手織り機のAI時代に別れを告げる

蒸気エンジンが発明された 1860 年代、ほとんどの人は「産業革命」が近づいていることに気づいていませんでした;

ENIAC が 1946 年に登場したとき、人々はコンピューターが半分になることにも気づいていませんでした。 1世紀を経た今、社会運営と技術革新を支えるインフラとなっている

2005年当時でさえ、衣食住、移動手段のほぼすべてのニーズがモバイルだけで解決できるとは想像できませんでした。別のカメラを使用すると、いつでもどこでもあなたの周囲のすべてを記録できます。

破壊的テクノロジーが誕生すると、人々は常にその社会経済への影響を過小評価しますが、その影響値が明らかになるのは、数十年後に歴史が総括されるときだけです。

ビル・ゲイツが言ったように、私たちは常に 1 年でできることを過大評価し、5 年または 10 年でできることを過小評価します。

さて、主人公は「人工知能」です。

2022年、AI産業チェーンはまず改善され、さまざまな業界からの需要が引き続き生まれ、実務家は「数千の産業にAIが参入」の旗を掲げて市場を拡大し、先駆者の中にはIPOに成功した企業もある。

コスト削減と効率の向上、デジタルトランスフォーメーション、デジタルエコノミー...現在のAI産業化に関連するホットワードとなっています。第 4 次産業革命と生産性の反復を主導し、AI のこれらの価値は多くの関係者によって認識されています。

しかし、今から 10 年後、または 50 年後の AI の展望を明確に説明できる人は誰もいません。 AI の発展が今日私たちが予測し定義するものになるかどうか -

私たちの現在のビジョンでは、正確な答えを与えることはできません。

星の海とAIを前に、私たちは地球の表面を出たばかりです。

産業変革の渦の中に生きていると、AI の終焉を知るのは難しいかもしれませんが、AI アルゴリズムの「超大規模化」と「洗練」が、少なくともこの終焉への唯一の道です。

超大規模化と高度化のトレンドの下、AI は産業革命を待っています

いわゆる超大規模化とは、AI アルゴリズムがあらゆる場所に存在することを意味します -

アルゴリズムの数 APP の数と同様に、アルゴリズムも爆発的に増加し、生産、仕事、生活のあらゆる細部に浸透し、都市管理と企業の発展にとって重要な資産になるでしょう。

今日のスマートフォンのアプリ ストアには何百万種類ものアプリがあるのと同じように、アルゴリズムはあらゆる種類の人々とあらゆる階層のほぼすべてのニーズをカバーしています。それらの多くは私たちの日常生活の一部になっています。

いわゆる洗練とは、単一の AI アルゴリズムの機能がますます細分化され、さまざまな業界、さまざまなシナリオの使用要件に基づいて、無数の小さな AI アルゴリズムが非常に複雑なシステムに結合されることを意味します。 、およびさまざまなデバイス高度な AI アプリケーション。

この傾向の下では、間もなく、私たちが当たり前だと思っているすべての AI アプリケーションが、数百または数千のアルゴリズムで構成される複雑なインテリジェント エージェントになる可能性があります。

洗練化によってシナリオベースのAIも実現しますが、言い換えれば、顧客の実情や需要特性に基づいて、さまざまな縦割りシナリオや細分化されたシナリオに適したAIアルゴリズムを学習させる必要があります。

しかし、シナリオの検討が進むにつれて、顧客からのカスタマイズ要求の数も急増し、AI の実装にさらなる課題が生じることになります。要求ごとに特別なカスタマイズを行うと、コストが増加するだけでなく、また、着陸サイクルを遅くします。

コミュニティマネジメントの分野に限ってみると、アルゴリズム要件には、ゴミのあふれ、高所投棄物、マスク検知、車両違法駐車識別、電気自動車のエレベータ進入、住民の転落など、細かい要件が多数含まれています。 、エレベーターに閉じ込められた人々。製造業やエネルギーなどの分野でも同様です。

同じモデルでも、異なるシナリオでは異なる適用可能性があります。

炎と煙の認識を例に挙げると、生活道路に設置されていれば、誰かがタバコに火をつけても警察に通報する必要はありませんが、建設現場に設置されていれば、警察に通報する必要はありません。電気溶接ほどの火花であれば警告する必要はありませんが、ガソリンスタンドでは火花があっても需要があるので放っておいてください。

