인공지능 시대의 수공예품에 작별 인사

증기기관이 발명된 1860년대에는 대부분의 사람들이 '산업혁명'이 다가오고 있다는 사실을 인식하지 못했습니다.

1946년 ENIAC이 나왔을 때도 사람들은 컴퓨터가 반세기 후에 컴퓨터가 될 것이라는 사실도 인식하지 못했습니다. 사회 운영과 기술 혁신을 지원하는 인프라

2005년에도 사람들은 음식, 의복, 주택, 교통의 거의 모든 필요가 별도의 카메라 없이 현금 없이 휴대폰만으로 해결될 수 있다고 상상할 수 없었습니다. 언제 어디서나 주변의 것들을 기록할 수 있습니다.

파괴적인 기술이 탄생할 때마다 사람들은 그것이 사회적 경제에 미치는 영향을 항상 과소평가할 것입니다. 그 가치는 수십 년 후의 역사가 요약될 때만 정의될 것입니다.

빌 게이츠가 말했듯이, 우리는 항상 1년 안에 할 수 있는 일을 과대평가하고, 5~10년 안에 할 수 있는 일을 과소평가합니다.

이제 주인공은 "인공지능" 입니다.

2022년에는 AI 산업 체인이 처음으로 개선되고 다양한 산업의 수요가 계속해서 나타날 것입니다. 실무자들은 시장 확대를 위해 "AI가 수천 개의 산업에 진입한다"는 기치를 높이 들고 있으며 일부 선구자들은 성공했습니다. IPO 완료.

비용 절감과 효율성 증대, 디지털 트랜스포메이션, 디지털 경제... 현재 AI 산업화와 관련된 뜨거운 단어가 되었습니다. 4차 산업혁명과 생산성의 반복을 주도하는 AI의 이러한 가치는 많은 이들로부터 인정받고 있습니다.

하지만 지금부터 10년, 50년 뒤의 AI 환경을 명확하게 설명할 수 있는 사람은 아무도 없습니다. AI의 발전이 오늘날 우리가 예측하고 정의하는 것이 될지 -

현재의 비전으로는 정확한 답변을 드릴 수 없습니다.

별의 바다와 AI의 별을 마주한 우리는 이제 막 지구 표면을 떠났습니다.

산업 변화의 소용돌이 속에서 AI의 종말을 보기 어려울 수도 있지만, 적어도 이를 위한 유일한 방법은 AI 알고리즘의 '초대규모'와 '정밀화'입니다.

초대형화, 고도화 추세 속에서 AI는 산업혁명이 절실히 필요합니다

소위 초대형이라는 것은 AI 알고리즘이 어디에나 있다는 것을 의미합니다. -

알고리즘의 수가 폭발적으로 증가할 것입니다 생산과 업무에 침투하는 APP의 수와 같이 삶의 모든 세세한 부분은 도시 관리와 기업 발전을 위한 중요한 자산이 되었습니다.

오늘날의 스마트폰 앱 스토어에 수백만 개의 앱 유형이 있는 것처럼 알고리즘은 거의 모든 유형의 사람들과 모든 계층의 요구를 포괄합니다. 그 중 다수는 우리 일상생활의 일부가 되었습니다.

소위 개선이란 단일 AI 알고리즘의 기능이 점점 더 세분화되고, 수많은 소규모 AI 알고리즘이 다양한 산업, 다양한 시나리오 및 다양한 사용 요구 사항을 기반으로 매우 복잡한 AI 애플리케이션으로 결합된다는 것을 의미합니다. 장치.

이러한 추세에 따라 머지않아 우리가 당연하게 여기는 모든 AI 애플리케이션은 수백 또는 수천 개의 알고리즘으로 구성된 복잡한 지능형 에이전트가 될 수 있습니다.

정밀화는 AI의 장면화도 가져올 것입니다. 즉, 고객의 실제 상황과 수요 특성을 기반으로 다양한 수직적, 세분화된 시나리오에 적합한 AI 알고리즘을 훈련하는 것이 필요합니다.

