RE•WORK White Paper: Thử thách, thành công, tiến bộ và thất bại của xử lý trong Trí tuệ nhân tạo

RE-WORK là một nhà lãnh đạo trong các sự kiện Trí tuệ nhân tạo và Học sâu, tổ chức các hội nghị thượng đỉnh và hội thảo trên toàn cầu. Các sự kiện này bao gồm các chủ đề liên quan đến Học sâu, Học máy, Trí tuệ nhân tạo trong các lĩnh vực khác nhau, Thị giác máy tính, Xe tự lái, Trí tuệ nhân tạo có trách nhiệm và nhiều hơn nữa. Họ đưa cùng nhau các nhà lãnh đạo từ cả ngành công nghiệp và học thuật.

Trong bài viết trắng mới nhất của RE•WORK có tiêu đề ‘Thử thách, thành công, tiến bộ và thất bại của xử lý trong Trí tuệ nhân tạo,’ các tác giả bao gồm các tên từ Đại học Purdue, Đại học Ryerson, Công ty GSI Technology (GSIT ), COTA Inc., Omdena và nhiều hơn nữa.

Bài viết trắng này được chia thành sáu chương:

• Chương 1: Giới hạn dữ liệu trong các ứng dụng công nghiệp và phi lợi nhuận phổ biến

• Chương 2: Sự hội tụ của ElasticSearch, ANN và Máy tính trong bộ nhớ

• Chương 3: Giới hạn và tiến bộ của tính khả dụng dữ liệu

• Chương 4: Các chướng ngại vật về dữ liệu trong Học máy và Trí tuệ nhân tạo

• Chương 5: Giới hạn xử lý trong Trí tuệ nhân tạo doanh nghiệp – GPT-3 có phải là giải pháp tối thượng?

• Chương 6: Tất cả trong mạng lưới truyền thông không dây 6G

Chương đầu tiên của bài viết này bao gồm các thách thức dữ liệu phổ biến nhất mà cả tổ chức tư nhân và phi lợi nhuận phải đối mặt. Nó cũng chi tiết các giới hạn chung về tính khả dụng và chi phí, quyền riêng tư và đạo đức, và dữ liệu. Chương này dựa trên ba nghiên cứu trường hợp cụ thể để chứng minh giới hạn dữ liệu trong văn bản, video và dữ liệu địa lý, bao gồm ‘Địa chỉ dễ bị tổn thương với NLP,’ ‘Thị giác máy tính cho Phản ứng khẩn cấp’ và ‘Ứng dụng Thị giác máy tính cho Lái xe tự động.’

Chương 1 được viết bởi Rosano de Oliveira Gomez, Kỹ sư Máy học hàng đầu từ Omdena; Harini Suresh, Nghiên cứu sinh Tiến sĩ tại MIT; và Erim Afzal, Kỹ sư Máy học tại Omdena.

Chương thứ hai tập trung vào việc sử dụng hàng xóm gần nhất (ANN) với gia tốc xử lý trong bộ nhớ, cung cấp phản hồi thời gian thực từ các hoạt động tìm kiếm Elastic. ElasticSearch, ban đầu là một công cụ tìm kiếm văn bản, hiện có thể bao gồm các tài liệu như hình ảnh, kiến trúc mạng, tài liệu văn bản và biên lai sản phẩm trong cơ sở dữ liệu. Chương này cũng bao gồm các công nghệ mới trên thị trường như Đơn vị Xử lý Liên kết (APU).

Chương 2 được viết bởi Mark Wright, Giám đốc Tiếp thị tại GSI Technology.

Chương thứ ba bao gồm các giới hạn và lợi thế của tính khả dụng dữ liệu. Nó bắt đầu bằng cách giải thích dữ liệu khả dụng là gì và không phải là gì, sau đó là các giới hạn như khả năng tương thích dữ liệu, thất bại lưu trữ, thất bại máy chủ/mạng, chi phí và chất lượng dữ liệu kém. Chương này kết thúc bằng cách giới thiệu các giải pháp như đường ống xử lý dữ liệu hiệu suất cao và đám mây lai.

Chương 3 được viết bởi Adebunmi Odefunso, Kỹ sư phần mềm và Thực hành Máy học tại Đại học Purdue.

Chương thứ tư bao gồm các chướng ngại vật về dữ liệu trong Học máy và Trí tuệ nhân tạo, tập trung vào các thuật toán và mô hình vấn đề như hệ thống nhận dạng khuôn mặt, đã chứng minh tỷ lệ lỗi cao và thiên vị. Nó tiếp tục chứng minh cách giảm thiểu thiên vị và tăng khả năng giải thích và tại sao tập dữ liệu nên lớn và đa dạng. Các khía cạnh khác của dữ liệu được đề cập, chẳng hạn như tính nhất quán và độ chính xác của nguồn dữ liệu.

Chương 4 được viết bởi Shivam Mathura, Giám đốc Chiến lược tại COTA Inc.

Chương thứ năm sử dụng mô hình Trí tuệ nhân tạo mới nhất GPT-3 để khám phá các giới hạn và tiềm năng của Trí tuệ nhân tạo trong Doanh nghiệp. Mục tiêu của chương này là nhận ra rằng “giới hạn ngày hôm nay là thành công ngày mai” và cần phải tiếp tục thử nghiệm.

Chương 5 được viết bởi Shaina Raza, Ứng viên Tiến sĩ tại Ryerson University.

Chương thứ sáu bao gồm các mạng lưới truyền thông không dây 6G mới nổi và cách chúng sẽ yêu cầu Trí tuệ nhân tạo, Học máy và nhiều hơn nữa. Nó tiếp tục lưu ý rằng những hệ thống này sẽ cho phép khả năng và truy cập mạng chưa từng có. Một số chủ đề khác của chương này bao gồm Mạng lưới truyền thông không dây thế hệ tiếp theo với Trí tuệ nhân tạo và SDN, Động lực từ Thử thách Hợp tác Quang phổ DARPA, và Thực hiện Thuật toán Radio Thông minh.

Chương 6 được viết bởi nhiều tác giả bao gồm Kemal Akkaya, Arjuna Madanayake, Udara De Silva, và Sravan Pulipati từ Đại học Florida Quốc tế; Josep M. Jornet, Kaushik Chowdhury, Francesco Restuccia, và Tommaso Melodia từ Đại học Northeastern; Soumyajit Mandal và John Shea từ Đại học Florida; Aditya Dhananjay từ Pi Radio; và Jay Dawani và Vassil Dimitrov từ Lemurian Labs.