#これらのシナリオは、多くの断片化されたロングテール要求をアルゴリズムにもたらしますが、依然としてインテリジェントなコミュニティ管理には不可欠な部分です。

ただし、このタイプのロングテール シナリオには大きな特徴があります。それは、サンプル データが不足しており、トレーニングに使用できる高品質のデータ セットがさらに贅沢であるということです。

したがって、開発プロセスでは、多くの場合、初期トレーニングのために現場でデータを収集し、アルゴリズムがオンラインになった後も反復を続ける必要があります。経験豊富なアルゴリズム エンジニアだけが、限られた量のデータの下で高い精度でアルゴリズムをトレーニングできます。

「超大規模化」と「高度化」のトレンドのもと、AI アルゴリズムの端末展開への適応は、AI 実装におけるもう 1 つの隠れた問題点です。

アルゴリズムを効果的に使用するには、チップの適応化が必要なプロセスです。

この作業は、さまざまなチップのさまざまなツールチェーンの開発ツールキットを作成することによって実行されます。チップの利用率を最大化するために、端末チップのパフォーマンスに対して定量的な調整を行う必要があります。

現在、市場のほとんどの AI 企業は、NVIDIA や Qualcomm などの主流ブランドと自社開発チップのみに適応しており、ユーザーが使用するチップが適応範囲内にない場合、少なくとも 2 コストかかります別途適応に時間がかかりますが、それでもチップの使用率は10%未満となる可能性があり、多大なリソースの無駄になります。

従来の開発モデルでは、ビジネス上の問題の定義から、データの収集とラベル付け、アルゴリズム モデルの設計、パラメータ調整、トレーニング、チューニング、チップの適応とモデルのパフォーマンス評価に至るまで、---

チェーン全体が複雑でサイクルが長いだけでなく、多くの手作業が必要であり、プロセス全体には通常数か月かかります。アルゴリズムの利用が不確実であるため、計算能力のコストが増加します。

このような「知的であるためには人工的でなければならない」という職人気質では、今後の膨大な需要に対応できなくなるでしょう。

手漕ぎでボートを漕いで地表から出ることは不可能です。 AI が第 4 次産業革命をもたらし、より労働集約的な仕事を解放すると誰もが期待していますが、AI 自体が労働集約型産業になっています。多数の研究機関やエンジニアの反復作業を誰が解放するのでしょうか?

さらに、業界の実装を深化させるためには、標準化とカスタマイズの間で選択を行う必要もあります。

以前は、アルゴリズム SDK や SaaS サービスが普及しており、多くの企業が徐々に製品を標準化し、大規模な開発を実現したいと考えていました。 AI が業界に深く浸透するほど、需要は細分化され非標準化することが判明しており、すべての問題を普遍的に解決するために単一のモデルに依存することは、実行不可能なビジネス モデルです。

カスタマイズされたソリューションと一般契約の統合プロジェクトは、高コスト、低利益、資金ゼロというジレンマに陥るため、AI 企業が引き受けたがらない困難な仕事になります。

AI産業化の需要と供給とビジネスモデルの制約との間に大きなギャップがあるため、生産性と生産関係の再構築が必要です。 AI自体にも産業革命が必要です。

AutoML、手織り機の AI 時代に別れを告げる

実際、最先端のプレーヤーはこの兆候に非常に早くから気づき、解決し始めました。

一部の人々は、業界を深く掘り下げ、新しいアルゴリズムを一つずつ開発し、ゲームに参加して業界を強力に結び付け、初期段階で完全なソリューション教育市場を構築するために追加の人員を派遣しましたが、結局、多くの統合作業を行うことになりました。

