Dans les années 1760, lorsque la machine à vapeur a été inventée, la plupart des gens ne se rendaient pas compte que la « révolution industrielle » était à venir ;
Lorsque ENIAC est sorti en 1946, les gens ne se rendaient pas non plus compte que les ordinateurs deviendraient des ordinateurs un demi-siècle plus tard. L'infrastructure qui soutient les opérations sociales et l'innovation technologique ;
Même en 2005, les gens ne pouvaient pas imaginer que presque tous les besoins en matière de nourriture, d'habillement, de logement et de transport pouvaient être résolus avec un simple téléphone portable sans argent liquide, vous ; peut enregistrer les choses autour de vous à tout moment et n'importe où.
Chaque fois qu'une technologie disruptive naît, les gens sous-estimeront toujours son impact sur l'économie sociale. Sa valeur ne sera définie que lorsque l'histoire sera résumée des décennies plus tard.
Comme Bill Gates l'a dit : Nous surestimons toujours ce que nous pouvons faire en un an et sous-estimons ce que nous pouvons faire en cinq ou dix ans.
Maintenant, le protagoniste est « l’intelligence artificielle ».
En 2022, la chaîne industrielle de l'IA sera initialement améliorée et la demande de diverses industries continuera d'émerger. Les praticiens brandissent haut la bannière « L'IA entre dans des milliers d'industries » pour élargir le marché, et certains pionniers ont réussi. Introduction en bourse.
Réduction des coûts et augmentation de l'efficacité, transformation numérique, économie numérique... sont devenus des mots chauds liés à l'industrialisation actuelle de l'IA. A la tête de la quatrième révolution industrielle et de l’itération de la productivité, ces valeurs de l’IA sont reconnues par de nombreux acteurs.
Mais personne ne peut décrire clairement le paysage de l’IA dans 10 ans ou dans 50 ans. Si le développement de l'IA sera ce que nous prévoyons et définissons aujourd'hui -
Avec notre vision actuelle, nous ne pouvons pas donner de réponse précise.
Face à la mer d'étoiles et d'étoiles de l'IA, nous venons de quitter la surface de la terre.
Dans le tourbillon des changements industriels, il peut être difficile de voir la fin de l'IA, mais « l'ultra-grande échelle » et le « raffinement » des algorithmes d'IA sont au moins le seul moyen d'y parvenir.
La soi-disant ultra-grande échelle signifie que les algorithmes d'IA sont partout -
Le nombre d'algorithmes va croître de manière explosive comme le nombre d'APP pénétrant dans la production et le travail, chaque détail de la vie est devenu un atout important pour la gestion urbaine et le développement des entreprises.
Tout comme il existe aujourd’hui des millions de types d’applications dans les magasins d’applications pour smartphones, les algorithmes couvrent presque les besoins de tous les types de personnes et de tous les horizons. Beaucoup d’entre eux font désormais partie de notre vie quotidienne.
Le soi-disant raffinement signifie que les fonctions d'un seul algorithme d'IA deviendront de plus en plus subdivisées et que d'innombrables petits algorithmes d'IA seront combinés en applications d'IA très complexes basées sur les exigences d'utilisation de différentes industries, différents scénarios et différents appareils.
Dans le cadre de cette tendance, bientôt, chaque application d'IA que nous tenons pour acquise pourrait devenir un agent intelligent complexe composé de centaines ou de milliers d'algorithmes.
Le raffinement entraînera également la mise en scène de l'IA. En d'autres termes, il est nécessaire de former des algorithmes d'IA adaptés à différents scénarios verticaux et segmentés en fonction de la situation réelle et des caractéristiques de la demande des clients.
Cependant, à mesure que des scénarios continuent d'être découverts, le nombre de demandes personnalisées des clients augmentera également rapidement, ce qui entraînera davantage de défis dans la mise en œuvre de l'IA. Une personnalisation spéciale pour chaque demande augmentera non seulement les coûts, mais ralentira également. le cycle de mise en œuvre.