그러나 시나리오가 계속해서 발견됨에 따라 고객의 맞춤형 요구도 급증할 것이며, 이로 인해 각 수요에 대한 특별 맞춤화는 비용이 증가할 뿐만 아니라 속도도 느려질 것입니다. 구현주기.

커뮤니티 관리 분야만 보면 알고리즘 요구사항에는 쓰레기 넘침, 고고도 투척물체, 마스크 감지, 차량 불법주차 식별, 전기차 진입, 엘리베이터 진입, 주민 낙하, 갇힌 사람 등 세부 요구사항이 다수 포함되어 있습니다. 엘리베이터에서. 제조업, 에너지, 기타 분야도 마찬가지다.

동일한 모델이라도 시나리오에 따라 적용 가능성이 다릅니다.

불꽃과 연기를 인식하는 경우를 예로 들 수 있습니다. 동네 거리에 설치하면 누군가가 담배에 불을 붙여도 경찰에 신고할 필요가 없습니다. 불꽃이 전기 용접만큼 크면 주유소에서는 수요도 불꽃이 되어 놓을 수 없다.

이러한 시나리오는 알고리즘에 많은 단편적인 롱테일 수요를 가져오지만 여전히 지능형 커뮤니티 관리에 없어서는 안될 부분입니다.

그러나 이러한 유형의 롱테일 시나리오에는 중요한 특징이 있습니다. 즉, 샘플 데이터가 부족하고 훈련에 사용할 수 있는 고품질 데이터 세트가 더욱 사치스럽습니다.

따라서 개발 과정에서 초기 학습을 위해 현장에서 데이터를 수집하고 알고리즘이 출시된 후에도 계속 반복해야 하는 경우가 많습니다. 숙련된 알고리즘 엔지니어만이 제한된 양의 데이터에서 좋은 정확도로 알고리즘을 훈련할 수 있습니다.

"초대형"과 "정밀화" 추세에 따라 AI 알고리즘의 단말 배포 적응은 AI 구현의 또 다른 숨겨진 문제점이 되었습니다.

알고리즘을 효과적으로 사용하려면 칩 적응이 필요한 과정입니다.

이 작업에는 다양한 칩에 대한 다양한 도구 체인용 개발 도구 키트를 작성하고 칩 활용도를 극대화하기 위해 터미널 칩 성능을 정량적으로 조정하는 작업이 포함됩니다.

현재 시중에 나와 있는 대부분의 AI 기업은 NVIDIA, Qualcomm 등 주류 브랜드와 자체 개발 칩에만 적응하고 있습니다. 그럼에도 불구하고 칩의 활용률은 여전히 ​​10% 미만으로 막대한 자원 낭비로 이어질 수 있습니다.

전통적인 개발 모델 하에서는 비즈니스 문제 정의부터 데이터 수집 및 주석 작성, 알고리즘 모델의 설계, 매개변수 조정, 교육 및 최적화, 모델의 칩 적응 및 성능 평가까지 -

전체 체인은 복잡하고 시간이 많이 소요될 뿐만 아니라 많은 수동 참여가 필요합니다. 전체 프로세스에는 일반적으로 몇 개월이 걸립니다. 알고리즘 활용의 불확실성으로 인해 컴퓨팅 성능 비용이 증가합니다.

"인공적이어야 지능적이다"라는 이런 장인 정신으로는 앞으로의 엄청난 수요를 감당할 수 없을 것입니다.

수동 조정으로는 지표면을 떠나는 것이 불가능합니다. 모두가 AI가 4차 산업혁명을 불러오고 노동집약적인 일자리를 더 많이 해방시킬 것이라고 기대하지만, AI 자체는 노동집약적인 산업이 됐다. 수많은 연구소와 엔지니어들의 반복적인 업무를 누가 해방시켜줄 것인가?

또한 업계 구현을 심화하려면 표준화와 맞춤화 게임에서도 선택을 해야 합니다.

