RE•WORK Vittpapper: Utmaningar, framgångar, utveckling och misslyckanden med bearbetning i AI

RE-WORK är en ledande aktör inom AI och Deep Learning-evenemang, som organiserar toppmöten och workshoppar över hela världen. Evenemangen täcker ämnen som Deep Learning, Machine Learning, AI inom olika sektorer, Computer Vision, självkörande fordon, ansvarsfull AI och mer. De samlar ledare från både industri och akademi.

I RE•WORKs senaste vittpapper med titeln “Utmaningar, framgångar, utveckling och misslyckanden med bearbetning i AI” ingår bidrag från personer från Purdue University, Ryerson University, GSI Technology (GSIT ), COTA Inc., Omdena och flera andra.

Vittpappret är indelat i sex kapitel:

• Kapitel 1: Databegränsningar i vanliga bransch- och icke-vinstdrivande tillämpningar

• Kapitel 2: Konvergens av ElasticSearch, ANN och Computer-in-Memory

• Kapitel 3: Begränsningar och fördelar med data tillgänglighet

• Kapitel 4: Vägspärrar för ML och AI

• Kapitel 5: Begränsningar och potential för AI inom företag – Är GPT-3 den ultimata lösningen?

• Kapitel 6: Allt i 6G trådlösa kommunikationsnätverk

Det första kapitlet i pappret behandlar de vanligaste datautmaningarna som både privata och icke-vinstdrivande organisationer står inför. Det detaljerar också vanliga begränsningar när det gäller tillgänglighet och kostnad, sekretess och etik, samt data. Detta kapitel bygger på tre specifika fallstudier för att demonstrera data begränsningar i text, video och geografiska data, inklusive “Att hantera sårbarhet med NLP”, “Datorseende för nödsituationer” och “Datorseendeapplikationer för självkörande fordon”.

Kapitel 1 skrevs av Rosano de Oliveira Gomez, Lead Machine Learning Engineer från Omdena; Harini Suresh, PhD-forskare vid MIT; och Erim Afzal, ML-engineer vid Omdena.

Det andra kapitlet fokuserar på användningen av approximativ närmaste granne (ANN) med in-memory-accelererad bearbetning, som ger realtidsrespons från ElasticSearch-åtgärder. Elasticsearch, som ursprungligen var en sökmotor för text, kan nu inkludera dokument som bilder, nätverksarkitektur, textdokument och produktkvitton i databasen. Kapitlet behandlar också nya teknologier på marknaden som Associative Processing Unit (APU).

Kapitel 2 skrevs av Mark Wright, marknadschef på GSI Technology.

Det tredje kapitlet behandlar begränsningar och fördelar med data tillgänglighet. Det börjar med att förklara vad data tillgänglighet är och inte är, följt av dess begränsningar som datakompatibilitet, lagringsfel, server/nätverksfel, kostnad och dålig datakvalitet. Kapitlet avslutas med att presentera lösningar som en högpresterande data bearbetnings pipeline och hybridmoln.

Kapitel 3 skrevs av Adebunmi Odefunso, programvaruutvecklare och ML-praktiker vid Purdue University.

Det fjärde kapitlet behandlar de olika hinder för ML och AI, med fokus på problematiska algoritmer och modeller som ansiktsigenkänningssystem, som har visat sig ha höga felrater och fördomar. Det visar hur man kan mildra fördomar och öka tolkbarhet och varför datamängden bör vara stor och varierad. Olika andra aspekter av data behandlas, som konsekvens och noggrannhet i datakällor.

Kapitel 4 skrevs av Shivam Mathura, strategidirektör vid COTA Inc.

Det femte kapitlet använder den senaste AI-modellen GPT-3 för att utforska begränsningar och potential för AI inom företag. Målet med kapitlet är att inse att “dagens begränsningar är morgondagens framgångar” och behovet av fortsatt experiment.

Kapitel 5 skrevs av Shaina Raza, PhD-kandidat i datavetenskap vid Ryerson University.

Det sjätte kapitlet behandlar de framväxande 6G trådlösa kommunikationsnätverken och hur de kommer att kräva AI, maskinlärning och mer. Det påpekar hur dessa system kommer att möjliggöra en utanför jämförelse kapacitet och nätverksåtkomst. Några av de andra ämnena i kapitlet inkluderar: Nästa generations trådlösa nätverk med AI och SDN, Motivation från DARPA Spectrum Collaboration Challenge och Implementering av intelligenta radioalgoritmer.

Kapitel 6 skrevs av flera författare, inklusive Kemal Akkaya, Arjuna Madanayake, Udara De Silva, och Sravan Pulipati från Florida Int. University; Josep M. Jornet, Kaushik Chowdhury, Francesco Restuccia, och Tommaso Melodia från Northeastern University; Soumyajit Mandal och John Shea från University of Florida; Aditya Dhananjay från Pi Radio; och Jay Dawani och Vassil Dimitrov från Lemurian Labs.