „Computer Vision for Emergency Response” i „Computer Vision Applications for Autonomous Driving”.

Rozdział 1 został napisany przez Rosano de Oliveira Gomez, Lead Machine Learning Engineer z Omdena; Harini Suresh, PhD researcher na MIT; i Erim Afzal, ML engineer z Omdena.

Drugi rozdział koncentruje się na użyciu przybliżonego najbliższego sąsiada (ANN) z przyspieszeniem przetwarzania w pamięci, co zapewnia odpowiedź w czasie rzeczywistym z operacji wyszukiwania. Elasticsearch, który pierwotnie był silnikiem wyszukiwania tekstu, może teraz zawierać w bazach danych dokumenty takie jak obrazy, sieciowe architektury, dokumenty tekstowe i paragony produktów. Rozdział ten opisuje również nowe technologie na rynku, takie jak Associative Processing Unit (APU).

Rozdział 2 został napisany przez Marka Wrighta, dyrektora marketingu w GSI Technology.

Trzeci rozdział opisuje ograniczenia i zalety dostępności danych. Zaczyna się od wyjaśnienia, co to jest dostępność danych i czym nie jest, a następnie omawia ograniczenia, takie jak niezgodność danych, awaria magazynu, awaria serwera/sieci, koszt i słaba jakość danych. Rozdział kończy się wprowadzeniem rozwiązań, takich jak wysokowydajny potok przetwarzania danych i hybrydowe chmury.

Rozdział 3 został napisany przez Adebunmi Odefunso, software engineer i ML practitioner na Purdue University.

Czwarty rozdział opisuje różne przeszkody w ML i AI, koncentrując się na problematycznych algorytmach i modelach, takich jak systemy rozpoznawania twarzy, które wykazały wysokie wskaźniki błędów i uprzedzeń. Wyjaśnia, jak złagodzić uprzedzenia i zwiększyć interpretowalność, oraz dlaczego zestaw danych powinien być duży i zróżnicowany. Omawia również inne aspekty danych, takie jak spójność i dokładność źródeł danych.

Rozdział 4 został napisany przez Shivam Mathura, Dyrektora Strategii w COTA Inc.

Piąty rozdział wykorzystuje najnowszy model AI GPT-3, aby zbadać ograniczenia i potencjał AI w Enterprise. Celem rozdziału jest uznanie, że „dzisiejsze ograniczenia są jutrzejszymi sukcesami” i potrzeba kontynuowania eksperymentów.

Rozdział 5 został napisany przez Shaina Raza, kandydata na PhD w Advisor Computer Science na Ryerson University.

Szósty rozdział opisuje nowe sieci bezprzewodowe 6G i to, jak będą one wymagać AI, machine learning i więcej. Zaznacza, że te systemy umożliwią bezprecedensową pojemność i dostęp do sieci. Niektóre z innych tematów omawianych w tym rozdziale to: Next-Generation Wireless Networks with AI and SDN, Motivation from the DARPA Spectrum Collaboration Challenge, oraz Implementation of Intelligent Radio Algorithms.

Rozdział 6 został napisany przez wielu autorów, w tym Kemal Akkaya, Arjuna Madanayake, Udara De Silva i Sravan Pulipati z Florida Int. University; Josep M. Jornet, Kaushik Chowdhury, Francesco Restuccia i Tommaso Melodia z Northeastern University; Soumyajit Mandal i John Shea z University of Florida; Aditya Dhananjay z Pi Radio; oraz Jay Dawani i Vassil Dimitrov z Lemurian Labs.