이전에는 알고리즘 SDK와 SaaS 서비스가 인기를 끌었고 많은 기업에서는 점진적으로 제품을 표준화하고 규모의 발전을 이루기를 희망했습니다. AI가 업계에 더 깊이 침투할수록 수요는 더욱 파편화되고 비표준화됩니다. 모든 문제를 보편적으로 해결하기 위해 단일 모델에 의존하는 것은 실행 불가능한 비즈니스 모델입니다.

맞춤형 솔루션과 일반 계약 통합 프로젝트는 고비용, 저수익, 돈이 없다는 딜레마에 빠져 AI 기업이 감당하기 힘든 일이 될 것입니다.

AI 산업화의 수요와 공급의 큰 격차와 비즈니스 모델의 제약으로 인해 생산성과 생산 관계의 재구성이 필요합니다. AI 자체에도 산업혁명이 필요하다.

AutoML, AI 수공예 시대에 작별을 고하다

사실 최첨단 플레이어들은 이 징후를 아주 일찍 깨닫고 해결하기 시작했습니다.

어떤 분들은 추가로 인력을 보내 업계에 깊이 파고들어 새로운 알고리즘을 하나하나 개발하고 게임에 참여해 업계를 강하게 결속시키며, 초기에는 완전한 솔루션 교육 시장을 구축하려고 나섰으나 결국은 하지 못하고 말았습니다. 통합 작업이 많습니다.

어떤 사람들은 모든 문제를 한 번에 해결하기 위해 대형 모델과 대형 장치를 만들기 위해 슈퍼컴퓨팅 센터를 설립하기도 했습니다.

AI 개발의 "비용 절감 및 효율성 향상"을 달성할 뿐만 아니라 사용 문턱을 낮추고 업계에서 대중화하는 새로운 방법도 있습니다.

AI를 사용하여 AI 요구를 해결하는 기반 기술입니다. 효율성이라는 두 단어에 초점을 맞춘 AutoML에서 유래되었습니다.

이름에서 알 수 있듯이 AutoML은 머신러닝의 각 단계에서 수동 참여를 줄여 '장인이 직접 만드는 작업'을 '자동화된 조립 라인 작업'으로 바꾸는 것을 의미합니다.

모델 구조 설계부터 하이퍼파라미터 조정, 훈련부터 모델 합리화 및 압축, 칩 적응 및 배포까지... 자동화 솔루션은 다양한 단계에서 채택되어 기계가 매개변수 조정, 데이터 처리, 등등. 일.

핵심 개념은 AI를 사용하여 AI를 훈련시키는 것입니다.

AutoML은 원래의 기본 프레임워크와 협력 모델을 재구성하기 때문에 일부 내부에서는 이를 인공 지능 2.0 단계의 상징이라고 부릅니다.

AutoML의 제안자이자 얼리 어답터인 Google은 신속하게 관련 조치를 취했으며 일부 스타트업 기업도 AutoML 혁신을 적극적으로 수행하고 다양한 산업에 힘을 실어주는 AI 산업의 실무자가 되었습니다.

AI의 생산성 및 생산 관계 혁신

실제 산업 애플리케이션에 반영하면 AutoML은 얼마나 효율적인가요?

심천 스타트업 회사 "Gongda Di"의 제품 관리자 두 명이 회사의 자동화 교육 플랫폼을 사용하여 표적 탐지 및 추적, 이미지 분류, 의미론을 다루는 100개 이상의 알고리즘을 단 2~3주 만에 빠르게 완료했습니다. 분할, 자세 감지, 3D 감지를 포함한 시각적 알고리즘 카테고리는 80개 이상의 단편화된 애플리케이션 시나리오와 70개 이상의 AI 칩을 포괄합니다.

간단한 변환에서는 원래 알고리즘 개발부터 배포까지 최소 반년이 걸렸습니다. 이제는 자동화를 통해 반나절 만에 완료할 수 있으며 효율성이 기하급수적으로 높아졌습니다.

그러나 AutoML을 상용 시장에 완전히 도입하려면 고객 가치의 관점에서 시작하여 고객이 저렴한 비용으로 빠르게 시작할 수 있도록 지원하는 동시에 생산성 혁신을 창출하고 업스트림 및 다운스트림 산업을 연결해야 합니다. , 업계의 수요 및 공급 시스템을 최적화하고 재편의 생산 관계를 실현합니다.

