Les leaders de l'apprentissage automatique doivent transformer l'informatique de l'entreprise

Des voitures qui naviguent de façon autonome sur des routes sombres et glacées, aux scanners IRM entraînés pour repérer des anomalies cérébrales, aux entrepôts gérés par des capteurs, drones et robots, l'apprentissage automatique transforme déjà les industries de façon profonde. 19659002] Ces applications émergent au milieu d'une loi de Moore chancelante, qui s'est heurtée aux lois de la physique des semi-conducteurs. Pendant quatre décennies, nous pouvions compter sur le doublement de la puissance de calcul tous les deux ans. Maintenant, les semi-conducteurs traditionnels peuvent seulement fournir environ 10% de gains de performance dans cette période. Cela signifie que l'on ne peut plus compter sur les gains de performance que les progrès soutenus dans l'utilisation de la technologie de l'information à travers les ères du PC, du mobile et du cloud pour propulser la promesse de l'apprentissage automatique. évolué à partir de ceux qui alimentent les jeux vidéo à forte consommation d'image et les applications de visualisation professionnelles – fournira la puissance de calcul nécessaire pour conduire la révolution de l'apprentissage machine. Un nouveau modèle informatique, appelé calcul accéléré, tire parti des vitesses de traitement plus rapides du GPU pour former les algorithmes complexes utilisés dans les logiciels d'apprentissage automatique.

Cependant, les centres de données de la plupart des entreprises, où la formation algorithmique doit avoir lieu avec des processeurs traditionnels. Cela n'est guère surprenant, étant donné que l'apprentissage automatique n'a que récemment convergé vers les opérations commerciales traditionnelles. Une entreprise qui a l'intention de se transformer à l'aide de l'apprentissage automatique devra investir dans la combinaison nécessaire de matériel et de logiciel pour tirer parti de la vaste promesse de l'intelligence artificielle

est fait à travers une gamme d'industries. Considérons les exemples suivants:

Transportation . Les constructeurs automobiles, à l'avant-garde de la transformation de l'industrie du transport à 10 billions de dollars, se lancent dans la course pour montrer comment l'IA peut différencier leurs marques. L'amélioration de la sécurité sera en tête de liste, car il y a chaque année des dizaines de millions d'accidents dans le monde et plus d'un million de morts. Les entreprises du monde entier utilisent un superordinateur compact alimenté par GPU dans le véhicule, capable de guider les voitures autonomes.

Il en va de même pour les constructeurs de camions et les entreprises de logistique. Les serveurs alimentés par GPU dans le centre de données sont utilisés pour former, virtuellement, des camions autonomes et d'autres véhicules à conduire sur des millions de kilomètres de routes cartographiées haute définition dans un large éventail de conditions météorologiques, routières et de circulation. Grâce à de tels efforts de conduite simulés, les algorithmes qui gèrent des véhicules autonomes pourront apprendre en continu à partir de données recueillies à partir de situations de conduite réelles afin de prendre des décisions en temps réel.

Healthcare. L'imagerie médicale à elle seule est estimée à 49 milliards de dollars dans le monde d'ici 2020, ce qui en fait la plus grande source de données en matière de soins de santé. La radiologie, domaine privilégié des avancées de l'apprentissage automatique, représente une grande partie des images médicales. Selon Academic Radiology le radiologiste moyen doit interpréter un examen tomodensitométrique ou IRM toutes les trois à quatre secondes pour répondre aux demandes de charge de travail. Dans une journée de travail de huit heures, cela représente 8 000 images par radiologiste par jour.

Les algorithmes d'IA peuvent être entraînés à détecter les anomalies à l'aide d'images médicales réelles et simulées. Cela fait des dispositifs tels que les scanners IRM la première ligne de défense pour détecter les maladies. Ces dispositifs et d'autres similaires peuvent accélérer le diagnostic, améliorer considérablement la précision et permettre aux médecins de concentrer leur énergie sur les cas les plus difficiles.

Fabrication et agriculture. Les progrès dans la reconnaissance d'image créent une gamme d'opportunités industrielles de l'Internet des objets. Par exemple, l'IoT devient un élément central des entrepôts et des centres d'exécution. L'apprentissage automatique – alimenté par la reconnaissance d'image, les données et les capteurs – pilote les robots dans les entrepôts.

Les entreprises manufacturières utilisent des machines connectées comme les drones et les robots pour inspecter les équipements industriels, ce qui leur permet d'économiser des dizaines de millions de dollars. annuellement. L'agriculture industrielle ne sera pas laissée pour compte. Les images prises à partir de drones et de satellites seront traitées à l'aide d'un apprentissage automatique pour augmenter le rendement des cultures. Les entreprises agricoles peuvent utiliser des images et des algorithmes pour traiter toutes les données capturées par les satellites afin de surveiller les conditions du sol et la santé globale des cultures. L'analyse peut suivre et prédire les changements météorologiques qui pourraient affecter les rendements des cultures

Une infrastructure pour l'apprentissage automatique

Au total, les opportunités commerciales naissantes permises par la collecte massive de données et l'implémentation d'algorithmes nécessiteront de repenser le data center. Sans investissement dans l'infrastructure informatique d'entreprise, l'apprentissage automatique ne peut pas offrir ce qu'il promet.

Une étape cruciale vers la transformation des activités consiste à s'assurer que le centre de données d'une organisation peut prendre en charge des charges de travail intensives. L'informatique accélérée par GPU redéfinit l'économie de l'informatique des datacenters en remplaçant les racks de serveurs à base de CPU par une installation matérielle, une puissance et un coût nettement inférieurs. Par exemple, une entreprise pourrait potentiellement remplacer 300 serveurs avec un ou deux serveurs basés sur GPU, pour une économie de plus de 85%.

Ceux qui gèrent l'infrastructure d'un centre de données d'une entreprise doivent s'assurer qu'ils disposent d'une informatique accélérée puissance et stockage pour gérer toutes les données nécessaires. Cela implique d'évaluer l'ensemble de l'image pour comprendre les économies incroyables qui peuvent découler de la modernisation de votre architecture pour le monde de l'IA.

Les chefs d'entreprise qui font preuve de diligence pour s'assurer que leur matériel correspond aux ambitions de leur entreprise Pour en savoir plus sur les exigences technologiques pour l'apprentissage en profondeur, consultez cette webcast du 24 mai 2018 et ce livre blanc .

<! – Commentaires ->