En ce qui concerne uniquement le domaine de la gestion de communauté, les exigences des algorithmes incluent un grand nombre d'exigences détaillées telles que le débordement d'ordures, les objets lancés à haute altitude, la détection de masques, l'identification de stationnement illégal de véhicules, les véhicules électriques entrant dans les ascenseurs, les chutes de résidents et les personnes piégées. dans les ascenseurs. Il en va de même pour l’industrie manufacturière, l’énergie et d’autres domaines.
Le même modèle a des applicabilités différentes dans différents scénarios.
Prenons l'exemple de la reconnaissance des flammes et de la fumée. S'il est placé dans une rue communautaire, il n'est pas nécessaire d'appeler la police lorsque quelqu'un allume une cigarette. S'il est placé sur un chantier de construction, il n'est pas nécessaire d'alerter. si les étincelles sont aussi grosses qu'une soudure électrique. Mais dans une station-service, la demande devient même une petite étincelle.
Bien que ces scénarios apportent de nombreuses demandes fragmentées à longue traîne à l'algorithme, ils restent un élément indispensable d'une gestion intelligente de communauté.
Cependant, ce type de scénario à longue traîne présente une caractéristique importante, à savoir que les exemples de données sont rares et que les ensembles de données de haute qualité pouvant être utilisés pour la formation sont encore plus un luxe.
Par conséquent, lors du processus de développement, il est souvent nécessaire de collecter des données sur site pour la formation initiale, et de continuer à itérer après le lancement de l'algorithme. Seuls des ingénieurs en algorithmes expérimentés peuvent entraîner un algorithme avec une bonne précision avec une quantité limitée de données.
Dans la tendance de « l'ultra-grande échelle » et du « raffinement », l'adaptation au déploiement des terminaux des algorithmes d'IA est devenue un autre problème caché dans la mise en œuvre de l'IA.
Si l'algorithme doit être utilisé efficacement, l'adaptation de la puce est un processus nécessaire.
Ce travail implique l'écriture de kits d'outils de développement pour différentes chaînes d'outils pour différentes puces, ainsi que des ajustements quantitatifs des performances de la puce du terminal afin de maximiser l'utilisation de la puce.
Actuellement, la plupart des entreprises d'IA du marché s'adaptent uniquement aux marques grand public telles que NVIDIA et Qualcomm et aux puces auto-développées. Si la puce utilisée par l'utilisateur n'est pas dans la plage d'adaptation, cela prendra au moins 2 à 3 mois. adaptation séparée.Même dans ce cas, le taux d'utilisation de la puce peut encore être inférieur à 10 %, ce qui entraîne un énorme gaspillage de ressources.
Sous le modèle de développement traditionnel, de la définition des problèmes commerciaux à la collecte et à l'annotation des données, en passant par la conception, l'ajustement des paramètres, la formation et l'optimisation des modèles d'algorithmes, jusqu'à l'adaptation de la puce et l'évaluation des performances du modèle -
L'ensemble chaîne Non seulement c'est compliqué et prend du temps, mais cela nécessite également beaucoup de participation manuelle. L'ensemble du processus prend généralement plusieurs mois. L’incertitude quant à l’utilisation des algorithmes augmentera le coût de la puissance de calcul.
Ce genre d'esprit artisanal selon lequel « il faut être artificiel pour être intelligent » sera incapable de faire face à la demande massive à l'avenir.
Avec l'aviron manuel, il est impossible de quitter la surface de la terre. Tout le monde s’attend à ce que l’IA provoque la quatrième révolution industrielle et libère davantage d’emplois à forte intensité de main-d’œuvre, mais l’IA elle-même est devenue une industrie à forte intensité de main-d’œuvre. Qui libérera le travail répétitif d’un grand nombre d’instituts de recherche et d’ingénieurs ?
De plus, pour approfondir la mise en œuvre de l'industrie, il faut également faire des choix dans le jeu de la standardisation et de la personnalisation.