우선 생산성의 혁신입니다.

AutoML은 '자동'으로 알려져 있지만 AI 기술이 아닌 제품 관리자, 데이터 분석가 및 기타 그룹에게는 여전히 '이해할 수 없는' 골칫거리 도구입니다.

내부 기술 인력의 업무 효율성을 높이기 위해서만 이를 사용하는 거대 기술 기업과 달리 Gongda는 AI를 이해하지 못하는 비즈니스 인력도 AI를 사용할 수 있도록 개발 파이프라인에서 전체 체인 자동화 전환을 수행했습니다. AI를 사용하고 기업의 무한한 AI 생산성을 실현하기 위한 임계값입니다.

그림에서 볼 수 있듯이 Gongda의 전체 프로세스는 AutoML을 사용하여 원하는 AI를 훈련시키기 위해 0 코드와 낮은 임계값을 달성했으며 사용자는 버튼을 클릭하기만 하면 스스로 업로드할 수 있습니다. 훈련 데이터를 통해 플랫폼은 독립적으로 모델 설계, 훈련 및 매개변수 조정을 완료하고 고품질 AI 비전 알고리즘을 단시간에 훈련할 수 있습니다.

현재 플랫폼은 탐지, 분할, 분류, 인체, 3D 및 기타 알고리즘을 다루는 주요 범주를 포함하여 업계의 일반적인 작업의 90% 이상을 다루고 있습니다. 데이터 수집 및 주석은 Gongda 파트너에게 넘겨질 수도 있습니다. 제품 관리자와 비즈니스 전문가는 요구 사항 정의만 담당하면 구현을 신속하게 완료할 수 있으므로 "정의가 바로 당신이 얻는 것"이라는 것을 알 수 있습니다.

현실적으로 많은 중소기업에서는 단편화된 시나리오 알고리즘이 절실히 필요합니다. 또한 팀은 데이터 공급업체와 손을 잡고 자동화된 "알고리즘 몰"을 신속하게 출시했습니다. -

고객이 제로로 플러그 앤 플레이할 수 있도록 합니다. 코드 이러한 방식으로 우리는 AI 알고리즘을 자체 비즈니스 체인에 신속하게 적용하여 지능적인 업그레이드를 달성할 수 있습니다.

현재 이 쇼핑몰에는 고객이 직접 사용할 수 있도록 70가지 이상의 칩에 적용되는 거의 100가지 시나리오와 5,000개 이상의 고정밀 알고리즘이 포함되어 있습니다.

둘째, 생산관계의 재편입니다.

개방형 권한 부여를 통해 광범위한 생태학적 파트너에게 AI 전달 기능이 제공되어 모든 산업에 대한 AI 권한 부여를 공동으로 실천할 수 있습니다.

현재 AI 산업 체인에는 데이터 제조업체, 칩 제조업체, 인프라 제조업체 등 다양한 링크의 역할이 포함되어 있습니다. 따라서 산업 체인을 재편하는 과정에서. AutoML 플랫폼에서는 모든 측면에서 파트너에 대한 완전한 개방성에 중점을 두고 있습니다.

칩 제조업체에 대한 적응을 예로 들어보세요.

다양한 칩 플랫폼은 자체 칩 하드웨어 아키텍처 특성을 기반으로 자체 툴 체인을 개발하므로 AI 모델 생성 및 배포 과정에서 각 칩 플랫폼의 하드웨어 적응성과 활용도를 고려해야 합니다.

Gongdadi AI 플랫폼은 SDK 수준에서 다양한 도구 체인을 통합하여 모델의 터미널 칩에 대한 적응형 변환을 완료합니다. 따라서 AutoML 훈련 플랫폼에서 생성된 모델은 한 번의 클릭으로 터미널 장치에 전달될 수 있습니다. AI 알고리즘 모델을 통해 그 효율성을 최대한 발휘할 수 있습니다.

