以下是深度学习领域的一些热门趋势:
模型扩展
目前,深度学习的许多令人兴奋点都集中在扩展大型、相对通用的模型,也就是现在被称为基础模型。他们正在展示出令人惊讶的能力,例如生成新颖的文本、从文本生成图像以及从文本生成视频。任何扩展AI模型的技术都为深度学习增加更多功能。这在算法中得到了体现,这些算法超越了对多方面答案和行动的简单响应,这些答案和行动更深入地挖掘了数据、偏好和潜在行动。
扩大规模限制
然而,并不是每个人都相信扩展神经网络的规模会继续取得成果。仅凭规模,能在智能方面走多远还存在一些争议。
当前的模型在几个方面受到局限,比如单独使用神经网络可以实现哪些功能,以及将发现哪些新方法将神经网络与其他AI范例相结合。
AI与模型训练
人工智能并不是即时的洞察力。深度学习平台需要时间来分析数据集、识别模式,并开始得出在现实世界中具有广泛适用性的结论。好消息是,AI平台正在迅速发展,以满足模型训练的需求。
人工智能平台正在经历根本性的创新,并迅速达到与数据分析相同的成熟度水平,而不是花几周时间学习足够的知识才能发挥作用。随着数据集变得越来越大,深度学习模型的资源消耗越来越大,需要大量的处理能力来进行数百万次的预测、验证和重新校准。图形处理单元正在改进以处理这种计算,AI平台正在进化以跟上模型训练的需求。企业也可以通过结合开源项目和商业技术来增强其AI平台。
在做出决策时,必须考虑技能、部署速度、支持的算法种类以及系统的灵活性。
容器化工作负载
深度学习工作负载越来越集中化,进一步支持自主操作。容器技术使组织在MLOps中具有隔离性、可移植性、无限的可扩展性和动态行为。因此,AI基础设施管理将变得比以前更自动化、更容易、更友好。
容器化是关键,Kubernetes将帮助云原生MLOps与更成熟的技术集成。为了跟上这一趋势,企业可以发现他们的AI工作负载与Kubernetes一起运行在更灵活的云环境中。
规范性建模优于预测性建模
在过去的许多年中,建模经历了许多阶段。最初的尝试试图从历史数据预测趋势。这有一定的价值,但没有考虑环境、突然的流量峰值和市场力量的变化等因素。特别是,实时数据在早期的预测建模工作中没有发挥真正的作用。
随着非结构化数据变得越来越重要,企业希望对其进行挖掘以收集洞察力。随着处理能力的提高,实时分析突然变得突出。社交媒体产生的海量数据更增加了对实时信息处理的需求。
这与人工智能、深度学习和自动化有什么关系
目前和以前的许多行业实施的人工智能,都依赖于人工智能通知人类一些预期事件,然后人类有专家知识知道采取什么行动。越来越多的供应商正在转向能够预测未来事件并采取相应行动的人工智能。
这为更有效的深度学习网络打开了大门。随着多层神经网络不断使用实时数据,人工智能可以用来减轻人类越来越多的工作量。深度学习可以用来根据历史、实时和分析数据制定预测决策,而不是将决策提交给人类专家。