すべての問題を一度に解決することを期待して、大型モデルや大型デバイスを構築するためにスーパーコンピューティング センターを設立した人もいます。

AI開発の「コスト削減と効率化」を実現するだけでなく、利用の敷居を下げて業界に普及させる新しい方法もある -

AIを活用するAI のニーズを解決するために、基礎となるテクノロジーは AutoML から来ており、高効率という 2 つの言葉に焦点を当てています。

その名前が示すように、AutoML は機械学習のすべての段階での手動の関与を減らし、「職人による手作り」を「自動化された組立ライン作業」に変えることを指します。

モデルの構造設計からハイパーパラメータ調整まで、トレーニングからモデルの合理化と圧縮、さらにはチップの適応と導入に至るまで...自動化ソリューションがさまざまな段階で採用され、パラメータ調整を完了する際の手作業を機械に置き換えることができます。複雑なタスクを処理します。

中心となるコンセプトは、AI を使用して AI をトレーニングすることです。

AutoML は元の基礎となるフレームワークと協力モデルを再構築するため、一部の内部関係者はこれを「人工知能 2.0 段階の兆候」と呼んでいます。

AutoML の提案者および早期採用者として、Google は関連する取り決めを迅速に行い、一部の新興企業も AutoML イノベーションを積極的に実行し、AI 業界の実践者となり、さまざまな業界に力を与えています。

AI の生産性と生産関係の革新

AutoML を実際の産業アプリケーションに反映すると、どれくらい効率的になるでしょうか?

同社の自動トレーニング プラットフォームに基づいて、深センの新興企業「Gongda Di」の 2 人のプロダクト マネージャーが、ターゲットの検出と追跡、5 つの主要カテゴリをカバーする 100 以上のアルゴリズムをわずか 2 ～ 3 週間で迅速にトレーニングしました。画像分類、セマンティック セグメンテーション、姿勢検出、3D 検出などの視覚アルゴリズムは、80 の断片化されたアプリケーション シナリオと 70 の AI チップをカバーします。

簡単に言うと、当初はアルゴリズムの開発から導入まで半年以上かかっていましたが、今では自動化により半日で完了し、効率が飛躍的に向上しました。

ただし、AutoML を商用市場に完全に導入するには、顧客価値の観点から開始し、顧客が低コストで迅速に開始できるよう支援し、生産性の革新を生み出す必要があります。同時に、上流と下流の産業を統合し、業界の需要と供給のシステムを最適化し、生産関係の再構築を実現します。

まず第一に、生産性の革新です。

AutoML は「自動」として知られていますが、プロダクト マネージャー、データ アナリスト、および AI テクノロジ以外の背景を持つその他のグループにとっては、依然として「理解できない」頭の痛いツールです。

社内の技術担当者の作業効率を向上させるためにのみ AI を使用する大手テクノロジー企業とは異なり、Gongdadi は開発パイプラインでフルチェーンの自動化変革を実行するため、AI を理解していないビジネス担当者も AI を使用できます。 AI のコストを大幅に削減します。しきい値を使用して、企業の背後で無制限の AI 生産性を生み出します。

写真からわかるように、Gongdadi の全プロセスはコードゼロと低しきい値を実現しており、AutoML を使用して必要な AI をトレーニングすることができ、ユーザーは必要な作業だけを行うことができます。ボタンをクリックするだけで、ニーズに応じてセルフサービスでトレーニング データをアップロードでき、プラットフォームはモデル設計、トレーニング、パラメーター調整を独立して完了でき、高品質の AI ビジョン アルゴリズムを短時間でトレーニングできます。

現在、このプラットフォームは業界の一般的なタスクの 90% 以上をカバーしており、主なカテゴリは検出、セグメンテーション、分類、人体、3D、その他のアルゴリズムをカバーしています。データ収集とアノテーションも Gongda パートナーに引き渡すことができ、プロダクト マネージャーやビジネス エキスパートは要件定義のみを担当するだけで、実装を迅速に完了でき、「定義は得られるもの」であることを実感します。

実際には、多くの中小企業が断片化されたシナリオ アルゴリズムに対する緊急のニーズを抱えているため、チームはデータ ベンダーと協力して、自動化された「アルゴリズム モール」を迅速に立ち上げることもできました—

顧客は、コードゼロのプラグアンドプレイ方式で AI アルゴリズムを自社のビジネス チェーンに迅速に適用して、インテリジェントなアップグレードを実現できます。

現在、このモールには、顧客が直接使用できるよう、70 種類以上のチップに適応した 100 近くのシナリオと 5,000 以上の高精度アルゴリズムが含まれています。