Gongda는 AutoML의 효율성을 기반으로 거의 모든 주류 칩과 박스의 사전 적응을 완료하여 칩 활용도를 50~60%까지 높일 수 있습니다. 이는 일반적인 업계 수준인 10% 활용도에 비해 크게 향상되었습니다. . 컴퓨팅 효율성.

단순한 양적 변화가 아니라 산업 변화의 특이점입니다

과거에는 AI 엔지니어 그룹이 몇 개월에 걸쳐 개발해야 하는 알고리즘이 이제는 비즈니스의 최전선에 서서 알고리즘 개발이나 코드 프로그래밍을 이해하지 못하는 3개의 연속 키를 사용하면 자신의 필요에 따라 효율적이고 독립적으로 고품질 알고리즘을 생성할 수 있습니다.

AutoML은 양적 변화뿐 아니라 산업 변화에도 특이점을 가져옵니다.

현재 업계에서는 AI 개발 모델을 바꾸기 위해 AutoML 기술을 적용하는 기업이 점점 늘어나고 있습니다. 많은 기업들이 공다디의 자동화 교육 플랫폼과 알고리즘 몰의 혜택을 누리고 있습니다.

Gongdadi는 AutoML 기술을 기반으로 고객과 공동 생성 및 구축하여 비즈니스 문제를 공동으로 정의하고 고객이 다양한 산업의 수직 및 세분화된 분야에서 대규모 시나리오 기반 AI 요구 사항에 대해 효율적인 사용자 정의 및 알고리즘 배포를 달성할 수 있도록 지원합니다. 다양한 맞춤형 요구 사항, 개발 효율성 향상, 인건비 및 R&D 비용 절감, 고객과의 상생 협력을 달성합니다.

예를 들어 중앙 기업에 속한 도시 서비스 기술 회사인 Ping An Smart City에서는 AutoML 기술을 적용하여 이에 대한 다중 시나리오 알고리즘을 제작하려고 합니다.

Gongdadi의 자동화된 훈련 플랫폼을 통해 Ping An 스마트 시티 개발자는 불법 주차 감지, 맨홀 덮개 손실 또는 손상 감지, 불꽃놀이 감지, 도로 점유 작동 감지 등 단편적인 시나리오에 대한 알고리즘 모델을 코딩 없이 훈련할 수도 있습니다. -한 번의 클릭으로 끝납니다. 이 프로세스는 알고리즘 개발부터 배포까지 몇 시간 정도 소요될 수 있습니다.

또 다른 예는 스마트 교통의 적용 시나리오에서 후난성 한 도시의 교통 관리 부서가 관련 프로젝트를 구축할 때 Qianshi가 Gongdadi의 AutoML 자동화 교육 플랫폼을 사용하여 "안전벨트를 착용하지 않은 채 운전" 인식", " 운전 전화 인식' 등 안전운전과 관련된 AI 비전 알고리즘 시리즈를 선보이고 있다.

AI 알고리즘 엔지니어에 대한 투자가 거의 없이, 다양하고 복잡한 교통 시나리오에서 AI 알고리즘 모델 훈련이 2주 만에 완료되었습니다.

이러한 사례는 또한 AI의 초대형 및 세련된 개발을 위해 AutoML이 필수 불가결함을 명확하게 입증합니다.

AI 애플리케이션이 단 몇 개의 알고리즘과 통합되어 단일 작업만 완료할 수 있는 단순한 에이전트에서 변환할 수 있도록 합니다. , 대규모 알고리즘과 포괄적인 기능으로 구성된 복합 지능형 ​​에이전트로 점차 진화하여 다양하고 복잡한 작업을 완료합니다.

AI를 비행기에 비유한다면 초기 AI 애플리케이션은 라이트 형제가 만든 최초의 비행기와 같습니다. 구조가 간단하고 12초 동안만 비행할 수 있습니다. 수백만 개의 부품이 필요한 오늘날의 여객기와 같은 미래의 AI 애플리케이션은 매일 지구의 한쪽 끝에서 다른 쪽 끝으로 사람들을 수송할 수 있습니다.

공다디의 회사가 '함께 목적지에 도달한다'는 뜻이듯이, 다른 사람의 성공을 도우면서 나도 성공하게 됩니다.

