RE•WORK เอกสารวิชาการ: ความท้าทาย ความสำเร็จ การพัฒนา และความล้มเหลวในการประมวลผล AI

RE-WORK เป็นผู้นำในงานอีเวนต์ AI และ Deep Learning ที่จัดงานสัมมนาและเวิร์กช็อปทั่วโลก งานเหล่านี้ครอบคลุมหัวข้อเกี่ยวกับ Deep Learning, Machine Learning, AI ในภาคต่างๆ, Computer Vision, ยานพาหนะที่ขับเคลื่อนด้วยตนเอง, AI ที่รับผิดชอบ และอื่นๆ โดยรวบรวมผู้นำจากอุตสาหกรรมและสถาบันการศึกษา

ในเอกสารวิชาการล่าสุดของ RE•WORK ที่มีชื่อเรื่องว่า ‘ความท้าทาย ความสำเร็จ การพัฒนา และความล้มเหลวในการประมวลผล AI’ มีผู้เขียนร่วมหลายคนจากมหาวิทยาลัย Purdue, มหาวิทยาลัย Ryerson, GSI Technology (GSIT ), COTA Inc., Omdena และอื่นๆ

เอกสารวิชาการนี้แบ่งออกเป็น 6 ชAPTER:

• บทที่ 1: ข้อจำกัดของข้อมูลในอุตสาหกรรมและองค์กรที่ไม่ใช่เพื่อการค้า

• บทที่ 2: การผสมผสานของ Elasticsearch, ANN และ Computer-in-Memory

• บทที่ 3: ข้อจำกัดและความก้าวหน้าของความพร้อมใช้งานของข้อมูล

• บทที่ 4: อุปสรรคในการประมวลผลข้อมูลใน ML และ AI

• บทที่ 5: ข้อจำกัดในการประมวลผล AI ในองค์กร – GPT-3 เป็นคำตอบสุดท้ายหรือไม่?

• บทที่ 6: ทั้งหมดในเครือข่ายสื่อสารไร้สาย 6G

บทที่ 1 ของเอกสารวิชาการนี้ครอบคลุมถึงความท้าทายที่พบบ่อยที่สุดเกี่ยวกับข้อมูลที่องค์กรทั้งเอกชนและ非营利ต้องเผชิญ นอกจากนี้ยังให้รายละเอียดเกี่ยวกับข้อจำกัดเกี่ยวกับความพร้อมใช้งานและต้นทุน ความเป็นส่วนตัวและจริยธรรม และข้อมูล บทนี้อาศัยกรณีศึกษาที่เฉพาะเจาะจง 3 รายการเพื่อแสดงข้อจำกัดของข้อมูลในข้อความ วิดีโอ และข้อมูลภูมิศาสตร์ รวมถึง ‘การแก้ไขความอ่อนไหวด้วย NLP’ ‘การมองเห็นคอมพิวเตอร์สำหรับการตอบสนองฉุกเฉิน’ และ ‘การประยุกต์ใช้การมองเห็นคอมพิวเตอร์สำหรับการขับขี่อัตโนมัติ’

บทที่ 1 ได้รับการเขียนโดย Rosano de Oliveira Gomez นักวิศวกร Machine Learning Lead จาก Omdena; Harini Suresh นักวิจัย PhD ที่ MIT; และ Erim Afzal นักวิศวกร ML ที่ Omdena

บทที่ 2 มุ่งเน้นไปที่การใช้ Approximate Nearest Neighbor (ANN) พร้อมกับการเร่งความเร็วในการประมวลผลในหน่วยความจำ ซึ่งให้การตอบสนองแบบเรียลไทม์จากการดำเนินการ Elasticsearch Elasticsearch ซึ่งเดิมเป็นเครื่องมือค้นหาข้อความ สามารถรวมเอกสารต่างๆ เช่น รูปภาพ โครงข่ายงาน ใบเรียกเก็บเงิน และเอกสารผลิตภัณฑ์เข้าด้วยกันในฐานข้อมูลได้ บทนี้ยังครอบคลุมเทคโนโลยีใหม่ๆ ในตลาด เช่น Associative Processing Unit (APU)