Auparavant, les SDK d'algorithmes et les services SaaS étaient populaires, et de nombreuses entreprises espéraient standardiser progressivement leurs produits et parvenir à un développement à grande échelle. Il s’avère que plus l’IA pénètre profondément dans l’industrie, plus la demande devient fragmentée et non standardisée. S’appuyer sur un modèle unique pour résoudre universellement tous les problèmes est un modèle économique irréalisable.
Les solutions personnalisées et les projets d'intégration sous contrat général tomberont dans le dilemme des coûts élevés, des bénéfices faibles et de l'absence d'argent, ce qui en fera un travail difficile que les entreprises d'IA ne sont pas disposées à entreprendre.
L’énorme écart entre l’offre et la demande d’industrialisation de l’IA et les contraintes des modèles économiques nécessitent la reconstruction des relations de productivité et de production. L’IA elle-même a également besoin d’une révolution industrielle.
En fait, les acteurs de pointe ont réalisé ce signe très tôt et ont commencé à le résoudre.
Certaines personnes ont envoyé du personnel supplémentaire pour approfondir l'industrie, développer de nouveaux algorithmes un par un, rejoindre le jeu et lier fortement l'industrie, et ont entrepris de construire un marché complet de l'éducation aux solutions dès le début, mais ont fini par faire un beaucoup de travail d'intégration.
Certaines personnes ont également créé des centres de calcul intensif pour construire de grands modèles et de gros appareils, dans l'espoir de résoudre tous les problèmes en même temps.
Il existe également une nouvelle méthode, qui permet non seulement de « réduire les coûts et d'améliorer l'efficacité » du développement de l'IA, mais également d'abaisser le seuil d'utilisation et de la populariser dans l'industrie :
utilise l'IA pour résoudre les besoins en IA. vient d'AutoML, qui se concentre sur Deux mots : efficace.
Comme son nom l'indique, AutoML fait référence à la réduction de la participation manuelle à chaque étape de l'apprentissage automatique, transformant le « fait main par des artisans » en « opérations de chaîne d'assemblage automatisées ».
De la conception structurelle du modèle à l'ajustement des hyperparamètres, de la formation à la rationalisation et à la compression du modèle, en passant par l'adaptation et le déploiement des puces... Des solutions d'automatisation sont adoptées à différentes étapes, permettant aux machines de remplacer le travail manuel pour terminer l'ajustement des paramètres, traitement des données, etc. Travail.
Le concept de base est d'utiliser l'IA pour former l'IA.
Parce qu'AutoML va remodeler le cadre sous-jacent et le modèle de coopération d'origine, certains initiés l'appellent : un symbole de l'étape de l'intelligence artificielle 2.0.
En tant que proposant et premier adoptant d'AutoML, Google a rapidement pris des dispositions pertinentes, et certaines start-up ont également activement mené l'innovation AutoML et sont devenues des praticiens de l'industrie de l'IA responsabilisant diverses industries.
Reflétée dans les applications industrielles réelles, quelle est l'efficacité d'AutoML ?
Deux chefs de produit de la start-up de Shenzhen « Gongda Di » ont utilisé la plateforme de formation automatisée de l'entreprise pour former rapidement plus de 100 algorithmes en seulement 2 à 3 semaines, couvrant la détection et le suivi de cibles, la classification d'images et la sémantique. Les catégories d'algorithmes visuels, notamment la segmentation, la détection de posture et la détection 3D, couvrent plus de 80 scénarios d'application fragmentés et plus de 70 puces d'IA.
En conversion simple, il fallait à l'origine au moins six mois entre le développement de l'algorithme et son déploiement, mais maintenant cela peut être réalisé en une demi-journée grâce à l'automatisation, et l'efficacité a augmenté de façon exponentielle.