이와 관련하여 Gongdadi의 창립자이자 CEO인 Zhao Cong은 흥미로운 결론을 내렸습니다. AI를 하기 위해 반드시 AI 팀을 구성할 필요는 없다는 것입니다.

기업의 경우 Gongdadi 자동화 교육 플랫폼을 통해 단편화된 미드테일 및 롱테일 시나리오에 대한 AI 알고리즘을 신속하게 구현할 수 있으며 배포 후 빠르게 최적화하고 반복하며 지속적으로 업그레이드하여 지속적으로 부가가치를 얻을 수 있습니다.

0 코드의 낮은 임계값 개발 방법은 또한 AI 인재의 임계값을 가장 낮은 수준으로 낮추어 통합자, 솔루션 제공자 및 채널 제공자가 신뢰할 수 있는 AI 기능을 신속하게 획득할 수 있도록 지원하여 AI 알고리즘 개발이 더 이상 부담이 되지 않도록 합니다. 오히려 경쟁력과 효율성을 높이는 무기로 변모하고 있다.

더 나아가 자동화된 교육 플랫폼과 알고리즘 몰을 통해 공다디는 일반 계약 통합 프로젝트를 수행하기 위해 업계 최전선에 나서거나 최종 애플리케이션을 터치할 필요 없이 기업 뒤의 알고리즘 조력자가 됩니다. AI 생산성 및 생산 관계의 변화는 새로운 비즈니스 모델을 창출합니다 -

AI 기술의 단위 적용 비용을 절감함으로써 점차적으로 상류 및 하류 기업이 AI 기술로 역량을 강화할 수 있도록 장기적이고 심층적인 협력을 형성할 것입니다. 다양한 산업에 진출하고 궁극적으로 규모를 달성하여 AI가 모든 산업에 힘을 실어준다는 목표를 달성합니다.

단위 비용을 줄이고 규모 효과를 사용하여 AI의 미래를 설명

첫 번째 기사를 되돌아보면 사람들이 파괴적인 혁신 기술이 가져오는 가치를 과소평가하는 이유는 바로 이 기술이 아직 규모 효과를 달성하지 못했기 때문일 수 있습니다. 적용 비용이 업계에서 허용되는 수준으로 감소되지 않았습니다.

"예측 기계"라는 책에서는 특정 기본 제품의 가격이 크게 떨어지면 세상이 바뀔 수 있다고 언급했습니다.

증기기관의 출현이 곧바로 산업혁명을 촉발한 것은 아니었지만, 단가가 낮아지고 널리 보급되면서 수작업을 기계로 대체하는 시대가 열렸습니다.

튜브 컴퓨터의 출현이 인류를 위한 기술 혁명을 즉시 촉발한 것은 아닙니다. PC가 수천 가구에 실제로 도입된 것은 대규모 집적 회로의 출현과 전자 설계 자동화의 점진적인 발전 이후였습니다.

AI시대에도 이런 장면이 또 나오네요.

AI의 대규모 구현이라는 일반적인 추세와 모든 산업에 힘을 실어준다는 목표 아래서, 도전은 기회가 됩니다. 비용이 많이 들고 비효율적인 전통적인 개발 경로를 완전히 바꾸지 않으면 경제성이 부족해 인공지능 개발이 심각하게 저해될 것입니다.

AI 알고리즘의 일괄 및 대규모 생산을 실현하고 이를 업계의 모세관에 신속하게 적용하여 고객이 기하급수적인 성능을 향상하고 디지털 혁신을 위한 핵심 자산을 구축할 수 있도록 파괴적인 효율성 혁신을 사용해야만 AI가 모든 계층에 진출할 수 있습니다. .

나는 항상 눈부신 것을 추구하지는 않지만, 업계에 새로운 아이디어를 현실적으로 제공합니다. 기술 혁신을 통해 AI의 규모 효과를 창출하는 것이 공다가 믿는 AI의 미래일 수 있습니다.

위 내용은 인공지능 시대의 수공예품에 작별 인사의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!