第二に、生産関係の再構築です。

オープン エンパワーメントを通じて、AI 提供機能が幅広いエコロジカル パートナーに提供され、あらゆる業界で AI エンパワーメントを共同で実践できます。

現在、AI 産業チェーンには、データ メーカー、チップ メーカー、インフラ メーカーなど、さまざまな役割が含まれていますが、Gongda Enterprise はオープンな立場にあります。 AutoML プラットフォームを通じて業界チェーンを構築し、あらゆる面でパートナーに対して完全なオープン性を維持します。

チップメーカー向けの適応を例として考えてみましょう。

さまざまなチップ プラットフォームは、独自のチップ ハードウェア アーキテクチャの特性に基づいて独自のツール チェーンを開発するため、AI モデルの生成および展開プロセス中に、それぞれのハードウェアの適応性と利用率を考慮する必要があります。異なるチッププラットフォーム。

Gongdadi AI プラットフォームは、SDK レベルでさまざまなツール チェーンを統合し、モデルの端末チップへの適応変換を完了します。これにより、AutoML トレーニング プラットフォームによって生成されたモデルを 1 つのツールで端末デバイスに配信できます。クリックすると、AI アルゴリズムがモデルを完全に機能させます。

AutoML の効率に基づいて、Gongda はほぼすべての主流チップとボックスの事前適応を完了しました。これにより、一般的な業界レベルの 10% の使用率と比較して、チップ使用率を 50 ～ 60% に高めることができます。 . 、コンピューティングパフォーマンスが大幅に向上します。

量的な変化だけでなく、産業の変化にも特異点が存在する

かつては、AI エンジニアのグループが数か月かけてアルゴリズムを開発する必要がありましたが、現在は 1 人の人間が開発に取り組んでいます。ビジネスの最前線でアルゴリズム開発を理解していない人でも、コード プログラミングのプロダクト マネージャーでも、1 回のクリックと 3 回の接続で、自分のニーズに応じて高品質なアルゴリズムを効率的に独立して作成できます。

AutoML は量的な変化だけでなく、産業の変化にも特異点をもたらします。

現在、業界ではますます多くの企業が AutoML テクノロジーを適用して AI 開発モデルを変え始めています。多くの企業が Gongdadi の自動トレーニング プラットフォームとアルゴリズム モールの恩恵を受けています。

Gongdadi は、AutoML テクノロジーに基づいて顧客と共同で構築し、ビジネス上の問題を共同で定義し、さまざまな業界の垂直分野および細分化された分野における膨大なシナリオベースの AI ニーズに対応するアルゴリズムの効率性を顧客が実現できるよう支援します。カスタマイズとディストリビューションの展開により、さまざまなカスタマイズされたニーズに迅速に対応し、開発効率を向上させ、人件費と研究開発コストを削減し、顧客とのWin-Winの協力を実現できます。

たとえば、中央企業に所属する都市サービス テクノロジー会社である平安スマート シティは、AutoML テクノロジーを適用してマルチシナリオ アルゴリズムを作成しようとしています。

Gongdadi の自動トレーニング プラットフォームを通じて、平安スマート シティの開発者は、違法駐車の検出、マンホール カバーの紛失または損傷の検出、花火の検出、道路占有操作の検出などの断片的なシナリオをコーディングなしで実行できます。アルゴリズム モデルのトレーニングも可能です。ワンクリックでエンドツーエンドに展開できます。このプロセスでは、アルゴリズムの開発から展開までの最速の時間はわずか数時間です。

別の例として、スマート交通のアプリケーション シナリオでは、湖南省の都市の交通管理部門が関連プロジェクトを構築していたとき、Qiansitong は Gongdadi の AutoML 自動トレーニング プラットフォームを使用して、「一連の関連 AI の運転」をカスタマイズしました。 「シートベルト未着用認識」や「運転電話認識」など、安全運転に関わる視覚アルゴリズム。

AI アルゴリズム エンジニアへの投資をほとんど行わずに、さまざまな複雑な交通シナリオでの AI アルゴリズム モデルのトレーニングが 2 週間以内に完了しました。

