资源 | 人工智能、深度学习、机器学习有什么区别?DL 应用案例全解析(下载)

【新智元导读】对于希望从战略层面洞察人工智能这一领域的企业领袖来说,insideBIGDATA Guide to Deep Learning & Artificial Intelligence是个有用的新资源。它解释了AI、机器学习以及深度学习的区别,审视了AI和HPC的交集,介绍了各个领域中AI和深度学习的精彩应用案例,展示了GPU是如何有效地和AI技术结合在一起的。

这是AI的时代。基于AI的产品大量涌入市场,许多著名厂商已经在产品中整合了AI解决方案:通用电气推行了AI业务Predix,IBM广告里Watson和Bob Dylan相谈甚欢,CRM巨人Saleforce则发布了智能系统Einstein,用于制订产品和销售策略。

这些表象的背后是日积月累的努力和数十亿美元的投资。AI大潮席卷了制造业、交通、消费金融、精细农业、医疗医药以及包括公共事业的其他许多领域。

为什么是现在?

一个最大的问题也许是:为什么是现在?AI的进步有两个关键因素:1.数据的规模;2.计算能力。

目前AI进入上升期的主要原因之一是较便宜的计算资源的兴起。像人工神经网络这样的机器学习技术在1980年代和1990年代早期就被广泛使用过,但由于种种原因在90年代后期逐渐淡出人们的视线。最近,神经网络才再次复兴。当初失宠是因为神经网络是非常耗费计算资源的算法。今天,计算机已经变得够快,可以运行大规模的神经网络。从2006年起,神经网络已经用于深度学习方法的实现。现在,随着GPU的使用(GPU原本是10年前设计用来进行游戏的),神经网络开发人员可以用计算机运行深度学习。云和GPU也日益紧密结合,AWS、Azure和Google云目前都为GPU提供了接口。

AI技术包括:神经网络、LSTM、贝叶斯置信网络等等。神经网络的工作可以分为两大类:训练和推理。通常,训练会耗费更多的计算性能和动力,而推理(之前称为记分)则相反。一般来说,新的训练计算是英伟达GPU的天下,而老的训练计算则由传统的CPU执行。推理计算则由Intel CPU、Xilinx/Altera FPGA、英伟达 GPU以及像Google TPU这样的ASIC、甚至DSP分而治之。

AI、机器学习和深度学习的区别

AI、机器学习和深度学习的区别,可以通过下图直观的表示。首先是AI,它涵盖的范围最广,然后是后来兴起的机器学习——它可以看作是AI的子集,最后是深度学习——作为机器学习的子集,它推动了今日AI的勃兴。

自从1956年一批计算机科学家在Dartmouth Conferences上提出AI的概念以来,它一直在学术研究实验室里缓慢进化。之后很长一段时间内,AI一会儿被人当作包罗万象的圣杯捧上天,一会儿被当作学术疯狂想象力的代表踩在脚下。直到2012年以前都是如此。

在过去几年,尤其是从2015年开始,AI的潜能终于开始爆发。这和GPU的使用密切相关,并行处理变得前所未有的迅速、低成本且更有效。极度增长的存储能力和猛增的数据(包括图像、视频、文本、交易、地理数据等等)也是AI爆发的原因。

顺应这一轨迹,深度学习实现了许多机器学习的应用,并扩展了AI的整体领域。深度学习使得各种机器辅助的梦想都变得真实起来。无人驾驶汽车,更好更有前瞻性的医疗,甚至更聪明的电影推荐,如今都来到人们面前,至少是不再遥远。AI成为了现在和未来的基石。

AI和HPC的交集

AI和HPC的交集表明,对于真实世界的应用来说,认知可以以一种实际的方法进行计算。它代表了逻辑处理与数值密集计算的平衡。这是一个商业、工业、政府和学术研究活动密集的领域。AI和深度学习算法与HPC数字密集型统计分析和操作的结合深深地影响了IT行业,影响到人类生活的各个方面。

最近,百度首席科学家AndrewNg提出了一个问题:“为什么是HPC加快了机器学习和深度学习研究的进展?”他表示,今日AI取得的很多进步是由实验等实际工作推动的。他同时指出,HPC使得研究人员和开发人员工作更加高效,他们得以使用熟悉的“想法ž实验(代码)ž结果(测试)“这一循环更快地迭代实验。以前花费几个星期、几个月甚至几年来完成的实验,现在可以减少到以天计算。

关于AI和HPC的结合,我们有如下观察:

  • 计算机科学和数据科学对未来的HPC都很关键。高性能计算的标准。特别是,AI是通往百亿亿次计算之路(一秒内浮点运算达百亿亿次的计算系统)。在SC16超算大赛上,出现了很多AI应用于医疗、天气、天文等各领域来解决传统的HPC问题的案例。同时我们也看到了深度学习帮助HPC解决问题的案例。
  • 深度学习对超级计算来说既是挑战也是机遇。实际上,未来的超级计算机应该被设计为既用于计算机科学也用于数据科学。超级计算机将会整合计算机科学和AI,而AI超级计算也是通向百亿亿次计算的最佳路径。
  • 一旦你训练了一个精准的模型,下一步就是部署,或者找到办法来服务以用户为基础的大型神经网络。许多人认为HPC可以将AI的益处大规模带给用户。
  • 一个关于语音识别的AI应用的有趣统计数字表明,数据量增长10倍,相应的错误率会降低40%。HPC允许训练模型在更庞大的数据集上训练,因此是推动AI进步的关键因素。

不久以前,HPC还是Cray和IBM这样大公司的专属品。但2016年早些时候,在2016年NVIDIA GPUTechnology Conference上,英伟达CEO黄仁勋向大家介绍了DGX-1,称它是世界上第一台“盒子里的超级计算机”,价值大约13万美元。这一发布对于AI领域是石破天惊的。

最后,企业能否成功利用新兴技术,归根到底可能取决于是否能找到足够的技术工人。许多大公司在想办法找到合适的人才,以求在AI驱动的经济中立于不败之地。也许一些有机器学习背景的人才没有HPC背景。解决方法无非是要么坐下来自学,要么去和掌握相关技术的人合作。

下面我们集中介绍各个领域中AI和深度学习的精彩应用案例,来展示GPU是如何有效地和AI技术结合在一起的。

AI在各领域的应用案例

AI在医疗领域的应用:

  • AI平台加速癌症研究——为了加速推进和癌症的斗争,CancerMoonshot联合了Department of Energy (DOE)、National Cancer Institute (NCI) 以及Oak Ridge、Lawrence Livermore、Argonne和Los Alamos National Laboratories的其他研究者。英伟达和上述实验室合作,帮助他们加速建设一个称为CANDLE的AI框架,作为通用的发现平台,目标是在癌症研究产出方面取得10倍的年增长。这一框架将使得科学家和研究者可以使用深度学习以及其他计算机科学的方法来攻克癌症研究中的一些难题。在这方面英伟达的超级计算机DGX SATURNV将会发生效用。
  • 使用AI加速药物发现——新的药物上市一般要花费12到14年,耗资26亿美元。BenevolentAI使用GPU深度学习方法使得新药物的面世更迅速,成本也更低。他们把利用大量研究数据识别模式的过程自动化了,使科学家能够比以往的研究者更快地提出假设并得出结论。例如,使用英伟达DGX-1 AI超级计算机,2种可能适用于阿兹海默症的药物在一个月之内就被识别出来。
  • AI推进了乳腺癌的防治——乳腺癌是全球女性致死率第二高的癌症。基因测试可以帮助医生判断癌症进程,以便采取适当的治疗方法。但这一测试价格昂贵,且对组织有破坏性,同时要耗费10到14天。Case Western Reserve采用GPU深度学习来对癌症风险进行自动评测,成本是基因测试的20分之1。
  • AI预测和预防疾病——GPU深度学习能在疾病诊断前就帮助医生识别高风险病人。Mount Sinai 的Icahn School of Medicine基于英伟达GPU和CUDA程序模型建造了一个称为Deep Patient的AI工具。Deep Patient可以分析病人的病例,最快在发病1年前就可以预测80种疾病的发生。

AI辅助天气预报:

天气预报能够挽救生命,保护财产,而预测的生成需要处理海量数据。Colorful Clouds使用AI和GPU计算来快速处理、预报天气和空气质量,并根据个人的位置提供高精准度的实时预测。从CPU到GPU,处理数据的速度提升了30到50倍。

AI加速网络防护:

我们的日常生活、经济活力和国家安全都有赖于一个稳定、安全、有弹性的网络环境。对IT系统的攻击正变得日益复杂且持续,导致了信息、财产的损失和基础服务的瘫痪。Accenture网络安全实验室使用英伟达GPU、CUDA库和机器学习来加速分析和产生每天200m到300m次的报警,使得分析员可以及时采取措施。

使用AI保护我们的星球:

美国的政府组织Asteroid Grand Challenge在努力识别威胁到人类生存的小行星。这支NASA Frontier Development Lab的团队通过使用GPU强大的AI和深度学习来识别和描述威胁,应对了这一挑战。他们开发使用的Deflector Selector在确定哪种技术能够成功使小行星轨道发生偏转方面实现了98%的成功率。

小结

AI正在改变整个技术世界,但它并不是一个全新事物。它已经存在了几十年,只是由于数据的激增和存储、计算和分析技术方面的投资,在最近取得了长足进展。这种进步主要归功于学习算法在越来越大的数据量中识别模式的能力。