Mais pour amener pleinement AutoML sur le marché commercial, nous devons partir du point de vue de la valeur client, aider les clients à démarrer rapidement à moindre coût et créer des innovations en matière de productivité en même temps, relier les industries en amont et en aval ; , optimiser le système d'offre et de demande de l'industrie et réaliser des relations de production de remodelage.
Tout d’abord, c’est l’innovation de la productivité.
Bien qu'AutoML soit connu comme « automatique », pour les chefs de produit, les analystes de données et autres groupes n'ayant pas d'expérience en technologie IA, il s'agit toujours d'un outil qui « ne peut pas comprendre ».
Différent des géants de la technologie qui l'utilisent uniquement pour améliorer l'efficacité du travail du personnel technique interne, Gongda a procédé à une transformation d'automatisation complète de la chaîne sur le pipeline de développement, afin que le personnel commercial qui ne comprend pas l'IA puisse également utiliser l'IA, réduisant considérablement le seuil d'utilisation de l'IA et faciliter son utilisation. La productivité illimitée de l'IA derrière votre entreprise.
Comme vous pouvez le voir sur l'image, l'ensemble du processus de Gongda a atteint 0 code et un seuil bas. En utilisant AutoML pour entraîner l'IA que vous souhaitez, les utilisateurs n'ont qu'à cliquer sur le bouton pour la télécharger eux-mêmes. service en fonction de leurs propres besoins. Avec les données de formation, la plate-forme peut compléter indépendamment la conception du modèle, la formation et l'ajustement des paramètres, et peut former un algorithme de vision IA de haute qualité en peu de temps.
Actuellement, la plateforme a couvert plus de 90 % des tâches courantes de l'industrie, avec de grandes catégories couvrant : la détection, la segmentation, la classification, le corps humain, la 3D et d'autres algorithmes. La collecte et l'annotation des données peuvent également être confiées aux partenaires de Gongda. Les chefs de produit et les experts métier doivent uniquement être responsables de la définition des exigences, et ils peuvent rapidement terminer la mise en œuvre, réalisant que « la définition est ce que vous obtenez ».
En réalité, de nombreuses petites et moyennes entreprises ont des besoins urgents en algorithmes de scénarios fragmentés. L'équipe s'est également associée à des fournisseurs de données pour lancer rapidement un « centre commercial d'algorithmes » automatisé -
permettant aux clients de brancher et de jouer avec zéro. code De cette manière, nous pouvons rapidement appliquer des algorithmes d'IA à notre propre chaîne commerciale pour réaliser des mises à niveau intelligentes.
Actuellement, ce centre commercial contient près d'une centaine de scénarios et plus de 5 000 algorithmes de haute précision adaptés à plus de 70 types de puces pour une utilisation directe par les clients.
Deuxièmement, c'est la refonte des relations de production.
Grâce à l'autonomisation ouverte, les capacités de fourniture de l'IA sont accordées à un large éventail de partenaires écologiques pour pratiquer conjointement l'autonomisation de l'IA pour toutes les industries.
À l'heure actuelle, la chaîne industrielle de l'IA comprend les rôles de nombreux maillons différents tels que les fabricants de données, les fabricants de puces et les fabricants d'infrastructures. Par conséquent, dans le processus de refonte de la chaîne industrielle. la plateforme AutoML, elle reste axée sur une ouverture totale aux partenaires dans tous les aspects.
Prenons l'exemple de l'adaptation destinée aux fabricants de puces.
Étant donné que différentes plates-formes de puces développeront leurs propres chaînes d'outils en fonction de leurs propres caractéristiques d'architecture matérielle de puce, lors du processus de génération et de déploiement de modèles d'IA, il est nécessaire de prendre en compte l'adaptabilité matérielle et l'utilisation de chaque plate-forme de puces différente.
La plateforme d'IA Gongdadi intégrera différentes chaînes d'outils au niveau du SDK pour compléter la conversion adaptative du modèle en puce du terminal, afin que le modèle généré par la plateforme de formation AutoML puisse être livré au terminal en un seul clic, et permettre le modèle d'algorithme d'IA pour exercer sa pleine efficacité.