これらの事例は、超大規模で洗練された AI 開発に AutoML が不可欠であることを明確に裏付けています。 -

AI アプリケーションを、わずか数個のアルゴリズムから、次のことができる単純なエージェントまで統合しましょう。単一のタスクを完了するエージェントは、大規模なアルゴリズムで構成され、さまざまな複雑なタスクを完了するための包括的な機能を備えた複雑なエージェントに徐々に進化しました。

AI を飛行機に例えると、初期の AI アプリケーションはライト兄弟が最初に作った飛行機のようなもので、構造が単純で飛行時間は 12 秒程度です。将来の AI アプリケーションは、何百万もの部品を必要とする今日の旅客機のように、人々を地球の端からもう一方の目的地まで毎日輸送できるようになります。

ゴンダディの会社が「一緒に目的地に到達する」ことを意味しているように、他の人の成功を支援しながら、あなた自身も成功するでしょう。

これに関して、Gongdadi の創設者兼 CEO である Zhao Cong 氏は興味深い結論を出しています。AI を行うために、必ずしも AI チームを設立する必要はありません。

企業の場合、Gongda 自動トレーニング プラットフォームを通じて、断片化されたミッドテールおよびロングテール シナリオ向けの AI アルゴリズムを迅速に実装できます。導入後は、迅速に最適化、反復し、継続的にアップグレードすることもできるため、継続的に追加機能を獲得できます。価値。 。

0また、低しきい値のコード開発手法は、AI 人材のしきい値を最低レベルに引き下げ、インテグレーター、ソリューション プロバイダー、チャネル プロバイダーが信頼できる AI 機能を迅速に獲得できるようにし、AI アルゴリズムの開発をもはや専門的なものではなくします。開発の負担はありましたが、競争力と効率を向上させる武器に変わりました。

さらに見ると、自動化されたトレーニング プラットフォームとアルゴリズム モールを使用することで、Gongdadi は一般契約の統合プロジェクトを実行したり、最終アプリケーションに手を触れたりするために業界の最前線に足を踏み入れる必要がなく、代わりに企業の背後にあるアルゴリズム イネーブラーになります。 AI の生産性と生産関係の変革を活用し、新たなビジネス モデルを創出します -

AI テクノロジーのアプリケーション単価を削減することで、上流および下流の企業が AI テクノロジーを強化できるよう徐々に支援し、長期的なビジネス モデルを構築します。 - 長期的で綿密な協力を行い、それらに依存してさまざまな産業に参入することで、最終的には規模の経済が達成され、AI がすべての産業を強化するという目標が達成されます。

単位コストを削減し、スケール効果を利用して AI の将来を説明する

当初を振り返ると、人々が破壊的革新的テクノロジーによってもたらされる価値を過小評価しているのは、まさにこのためかもしれません。テクノロジーはまだスケール効果を達成しておらず、その適用コストは業界が受け入れられるレベルまで削減されていません。

「予測マシン」という本では、特定の基本製品の価格が大幅に下落すると、世界全体が変わる可能性があると述べられています。

蒸気エンジンの出現はすぐに産業革命を引き起こしたのではなく、単価が下がり広く普及した後、手動エンジンに代わる時代を迎えました。機械を使った労働。

真空管コンピューターの出現がすぐに人類の科学技術革命を引き起こしたわけではありません。PC が真に推進されたのは、非常に大規模な集積回路の出現と電子設計の自動化が徐々に発展してからです。何千もの世帯に。

AI時代に、この光景が再び起こりつつあります。

AI の大規模導入とすべての業界の強化という目標の一般的な傾向の下では、課題はチャンスです。コストが高く非効率な従来の開発経路が完全に変更されない場合、経済学の欠如により人工知能の開発が著しく妨げられるでしょう。

破壊的な効率イノベーションにより、AI アルゴリズムのバッチおよび大規模な生産を実現し、それらを業界の毛細血管に迅速に導入することで、お客様が指数関数的なパフォーマンスを向上させ、デジタル変革のためのコア資産を構築できるように支援します。 AI があらゆる分野に参入する可能性があります。

私たちは派手さを追い求めるのではなく、地に足の着いたやり方で業界に新しいアイデアを提供していきます。技術革新を利用してAIにスケール効果を生み出すことが、ゴンダ氏が信じるAIの未来なのかもしれない。

以上が手織り機のAI時代に別れを告げるの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。