Kecerdasan Buatan: Tiga cara wabak ini mempercepat penerimaannya
Sejak beberapa tahun kebelakangan ini, keperluan untuk perusahaan mencipta model perniagaan baharu dan saluran pemasaran dengan pantas telah mempercepatkan penggunaan kecerdasan buatan. Ini benar terutamanya dalam penjagaan kesihatan, di mana analitik data telah mempercepatkan pembangunan vaksin COVID-19. Dalam barangan pakej pengguna, Harvard Business Review melaporkan bahawa Frito-Lay mencipta platform e-dagang, Snacks.com, dalam masa 30 hari sahaja.
Pandemik ini juga telah mempercepatkan penggunaan kecerdasan buatan dalam pendidikan, kerana sekolah terpaksa membuat kajian semalaman dalam talian. Apabila boleh, dunia akan beralih kepada transaksi "tanpa sentuhan", merevolusikan industri perbankan.
Tiga perkembangan teknologi semasa pandemik COVID-19 telah mempercepatkan penggunaan AI:
- Kuasa dan storan pengkomputeran yang murah secara berterusan
- Seni bina data baharu
- Ketersediaan sumber data baharu
Kebaikan dan Keburukan perkembangan AI
Berikut lihat impaknya perkembangan ini mengenai Kebaikan dan keburukan IT menjadi seorang pemimpin.
1. Kuasa pengkomputeran murah berterusan
Walaupun 60 tahun selepas Undang-undang Moore, kuasa pengkomputeran masih Terus bertambah baik, dengan cip baharu daripada syarikat seperti NVidia, mesin yang lebih berkuasa dan lebih kuasa pemprosesan. AIImpacts melaporkan bahawa "sepanjang 25 tahun yang lalu, kuasa pengkomputeran yang tersedia bagi setiap dolar berkemungkinan meningkat sepuluh kali ganda (diukur sebagai FLOPS atau MIPS) kira-kira setiap empat tahun Walau bagaimanapun, dalam tempoh 6-8 tahun yang lalu, kadar ini telah Perlahan.
Faedah: Lakukan lebih banyak dengan kurang
Pengkomputeran murah memberikan pemimpin IT lebih banyak pilihan, membolehkan mereka melakukan lebih banyak dengan kurang.
Kelemahan: Terlalu banyak pilihan boleh menyebabkan pembaziran masa dan wang
Pertimbangkan data besar. Dengan pengkomputeran yang murah, profesional IT ingin memanfaatkan kuasanya. Orang ramai ingin mula menelan dan menganalisis semua data yang tersedia untuk mendapatkan cerapan, analisis dan keputusan yang lebih baik.
Tetapi jika anda tidak berhati-hati, anda boleh mendapat sejumlah besar kuasa pengkomputeran dan tidak mencukupi untuk aplikasi perniagaan sebenar.
Apabila kos rangkaian, penyimpanan dan pengkomputeran menurun, manusia cenderung untuk menggunakannya lebih banyak. Tetapi mereka tidak semestinya membawa nilai perniagaan kepada segala-galanya.
2. Seni bina data baharu
Sebelum wabak COVID-19, "gudang data" dan "tasik data "Dua istilah ini adalah standard untuk ini. Tetapi seni bina data baharu seperti "struktur data" dan "grid data" hampir tidak wujud. DataFabric menyokong penggunaan AI kerana ia membolehkan perusahaan menggunakan data untuk memaksimumkan rantaian nilai mereka dengan mengautomasikan penemuan data, tadbir urus dan penggunaan. Tidak kira di mana data berada, perniagaan boleh menyampaikan data yang betul pada masa yang sesuai.
Kebaikan: Pemimpin IT akan berpeluang memikirkan semula model data dan tadbir urus data
Ia menyediakan Peluang terbalik untuk repositori data berpusat atau aliran data tasik. Ini mungkin bermakna lebih banyak pengkomputeran tepi dan data tersedia di tempat yang paling berkaitan. Kemajuan ini menyebabkan data yang sesuai digunakan secara automatik untuk membuat keputusan - yang penting untuk AI boleh diambil tindakan.
Keburukan: Tidak memahami keperluan perniagaan
Pemimpin IT perlu memahami aspek perniagaan dan AI bagi seni bina data baharu . Jika mereka tidak tahu perkara yang diperlukan oleh setiap bahagian perniagaan—termasuk jenis data dan tempat serta cara ia akan digunakan—mereka mungkin tidak dapat mencipta jenis seni bina data dan penggunaan data yang betul untuk mendapatkan sokongan yang betul. Pemahaman IT tentang keperluan perniagaan dan model perniagaan yang sesuai dengan seni bina data ini adalah penting.
3. Sumber data baharu
Penyelidikan statista menyerlahkan pertumbuhan data: Pada tahun 2020, jumlah keseluruhan data yang dicipta, ditangkap, disalin dan digunakan secara global ialah 64.2 zettabait dan dijangka mencapai lebih 180 zettabait menjelang 2025. Laporan penyelidikan Statista Mei 2022 menyatakan bahawa "pertumbuhan itu lebih tinggi daripada yang dijangkakan sebelum ini disebabkan peningkatan permintaan akibat pandemik COVID-19 Sumber data besar termasuk media, pengkomputeran awan, Internet of Things, rangkaian dan pangkalan data.
Kebaikan: Data berkuasa
Setiap keputusan dan transaksi boleh dikesan kembali ke sumber data. Pemimpin IT diberi kuasa jika mereka boleh menggunakan AIOps/MLOps untuk memusatkan perhatian pada sumber data untuk analisis dan membuat keputusan. Data yang betul boleh menyediakan analisis perniagaan segera dan memberikan cerapan mendalam untuk analisis ramalan.
Kelemahan: Bagaimana anda tahu data yang hendak digunakan?
Dikelilingi oleh data daripada IoT, pengkomputeran tepi, diformat dan tidak diformat, pintar dan tidak dapat diteliti – pemimpin IT sedang menangani peraturan 80/20: Apakah 20% daripada yang dipercayai sumber data yang menyediakan 80% daripada nilai perniagaan? Bagaimanakah anda menggunakan operasi AI/ML untuk menentukan sumber data yang dipercayai dan sumber data yang harus digunakan untuk analisis dan membuat keputusan? Setiap perniagaan memerlukan jawapan kepada soalan-soalan ini.
Teknologi AI teras berkembang dengan sendirinya
AI semakin meluas, dikuasakan oleh algoritma baharu dan Dikuasakan oleh kuasa pengkomputeran yang semakin banyak dan berpatutan. Selama lebih daripada 70 tahun, teknologi kecerdasan buatan telah berada di landasan evolusi. Pandemik tidak mempercepatkan perkembangan kecerdasan buatan; ia telah mempercepatkan penggunaannya.
Atas ialah kandungan terperinci Kecerdasan Buatan: Tiga cara wabak ini mempercepat penerimaannya. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
