RE•WORK Vitbok: Utmaningarna, framgångarna, utvecklingen och misslyckandena med bearbetning i AI

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

I RE•WORK:s senaste vitbok med titeln ‘Utmaningarna, framgångarna, utvecklingen och misslyckandena med bearbetning i AI’ ingick bidrag från namn som Purdue University, Ryerson University, GSI Technology, COTA Inc., Omdena och fler.

Vitboken är indelad i sex kapitel:

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

• Kapitel 2: Konvergens av ElasticSearch, ANN och dator-i-minne

• Kapitel 3: Begränsningarna och framstegen inom data tillgänglighet

• Kapitel 4: Datahinder i ML och AL

• Kapitel 5: Bearbetningsbegränsningar för företags-AI – Är GPT-3 den ultimata lösningen?

• Kapitel 6: Allt i 6G trådlösa kommunikationsnätverk

Det första kapitlet i rapporten 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, och 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 nödsvar’ och ‘Datorseendeapplikationer för autonom körning.’

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 acceleration bearbetning, som ger realtidsrespons från elastic search-åtgärder. Elasticsearch, som ursprungligen var en sökmotor för text, kan nu inkludera i datasabs dokument som bilder, nätverksarkitektur, textdokument och produktkvitton. Kapitlet behandlar också nya teknologier på marknaden som den Associativa Processenheten (APU). 

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

Det tredje kapitlet behandlar begränsningarna och fördelarna 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 introducera 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 i ML och AI, med fokus på problematiska algoritmer och modeller som ansiktsigenkännings-system, som har visat höga felrater och fördomar. Det visar hur man kan mildra fördomar och öka tolkbarheten och varför datamängden bör vara stor och diversifierad. 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 begränsningarna och potentialen för AI inom företag. Målet med kapitlet är att erkänna att “dagens begränsningar är morgondagens framgångar” och behovet av fortsatt experiment. 

Kapitel 5 skrevs av Shaina Raza, PhD-kandidat i rådgivande 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.