Разработка «умных» приложений становится всё доступнее, ключевые системы машинного обучения и их структурные элементы постоянно совершенствуются, и стабильный рост отрасли побуждает венчурных инвесторов искать новые возможности для выгодных вложений. Перечень особо перспективных с точки зрения инвесторов ИИ-направлений опубликовало издание VentureBeat.

Читать далее

1. Периферийные вычисления

С увеличением роли машинного обучения провайдеры облачных услуг стремятся предоставить новейшие графические процессоры для тренировки моделей машинного обучения. Этот спрос на GPU уже отразился на финансовых показателях Nvidia, чья прибыль от решений для дата-центров за прошлый год увеличилась почти втрое. Но этот показатель — лишь часть того, что происходит в мире машинного обучения.

После обучения моделей на GPU дата-центров, компании часто запускают эти модели на периферии. Например, умные колонки могут обрабатывать часть данных локально — там, где они создаются, чтобы снизить затраты энергии, обеспечить приватность, сократить время ожидания ответа и расход интернет-трафика.

Вопрос эффективности периферийных вычислений сложно решить, потому что многие современные методы машинного обучения предназначены для работы с дорогим, постоянно подключённым к сети оборудованием. Самые интересные стартапы отрасли ориентируются на дешёвые устройства с ограниченной мощностью и возможностью подключения.

Обычно такие компании работают в двух направлениях: одни делают акцент на создание улучшенного программного обеспечения и алгоритмов, которые могут более эффективно работать с моделями на ограниченных по мощности устройствах, вторые — ищут более оптимальные комбинации программного и аппаратного обеспечения. Оба подхода имеют свои плюсы, и найти правильные решения им поможет понимание того, как продукт будут использовать потребители.

2. Специализированное аппаратное обеспечение для искусственного интеллекта

Всё более важное значение для машинного обучения приобретает аппаратное обеспечение (АО) специального назначения для вычислений в дата-центрах и на периферии, потому что ПО на таких процессорах работает гораздо эффективнее.

Самое яркое подтверждение этой тенденции — майнинг биткоина. Добывать монеты в 2008 году майнеры начинали на центральных процессорах, а позже перешли на графические процессоры, FPGA-чипы (программируемые пользователем вентильные матрицы) и, наконец, на ASIC (интегральная схема, направленная на решение одной задачи). Эта эволюция АО чётко показала, что изготовленные для специальных целей чипы гораздо более производительны, чем процессоры общего назначения.

Ту же тенденцию можно проследить в мире машинного обучения. Nvidia продолжает оптимизировать свои GPU под глубокое обучение, облачные платформы Microsoft Azure и AWS Amazon выпустили настраиваемые под определённую нагрузку FPGA, а Google создала тензорный процессор, предназначенный для работы с библиотекой машинного обучения Tensorflow.

Основной вопрос в этой сфере — соотношение между суммарными затратами времени и средств на разработку и эксплуатацию специализированного ПО и АО для конкретной задачи и ростом текущей производительности, а также затратами на выполнение этих же задач на универсальных ципах. Речь идёт об обучении моделей в дата-центре и на периферии.

Преобладающим вариантом тренировки моделей с большей вероятностью станет обучение «в ядре» дата-центра, поэтому для улучшения производительности облачные сервисы будут стремиться внедрить специализированное АО, снизить зависимость от поставщиков, усилить контроль периферийных вычислений. 

«Граничные вычисления» также будут применять для масштабных и высокоприбыльных целей, например, при разработке технологий, помогающих беспилотным автомобилям ориентироваться в пространстве, аварийных систем для промышленного оборудования и систем распознавания голоса для устройств «умного дома». При этом необходимо найти такое сочетание ПО и АО, которое обеспечит наиболее оптимальное соотношение цены и производительности.

Эта область также открывает большие возможности для стартапов, пока крупные компании сосредоточены на разработке для ядра и общих систем для периферии.

3. Естественный пользовательский интерфейс

Ещё одним важным компонентом «умных» приложений станет постоянное улучшение естественных интерфейсов пользователя — это любые интерфейсы, которые мы используем для общения с другими людьми с применением текста, голоса, зрения, жестов и других видов общения.

Сегодня всё больше пользователей «разговаривают» с гаджетами, а колонки с голосовым управлением есть уже у 35 млн жителей США. Но иногда современному поколению голосовых помощников всё ещё сложно понимать человека.

Два основных подхода стартапов к решению проблем понимания и совершенствования пользовательского интерфейса — ограничить теоретически бесконечное количество команд или подключить к машинному обучению человека. Например, одни из самых распространённых интеллектуальных помощников — алгоритмы, добавляющие задачи в календарь. У них есть относительно ограниченный набор текстовых команд, которые могут порождать самые различные результаты: выслать, обновить, отменить приглашение или запросить дополнительную информацию.

Это позволяет им предугадать, что хотел пользователь, и сделать взаимодействие с ним как можно более естественным. Включение человека в машинное обучение может существенно улучшить опыт взаимодействия, повысить точность предсказаний алгоритма и, как результат, доверие к технологии.

4. Вертикальные ИИ-приложения

«Умные» вертикальные приложения также привлекают значительное внимание венчурных капиталистов. Разрабатывать их становится всё проще, и многие компании стараются чётко определить истинные потребности пользователей и предложить решения к ним во всевозможных отраслях: от закупок до выполнения планов медицинского обслуживания.

Самые ценные содержательные идеи будут предлагать компании, которые глубоко понимают своих клиентов. И хотя появится много инструментов, помогающих получить правильное представление о них на основе данных, делать правильные выводы через правильный пользовательский интерфейс и включать это в текущую деятельность станет более сложной проблемой.

Перспективы искусственного интеллекта и машинного обучения безграничны, и инвесторы намерены поддерживать предпринимателей, которые верят, что будущее — за умными приложениями, и готовы доказать это на деле.