Drei Gründe, warum AI gerade abhebt (und was Sie dagegen tun müssen)

Machine Intelligence wird in Kürze durchdringen und billig zu bedienen.

Drei Faktoren kombinieren, um einen Kipppunkt zu schaffen, nach dem die Verwendung von künstlicher Intelligenz wird alltäglich geworden.

Laut dem Leading Edge Forum – dem Forschungsarme des Tech-Herstellers CSC – gibt es zwar noch genügend Arbeit, aber die drei wichtigsten Zutaten, die für den Start von AI benötigt werden, sind nun vorhanden

Große Daten: Große unstrukturierte Datensätze sind praktisch für die Ausbildung leistungsstarke Maschinenkommunikation und es gibt jetzt viele dieser um. Initiativen wie Sprachübersetzung und Bild-, Gesichts-, Aktivitäts- und Emotionserkennung basieren auf prädiktiven Analysen, die genauer werden, wenn die Daten dahinter reicher werden. Und der Aufstieg der großen Daten – und insbesondere der Social Media – bedeutet, dass es viele Datensätze zu nutzen gibt. Wie der Bericht feststellt, erfreut sich Facebook großer Beliebtheit in der Gesichtserkennung, denn er kann bereits mit unseren Namen und Gesichtern übereinstimmen, genau wie Google wichtige Vorteile in der maschinellen Übersetzung hat, weil es die besten mehrsprachigen Dokumente zusammengefasst hat.

Mit Blick auf die Zukunft, werden neue und etablierte MI-Unternehmen Millionen von Internet-Bildern, Videos und Podcasts von Menschen lächeln, lachen, Stirnrunzeln, Reden, Argumentieren, Händchenhalten, Wandern, Fußball spielen und so weiter als Grundlage für beispiellose Emotionen und Aktivitäten Anerkennung Fähigkeiten . MI gehört mittlerweile zu den bedeutendsten Big Data Anwendungen.

Software und Hardware Fortschritte: Es ist seit langem bekannt, dass neuronale Netze und parallele Verarbeitung wichtige Entwicklungswerkzeuge von AI wäre, weil sie mehr ähneln, wie das menschliche Gehirn funktioniert. Insbesondere das Aufkommen von GPU-basierten Computern kann erheblich beschleunigen neuronale Netzwerkverarbeitung Fähigkeiten – und wenn mehr Rechenleistung benötigt werden, gibt es die riesigen Cloud-Computing-Ressourcen von Amazon, Microsoft, Google. “Zusammengenommen bieten tiefe Lernsoftware und parallel verarbeitete Hardware nun eine leistungsstarke Plattform [Machine Intelligence]”, so der Bericht.

Cloud-Business-Modelle: Das Entstehen von maschinellen Lernen Business-Modelle auf der Grundlage der Nutzung der Wolke ist der einzige Hauptgrund, dass das Feld so energisch heute ist, sagte der Bericht: “Wir sehen im Wesentlichen die Fusion von Maschinen-Intelligenz mit Cloud Economics.”

Vor der Cloud waren die meisten AI-Arbeit isoliert und relativ hohe Kosten, aber die Wirtschaftlichkeit der Wolke bedeuten maschinelle Lernfähigkeiten, wie das Erkennen von Gesichtern oder Übersetzen von Sprachen, wird billig und einfach zu bedienen

Es ist diese Erkenntnis, die sowohl die Explosion hochspezialisierter MI-Start-ups als auch die großen Maschinenintelligenzen bei Google, Facebook, Microsoft, Apple, IBM und ihren verschiedenen globalen Konkurrenten auslöst.

Die Forscher legten einen 10-Punkte-Plan für Organisationen, die für die Maschine Intelligenz vorbereiten wollen

1. Umfassen Sie die Idee, dass die Maschinenkommunikation für Ihre Organisation von Bedeutung sein wird.

2. Identifizieren Sie, welche Formulare für Ihr Unternehmen am wichtigsten sein könnten.

AI, MD: Wie künstliche Intelligenz verändert die Art und Weise Krankheit diagnostiziert und behandelt wird; Dieser Watson-angetriebene Roboter-Hausmeister überdenkt die Hotelindustrie, Zwei Arme gut, vier Arme besser: Wie Roboter die Zukunft der Chirurgie neu definieren

Social Data LinkedIn stellt seine neue Blogging-Plattform, Big Data Analytics, ist das Alter von Big OLAP, Big Data Analytics, DataRobot zielt auf die Automatisierung von Low-hanging Obst der Datenwissenschaft, Big Data Analytics, MapR Gründer John Schroeder Schritte, COO zu ersetzen

3. Prüfen Sie relevante Neugründungen und Entwicklungen.

4. Verstehen Sie, welche Teile Ihres Unternehmens sicher durch Algorithmen ausgeführt werden könnten.

5. Bestimmen Sie, welche internen und externen Datensätze das meiste Potential haben.

6. Beurteilen Sie, inwieweit die fachliche Kompetenz Ihres Unternehmens automatisiert werden kann.

7. Testen Sie tiefes Lernen, Neuronales Computing und andere Technologien.

8. Ordnen Sie die relevanten MI-Dienste und -Technologien der Wertschöpfungskette Ihres Unternehmens zu.

9. Entwickeln Sie maschinelle Intelligenz-Experten in Ihrer Organisation.

10. Faktor AI schreitet in Ihre strategische Planung.

künstliche Intelligenz

LinkedIn stellt seine neue Blogging-Plattform vor

Ist dies das Alter von Big OLAP?

DataRobot zielt auf die Automatisierung von tiefgreifenden Datenwissenschaften ab

MapR-Gründer John Schroeder geht nach unten, COO zu ersetzen