在本指南中,我们从人工智能如何被技术进步所塑造及如何应用的高度来看待它,同时解释了AI、机器学习以及深度学习的区别,并审视了AI和HPC的交集。

我们在insideHPC/insideBIGDATA AI/Deep Learning Survey 2016中还介绍了最近一次insideBIGDATA的调查结果,以了解这些新技术被接受的情况。结果表明,各种组织机构,尤其是企业,在使用AI解决现实问题上取得了重大进展。最后,我们检视了AI在不同领域效用的典型案例。我们希望努力凸显出人工智能影响人们生活的真实案例,以及这样的事实:较早采用AI技术的人已经在他们各自的领域取得了成功,且相对来说付出的成本不高。这将鼓励更多的组织机构尝试AI和深度学习来解决问题。

乍看起来,在全球商业环境中,一些公司可能被认为在人工智能中“投资不足”。也许这需要一个更为长期的投资策略,因为在使AI解决方案更有效率之前,你有许多工作要做。可能有些公司仍在学习如何在技术上进行更长期的投资,而不是短期投资。

AI是一个非常了不起的工具,能够帮助人们创造出激动人心的应用程序,并创造新的方式来服务客户,治疗疾病,抵御安全威胁,等等等等。AI领域的快速进展将继续为企业和科学研究提供越来越多的机会,产生巨大影响。许多人认为,AI在真实世界能发挥的效力不可限量。微软的Chief Envisioning Officer Dave Coplin在2016年伦敦AI会议上表示:“这项技术将改变我们与技术的关系。它将改变我们相互联系的方式。我认为,它甚至会让我们重新认识它对人类的意义。显然,未来会更好。

原文地址:http://insidebigdata.com/2017/03/15/deep-learning-ai-success-stories/

原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2017-03-18

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI科技评论

洞见|第四范式CEO戴文渊:大数据不再是AI发展瓶颈,未来企业赢在“维度”

雷锋网按:今天大家讨论比较多的人工智能,包括深度学习等这些技术为什么会对我们有帮助?究竟背后在什么地方能够去改变这个世界?在今天于深圳举办的中国人工智能产业大会...

40370
来自专栏AI科技评论

SMP 2018 落下帷幕,看计算+司法、计算+历史擦出新火花

由中国中文信息学会社会媒体处理专委会主办、哈尔滨工业大学承办的第七届全国社会媒体处理大会(SMP 2018)于 2018 年 8 月 2 日- 4 日在哈尔滨召...

12030
来自专栏PaddlePaddle

【周一AI资讯】机器学习如何助力多个领域攻坚

Facebook研究人员使用35亿公众Instagram照片来训练算法,以便为自己分类图像。拥有如此多的培训图像帮助Facebook的团队创造了一项测试的新纪录...

10130
来自专栏镁客网

拔刺 | 手机处理器真的会老化吗?

手机本身就是一个消耗品,任何电子产品用久了,性能会下降,就会出现卡顿,死机等现象。不过手机的处理器的集成度很高,想要老化也需要十年左右的时间,所以手机出现卡顿的...

9620
来自专栏吉浦迅科技

OpenCL超级计算研讨会总结

2015元宵隔天,也是北京两会热烈提案期间,由美商AMD、港商蓝宝石科技、景丰电子于深圳北方大厦举办“GPU/OpenCL并行计算大趋势”研讨会,吸...

36390
来自专栏AI科技大本营的专栏

李飞飞高徒新项目,一眼看穿你下届总统会选谁!

翻译 | AI科技科技大本营 参与 | 刘畅 编辑 | Donna 和很多人一样,我们会通过一个人的外表和穿着来判断其经济能力,也会通过字迹来判断其品性。但这篇...

33460
来自专栏新智元

【AI芯片格局最全分析】国内AI芯片百家争鸣,何以抗衡全球技术寡头

16430
来自专栏人工智能快报

日本科研人员利用人工智能预测放射性物质的扩散情况

日本东京大学工业科学研究所的科研人员近期证明,利用机器学习技术可以精确预测放射性材料的扩散情况。

8620
来自专栏人工智能头条

“GAN之父”:当初为了深度学习买GPU,现在后悔没多挖点比特币

18240
来自专栏AI科技大本营的专栏

关于程序员转型AI这件事,三位老炮从产业、人才和实操跟你聊了这么些干货

本周六(7.15)举办了一次非常火爆的沙龙,对于这次沙龙的演讲主题,三位资深老炮:极客帮创始合伙人 & CSDN创始人蒋涛,CSDN副总裁孟岩,鲁朗软件(北京...

38150

扫码关注云+社区

领取腾讯云代金券