Sur la base de l'efficacité d'AutoML, Gongda a achevé la pré-adaptation de presque toutes les puces et boîtiers grand public, ce qui peut augmenter l'utilisation des puces à 50 à 60 % par rapport au niveau d'utilisation courant de l'industrie de 10 %. grandement améliorée.
Du passé, un algorithme nécessitait un groupe d'ingénieurs en IA pour se développer pendant plusieurs mois, jusqu'à aujourd'hui un chef de produit qui est en première ligne du business et ne comprend pas le développement d'algorithmes ou la programmation de code. Avec trois clés consécutives, vous pouvez produire efficacement et indépendamment des algorithmes de haute qualité selon vos propres besoins.
AutoML apporte non seulement des changements quantitatifs, mais aussi une singularité dans la mutation industrielle.
Actuellement, de plus en plus d'entreprises du secteur ont commencé à appliquer la technologie AutoML pour changer le modèle de développement de l'IA. De nombreuses entreprises bénéficient de la plateforme de formation automatisée et du centre commercial d’algorithmes de Gongdadi.
Basé sur la technologie AutoML, Gongdadi co-crée et construit avec ses clients pour définir conjointement les problèmes commerciaux et aider les clients à réaliser une personnalisation et une distribution efficaces d'algorithmes pour répondre rapidement aux besoins massifs d'IA basés sur des scénarios dans des domaines verticaux et subdivisés. divers besoins personnalisés, améliorer l'efficacité du développement, réduire les coûts de main-d'œuvre et de R&D et parvenir à une coopération gagnant-gagnant avec les clients.
Par exemple, Ping An Smart City, une entreprise de technologie de services urbains affiliée à une entreprise centrale, tente d'appliquer la technologie AutoML pour produire des algorithmes multi-scénarios.
Grâce à la plateforme de formation automatisée de Gongdadi, les développeurs de Ping An Smart City peuvent effectuer une formation de modèles d'algorithmes pour des scénarios fragmentés tels que la détection de stationnement illégal, la détection de perte ou de dommages de plaques d'égout, la détection de feux d'artifice et la détection d'opérations d'occupation de route sans codage. de bout en bout en un seul clic. Ce processus peut prendre seulement quelques heures entre le développement de l’algorithme et son déploiement.
Un autre exemple, dans le scénario d'application du transport intelligent, lorsque le service de gestion du trafic d'une ville de la province du Hunan construisait des projets connexes, Qianshitong a utilisé la plateforme de formation automatisée AutoML de Gongdadi pour personnaliser la "conduite sans porter la ceinture de sécurité" Reconnaissance", " reconnaissance téléphonique au volant" et une série d'algorithmes de vision IA associés liés à une conduite sûre.
Avec presque aucun investissement dans les ingénieurs en algorithmes d'IA, la formation du modèle d'algorithme d'IA dans divers scénarios de trafic complexes a été achevée en deux semaines.
Ces cas confirment également clairement le caractère indispensable d'AutoML pour le développement raffiné et à très grande échelle de l'IA -
Permettre aux applications d'IA de se transformer à partir d'agents simples intégrés avec seulement quelques algorithmes et ne pouvant accomplir qu'une seule tâche. , a progressivement évolué vers un agent intelligent complexe composé d'algorithmes massifs et doté de capacités complètes, accomplissant ainsi une variété de tâches complexes.
Si l'IA est comparée à un avion, alors l'application initiale de l'IA ressemble au premier avion construit par les frères Wright. Elle a une structure simple et ne peut voler que 12 secondes. Les futures applications de l'IA, comme les avions de passagers d'aujourd'hui qui nécessitent des millions de pièces, pourront transporter chaque jour des personnes d'un bout du monde à leur destination à l'autre.
Tout comme l’entreprise de Gongdadi signifie « atteindre la destination ensemble », tout en aidant les autres à réussir, vous réussirez également vous-même.