บทที่ 2 ได้รับการเขียนโดย Mark Wright ผู้อำนวยการฝ่ายการตลาดที่ GSI Technology

บทที่ 3 ครอบคลุมถึงข้อจำกัดและความก้าวหน้าของความพร้อมใช้งานของข้อมูล โดยเริ่มต้นด้วยการอธิบายว่าความพร้อมใช้งานของข้อมูลคืออะไรและไม่ใช่อะไร ต่อด้วยข้อจำกัด เช่น ความเข้ากันได้ของข้อมูล ความล้มเหลวในการจัดเก็บข้อมูล ความล้มเหลวของเซิร์ฟเวอร์/เครือข่าย ต้นทุน และคุณภาพข้อมูลที่ไม่ดี บทนี้ปิดท้ายด้วยการแนะนำโซลูชัน เช่น ระบบประมวลผลข้อมูลประสิทธิภาพสูงและคลาวด์ไฮบริด

บทที่ 3 ได้รับการเขียนโดย Adebunmi Odefunso นักวิศวกรซอฟต์แวร์และนักปฏิบัติงาน ML ที่มหาวิทยาลัย Purdue

บทที่ 4 ครอบคลุมถึงอุปสรรคต่างๆ ใน ML และ AI โดยมุ่งเน้นไปที่อัลกอริทึมและโมเดลที่มีปัญหา เช่น ระบบการรู้จำใบหน้า ซึ่งแสดงอัตราความผิดพลาดและความลำเอียงสูง บทนี้แสดงวิธีการบรรเทาความลำเอียงและเพิ่มความเข้าใจได้อย่างไร และเหตุใดจึงควรใช้เซตข้อมูลที่มีขนาดใหญ่และหลากหลาย นอกจากนี้ยังครอบคลุมแง่มุมต่างๆ ของข้อมูล เช่น ความสอดคล้องและความถูกต้องของแหล่งข้อมูล

บทที่ 4 ได้รับการเขียนโดย Shivam Mathura ผู้อำนวยการฝ่ายกลยุทธ์ที่ COTA Inc

บทที่ 5 ใช้โมเดล AI ล่าสุด GPT-3 เพื่อสำรวจข้อจำกัดและศักยภาพของ AI ในองค์กร จุดมุ่งหมายของบทนี้คือการรับรู้ว่า ‘ข้อจำกัดในปัจจุบันคือความสำเร็จในอนาคต’ และความจำเป็นในการทดลองอย่างต่อเนื่อง

บทที่ 5 ได้รับการเขียนโดย Shaina Raza ผู้สมัคร PhD ในสาขาวิทยาการคอมพิวเตอร์ที่มหาวิทยาลัย Ryerson

บทที่ 6 ครอบคลุมถึงเครือข่ายสื่อสารไร้สาย 6G ที่เกิดขึ้นใหม่และวิธีการที่ AI, Machine Learning และอื่นๆ จะถูกนำมาใช้ บทนี้ชี้ให้เห็นว่าระบบเหล่านี้จะทำให้เกิดความสามารถและความสามารถในการเข้าถึงเครือข่ายที่ไม่เคยเกิดขึ้นมาก่อน นอกจากนี้ยังครอบคลุมหัวข้ออื่นๆ เช่น เครือข่ายไร้สายรุ่นต่อไปพร้อมกับ AI และ SDN, แรงบันดาลใจจากการแข่งขันการทำงานร่วมกันของสเปกตรัม DARPA และการนำไปใช้ของอัลกอริทึมวิทยุอัจฉริยะ

บทที่ 6 ได้รับการเขียนโดยผู้เขียนหลายคน รวมถึง Kemal Akkaya, Arjuna Madanayake, Udara De Silva, และ Sravan Pulipati จากมหาวิทยาลัย Florida Int.; Josep M. Jornet, Kaushik Chowdhury, Francesco Restuccia, และ Tommaso Melodia จากมหาวิทยาลัย Northeastern; Soumyajit Mandal และ John Shea จากมหาวิทยาลัย Florida; Aditya Dhananjay จาก Pi Radio; และ Jay Dawani และ Vassil Dimitrov จาก Lemurian Labs