AIアルゴリズムから製品実装までの8つのギャップを数える

今日、人工知能技術は急速に発展し続けており、画像認識、音声認識、意味理解など多くの特定の分野で人間の能力を超えています。

AI に対する膨大な需要に応え、何千もの業界で AI をうまく活用できるようにするには、AI 業界は、手頃な価格で使いやすく、安全に使用できるソフトウェアおよびハードウェアのシステムとソリューションを提供する必要があります。 AI には強力な産業実現特性があるため、AI 業界は業界の知識と組み合わせて、実際の産業の発展と生産性の向上を促進できる必要があります。もちろん、AI業界が真に価値を創造し、社会の発展を促進するためには、多くの課題に直面しています。

AI アルゴリズムから製品の実装に至るまで、大きな課題があり、それは 8 つのギャップにまとめることができます。

1. モデルの取得

AI アルゴリズムは次々と登場し、同じ分野、あるいは同じ主題でも多数のアルゴリズムが生成されています。しかし、アルゴリズムは特定のアプリケーション シナリオに適応できるのでしょうか。また、どのように適応できるのでしょうか。

まず、業界データが異なると、モデルのパフォーマンスも異なります。トレーニング データが異なると、モデルのパフォーマンスに大きな違いが生じる可能性があります。第二に、このモデルにはさまざまなシナリオへの適応性の問題もあります。したがって、無数のモデルの中から適切なモデルを選択する方法は、多くの開発者が直面する最初の課題です。

しかし、大規模なモデルのテストとスクリーニングには膨大な時間と計算能力のコストがかかります。多数のパーソナライズされた断片化されたシナリオで実際に優れたパフォーマンスを発揮するモデルを迅速に取得する方法は、膨大な作業量になります。シナリオに応じて対象データとアルゴリズムを蓄積し、最適な蓄積を行い、業界のベストプラクティスを形成すれば、関連する圧力をある程度緩和することができます。

2. データの準備

シナリオベースの業界データの準備には、データの収集、クリーニング、ラベル付け、拡張など、大きな課題があります。データの量は、精度の要件によって異なります。データ処理プロセスをターゲットを絞って設計し、高品質のトレーニングデータを迅速に取得し、ビジネスシナリオへの適応を加速する方法は、AIアルゴリズムのシナリオ指向トレーニングで解決する必要がある問題です。

最も理想的なデータセットは、必ずしも最大のデータセットではなく、実際のビジネスのデータ分布を真に反映できるデータセットです。ただし、すべての状況を網羅するデータセットは非現実的であり、収集されたサンプルには多かれ少なかれ一定の制限があります。人間の限界やエラーをいかに回避するかは、AI データの準備において解決しなければならない問題です。

3. モデルのトレーニング

データの品質を確保した後、複雑なモデルトレーニングが必要ですが、モデルパラメータの調整で困難が生じることがよくあります。複雑なトレーニングとチューニングのプロセスにより、従来の業界の多くの開発者が参加できなくなっています。同時に、ビジネス シナリオ内でのアルゴリズムの適応性テストと調整は複雑です。

4. 精度の検証

ビジネス シナリオにおけるトレーニング済みモデルのパフォーマンスは、完全なビジネス システムで検証する必要があります。モデルの一般化能力は、実際のシナリオでは通常、大きな課題となります。テスト環境と実際の環境の違いにより、センサーデータは環境の影響を受け、異なる分布が生成され、モデルのパフォーマンスに影響を与える可能性があります。複雑な環境に対する適応的な微調整は、アルゴリズムの迅速な実装を妨げる要因の 1 つです。特に、トレーニング セットに表示されないいくつかの難しい例も、モデルの一般化の問題につながります。

5. 産業アプリケーション開発

AI アルゴリズムは強力な業界特性を備えているため、その価値をより高めるには、業界アプリケーションの一部として使用し、業界知識と組み合わせる必要があります。 AIアルゴリズムに対応するモデルは、さまざまな入力データを受け取り、AIコンピューティングシステムが提供するさまざまな形式のソフトウェアおよびハードウェア環境によって実行される必要があります。入力データのタイプ、形式、レート、プロトコル、インターフェース形式などが異なると、AI アプリケーション開発システムの統合要件も生じます。多様なデータに必要な複数の処理アーキテクチャにより、異機種のコンピューティング能力を統合するという問題も発生します。

開発効率は、業界シナリオにおける AI の実装に影響を与える重要な要素の 1 つです。 AIコンピューティング業界は、開発者に効率的な開発システムとツール、完全なエコシステム環境、豊富なリソースサポートを提供する必要があります。特に、従来の業界の開発者にとっては、複雑なAI開発プロセスを簡素化して、開発者が業界のシナリオの問題解決に集中できるようにし、業界のAIシステムへの適応を迅速に促進する必要があります。

6. NPUパフォーマンスの最適化

アプリケーションのパフォーマンスは、業界の発展に影響を与える重要な問題です。 AI の計算能力は、実際に生産性に変換できる必要があり、その実際の運用パフォーマンスによって、システムの最終的な費用対効果とビジネス実行能力が決まります。複雑な異種最適化システムは、コンピューティング システムが克服する必要がある課題です。

7. ビジネスプロセスの監視

AI システムがビジネス環境で正確かつ効率的に動作し続けるようにするにはどうすればよいかは、業界のアプリケーションが注意を払う必要がある問題です。ビジネス シナリオや環境が変化すると、センサー データと環境データがオフセットされます。これらのオフセットは、特に高精度のシナリオでは、業界の AI アプリケーションの精度に大きな影響を与えます。 AI ビジネス システムには、精度に影響を与える問題やシナリオを迅速に検出し、継続的なアルゴリズムの更新や増分学習などの機能を提供できることが求められます。

8. 適応開発

さまざまなビジネス シナリオに直面すると、通常、上位レベルのアプリケーションに優れたインターフェイスを提供するために、AI サービスをサービスと API の形式でカプセル化する必要があります。ただし、シナリオが複雑なため、対応する API とサービスを開発および維持することは非常に困難です。

さまざまなシナリオの実際のビジネス運用ニーズに適応するために、統一されたサービス アーキテクチャと API カプセル化を構築することも困難です。 AI コンピューティング システムを実際のビジネス システムに導入する際にも課題があります。業界によってオペレーティング システム、基本ソフトウェア、通信システム、ストレージ システムなどが異なり、ソリューションが断片化されて、アプリケーション開発の効率とコストに重大な影響を及ぼします。

差別化されたソフトウェアとハ​​ードウェアのシステムにおいて、統一されたアプリケーション開発システムを使用し、テクノロジースタックを水平統合し、基盤となるシステムの抽象化機能を強化し、標準的で統一されたプラットフォームとインターフェースシステムを確立することも、AI 業界におけるアプリケーション開発の鍵となります。したがって、特定のシナリオ向けに AI ビジネス ソフトウェア システムを設計する場合、適応性、拡張性など、考慮する必要がある詳細な機能を飛躍的に増やす必要があります。同時に、ハードウェア ソリューションを設計する際には、さまざまな過酷な条件下でのシステムの信頼性、保守性、およびソフトウェアとハ​​ードウェア システム全体へのパフォーマンスの影響を考慮する必要があります。

したがって、AI 技術が業界の深海にまで進み、より多くのシナリオとデバイスを有効にする必要が生じた場合、AI 開発者は単純なモデルやビジネス ソフトウェアの開発だけでなく、大規模で体系的な設計問題に直面することは容易に想像できます。