À cet égard, Zhao Cong, fondateur et PDG de Gongdadi, a une conclusion intéressante : pour faire de l'IA, il n'est pas nécessairement nécessaire de constituer une équipe d'IA.
Pour les entreprises, grâce à la plateforme de formation automatisée Gongdadi, les algorithmes d'IA pour les scénarios fragmentés de moyenne et longue traîne peuvent être rapidement mis en œuvre après le déploiement, ils peuvent également être rapidement optimisés, itérés et mis à niveau en continu, gagnant ainsi continuellement de la valeur ajoutée.
La méthode de développement à bas seuil du code 0 abaisse également le seuil des talents en IA au niveau le plus bas, permettant aux intégrateurs, aux fournisseurs de solutions et aux fournisseurs de canaux d'acquérir rapidement des capacités d'IA fiables, afin que le développement d'algorithmes d'IA ne devienne plus un fardeau pour Au lieu de cela, elle est transformée en une arme pour améliorer la compétitivité et l’efficacité.
En regardant plus loin, avec la plate-forme de formation automatisée et le centre commercial d'algorithmes, Gongdadi n'a pas besoin d'entrer en première ligne de l'industrie pour réaliser des projets d'intégration de contrats généraux ou toucher à l'application finale. Au lieu de cela, il devient le catalyseur d'algorithmes derrière l'entreprise, en utilisant. Productivité et production de l'IA Les changements dans les relations créent de nouveaux modèles commerciaux -
En réduisant le coût unitaire d'application de la technologie de l'IA, nous aiderons progressivement les entreprises en amont et en aval à s'autonomiser grâce à la technologie de l'IA. Nous formerons une coopération approfondie et à long terme. comptez sur eux pour entrer dans diverses industries et, à terme, atteindre l'effet, atteignant l'objectif de l'IA autorisant toutes les industries.
En regardant l'article d'ouverture, la raison pour laquelle les gens sous-estiment la valeur apportée par les technologies innovantes de rupture peut être précisément parce que cette technologie n'a pas encore atteint d'effets d'échelle. le coût d'application n'a pas été réduit à un niveau acceptable pour l'industrie.
Le livre "Prediction Machines" mentionne que lorsque le prix d'un certain produit de base baisse de manière significative, le monde entier peut changer.
L'émergence de la machine à vapeur n'a pas immédiatement déclenché la révolution industrielle. Au lieu de cela, après la baisse du coût unitaire et sa large utilisation, elle a inauguré l'ère du remplacement du travail manuel par des machines.
L'émergence des ordinateurs à tubes n'a pas immédiatement déclenché une révolution scientifique et technologique pour l'humanité. Il a fallu attendre l'émergence de circuits intégrés à très grande échelle et le développement progressif de l'automatisation de la conception électronique pour que les PC entrent véritablement dans des milliers de foyers.
À l'ère de l'IA, cette scène se reproduit.
Dans la tendance générale de mise en œuvre à grande échelle de l’IA et l’objectif de responsabiliser toutes les industries, les défis sont des opportunités. Si la voie traditionnelle du développement, coûteuse et inefficace, n’est pas complètement modifiée, le manque d’économie entravera sérieusement le développement de l’intelligence artificielle.
Ce n'est qu'en utilisant une innovation d'efficacité disruptive pour réaliser une production par lots et à grande échelle d'algorithmes d'IA et en les plaçant rapidement dans les capillaires de l'industrie pour aider les clients à améliorer leurs performances exponentielles et à créer des actifs de base pour la transformation numérique. L'IA peut-elle entrer dans tous les domaines de la vie. .
Je ne cherche pas toujours à être éblouissant, mais je propose de nouvelles idées dans l'industrie d'une manière terre-à-terre. Utiliser l’innovation technologique pour créer des effets d’échelle dans l’IA pourrait être l’avenir de l’IA auquel Gongda croit.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
