Internet Industriel des Objets IIOT : 5 tendances de l'intelligence artificielle de 2019

Machine Intelligence apporte une puissante combinaison d'IA et d'IoT aux entreprises. Ce domaine comprend l'automatisation industrielle, l'application de l'apprentissage en profondeur à la télémétrie des capteurs, l'informatique de périphérie, l'analyse vidéo intelligente et l'informatique cognitive.
 
  
   
  
  
   
   Intelligence machine
   
  PIXABAY
  
 
Voici 5 tendances de 2019 qui ont influencé le domaine de l'intelligence artificielle:
1. L'AIoT apparaît comme l'avenir de l'industrie 4.0
2019 a vu la convergence de l'IoT industriel (IIoT) et de l'IA. Les plateformes et solutions IoT de première génération reposaient sur un moteur de règles de base pour orchestrer le flux de travail entre les capteurs et actionneurs connectés. Ces moteurs de règles étaient comparables aux fonctionnalités fournies par IFTTT.
 
Avec AIoT, les moteurs de traitement d'événements complexes et l'analyse de flux sont nativement intégrés à l'IA. Au lieu de s'appuyer sur des règles statiques, les moteurs basés sur AIoT apprennent des données historiques pour dériver des métriques de base pour chacun des appareils connectés. Cette intégration permet de corréler la télémétrie entrante ingérée par divers capteurs pour trouver des modèles cachés. AIoT peut effectuer une détection d'anomalies avec une précision et une précision accrues, ce qui se traduit directement par une maintenance prédictive améliorée des équipements industriels.
Les principaux fournisseurs de plates-formes IoT et Edge computing, notamment Amazon, Microsoft, IBM, Google et FogHorn, prennent en charge l'intégration native des modèles ML avec des services complexes de traitement d'événements et d'analyse de flux.
 
VOIR: Pourquoi AIoT émerge comme l'avenir de l'industrie 4.0
2. La montée d'AutoML
AutoML change la façon dont les modèles d'apprentissage profond sont construits et consommés. Avec les progrès de l'apprentissage en profondeur et l'application de l'apprentissage par transfert, les plateformes ML sont en mesure de réduire le nombre d'étapes nécessaires pour former et optimiser un modèle.
Bien qu'AutoML ait initialement ciblé les cas d'utilisation de la classification d'images et de la détection d'objets, il est désormais étendu pour prendre en charge la compréhension du langage et même les données de séries chronologiques structurées sous forme de tableau. Les entreprises peuvent saisir un ensemble de données sur une plateforme AutoML et repartir avec un modèle entièrement formé. Dans les coulisses, le moteur AutoML effectuera les étapes nécessaires telles que la préparation des données, l'extraction des fonctionnalités, la normalisation, la sélection du modèle, le réglage des hyperparamètres et même le déploiement.
2019 a vu l'essor d'AutoML pour les données de vision, de langage et de séries chronologiques. Amazon SageMaker Autopilot, Azure ML Services, Amazon Comprehend Custom Label, Google Cloud AutoML, DataRobot sont quelques-unes des plates-formes qui prennent en charge AutoML.
VOIR: Pourquoi AutoML devrait devenir le futur de l'intelligence artificielle
3. Croissance rapide des puces d'accélérateur d'IA
2019 a vu une croissance rapide des processeurs et des puces spécialement conçus pour accélérer la formation et l'inférence de l'IA.
Les accélérateurs AI complètent le processeur en prenant en charge les calculs mathématiques intenses impliqués dans la formation et l'inférence des modèles ML. Alors que les GPU permettent une formation accélérée des modèles d'apprentissage en profondeur, les accélérateurs d'IA personnalisés améliorent l'inférence des modèles ML.
En 2019, nous avons vu Intel lancer la prochaine itération de Movidius et Myriad Vision Processing Unit (VPU) V2, NVIDIA lancer Jetson Nano et pré-annoncer Jetson Xavier NG, l'entrée de Snapdragon 855 Mobile Platform de Qualcomm, Google embarquant l'Edge TPU et Huawei annoncent la famille de puces Ascend.
VOIR: Comment les accélérateurs d'IA changent le visage de l'informatique de pointe
4. L'inférence de l'IA s'installe
L'informatique de périphérie est devenue la destination logique des modèles AI et ML. Si le cloud public est l'environnement privilégié pour former des modèles d'apprentissage en profondeur, le bord devient la cible pour l'exécution de modèles ML pour l'inférence.
Combiné aux accélérateurs d'intelligence artificielle spécialement conçus, un logiciel spécialisé est en cours de construction pour optimiser les modèles à exécuter en périphérie. La boîte à outils OpenVINO d'Intel, TensorRT de NVIDIA, TensorFlow Lite de Google, Qualcomm Neural Processing SDK et ONNX Runtime simplifient et accélèrent l'inférence à Edge.
VOIR: Rencontrez la startup de Seattle qui démocratise véritablement l'IA pour les développeurs
5. Accent accru sur les plateformes d'IA et les outils de développement
En 2019, la plate-forme d'apprentissage machine en tant que service (ML PaaS) s'est concentrée sur l'augmentation de la productivité des développeurs. En combinant les SDK spécifiques à la plate-forme avec les ordinateurs portables Jupyter et en créant des plug-ins pour les IDE traditionnels, les fournisseurs ML PaaS ont tenté de simplifier le développement de modèles ML pour les scientifiques et les développeurs de données.
Google a annoncé une plate-forme IA complète qui comprend AI Hub, ML Engine et d'autres composants destinés aux scientifiques des données. Il a également lancé TensorFlow Enterprise pour intégrer le workflow de formation et de déploiement à GCP. Microsoft a remanié la plateforme Azure ML pour offrir un concepteur visuel et une expérience de développeur rationalisée. Plus récemment, Amazon a lancé SageMaker Studio, un outil de bout en bout pour former, déboguer, optimiser, déployer et surveiller les modèles ML. Des startups telles que Paperspace ont construit des produits ML PaaS hybrides qui fonctionnent à la fois dans le cloud public et dans un centre de données d'entreprise.
VOIR: Paperspace apporte la plate-forme ML Gradient aux environnements hybrides et multicloud

Laisser un commentaire