Digitrode

Искусственный интеллект (ИИ) проникает почти во все отрасли человеческой жизнедеятельности. От приложений, которые мы используем, таких как Google Maps, до автоматизации производства и параллельной парковки автомобилей, ИИ уже здесь, и он не исчезнет.

ИИ может стать новой нормой для систем, с которыми мы взаимодействуем и от которых зависим. Это означает, что это также станет нормой для разработчиков систем, которые хотят создавать современные и конкурентоспособные продукты. Но ИИ создает проблемы при проектировании для инженеров, традиционно обученных проектированию аналоговой и цифровой логики. К счастью, существуют устройства, библиотеки, средства обучения и средства разработки, которые помогут ускорить процесс обучения.

Хотя программное обеспечение якобы «правит миром», оно сильно ограничено в своем развитии доступом к талантливым разработчикам и растущим числом задач, необходимых для создания программного обеспечения. Количество рабочих мест, требующих разработчиков программного обеспечения, растет со скоростью, которая значительно превышает количество квалифицированных специалистов, выходящих на рынок для выполнения этих ролей. Даже те, кто уже работает программистом, большую часть своего времени не обязательно тратят на программирование новых функций, а скорее на написание тестов, исправление проблем с безопасностью, проверку кода и исправление ошибок.

Эти два фактора делают еще более важным повышение производительности труда, и самые последние улучшения в моделях обработки естественного языка (natural language processing или NLP) на основе искусственного интеллекта (ИИ) делают это реальностью. Благодаря своему размеру, базовой архитектуре, обучающим данным и режиму новейшее поколение современных моделей NLP, называемых генеративными предварительно обученными преобразователями (generative pre-trained transformer или GPT), может переводиться между многими языками, в том числе из текста в код. Внедрение этой мощной возможности в инструменты, которые могут использовать разработчики, уже доказало свою неоценимую ценность, поскольку позволяет разработчикам лучше справляться со своей работой и открывает доступ к созданию программного обеспечения для менее технических специалистов.

Если вы хотите начать работу с машинным обучением, вы можете быстро оказаться в растерянности из-за огромного количества различных платформ, предлагающих различные услуги и возможности в плане машинного обучения.

В данной статье вы познакомитесь с несколькими интересными (и бесплатными) платформами машинного обучения для различных приложений, чтобы вы могли быстро приступить к работе. Обратите внимание, что это лишь небольшой набор платформ, и основная цель статьи – дать вам обзорное представление, чтобы вы могли начать более эффективно проводить собственные исследования.

Машинное обучение — это динамичная и мощная область компьютерных наук, которая проникла почти во все цифровые объекты, с которыми мы взаимодействуем, будь то социальные сети, наши мобильные телефоны, автомобили или даже бытовая техника. Тем не менее, еще есть много мест, куда машинное обучение хотело бы попасть, но ему трудно добраться. Это связано с тем, что многие современные модели машинного обучения требуют значительных вычислительных ресурсов и энергопотребления для выполнения логического вывода.

Потребность в высокопроизводительных вычислительных ресурсах привела к ограничению многих приложений машинного обучения облачными вычислениями, где легко доступны вычисления на уровне центра обработки данных. Чтобы позволить машинному обучению расширить свои возможности и открыть новую эру в данном направлении, мы должны найти способы упростить реализацию машинного обучения на небольших устройствах с более ограниченными ресурсами. Это стремление привело к созданию области, известной как Tiny Machine Learning (компактное машинное обучение) или TinyML (термин, зарегистрированный под торговой маркой TinyML Foundation, который стал синонимом технологии).

По мере того, как академическое сообщество и разработчики полупроводников углублялись в искусственный интеллект (ИИ) с низким энергопотреблением, многие отошли от архитектуры фон Неймана. Причина в том, что нейронные сети, работающие на устройствах фон Неймана, требуют, чтобы большие объемы данных перемещались в память и из нее, что оказалось не очень энергоэффективным.

По словам исследователей из Технологического университета Суинберна, новый тип оптического нейроморфного процессора может работать более чем в 1000 раз быстрее, чем любой предыдущий тип процессора.

Недавно появились отличные новости для поклонников ESP32. Экосистема вездесущих микроконтроллеров для Интернета вещей (IoT) получает нового члена семьи – ESP32-S3! Последнее новшество Espressif включает обновленный двухъядерный микроконтроллер, расширенный функционал GPIO, новые инструкции, ориентированные на искусственный интеллект (ИИ), и функции безопасности с аппаратным ускорением.

В 2020 году многие компании выпустили флагманские устройства с низким энергопотреблением, чтобы вывести искусственный интеллект (ИИ) для работы в периферийных узлах.

Компания Mythic анонсировала чип ускорителя искусственного интеллекта M1108 AMP, который представляет собой технологию вычислений в памяти, основанную на 40-нм техпроцессе, и считается первым в отрасли аналоговым матричным процессором (AMP). Что касается AMP, Mythic говорит, что Mythic AMP разработан как массив вычислительных блоков.

Octonion SA, компания, занимающаяся глубокими технологиями разработки программного обеспечения, специализирующаяся на искусственном интеллекте (ИИ) для периферийной диагностики промышленного оборудования, анонсировала пакет расширения STM32Cube, оптимизированный для плат разработки промышленных приложений на базе микроконтроллера STM32L4+. Данное решение позволяет поставщикам промышленного оборудования быстро оценивать встроенные модели искусственного интеллекта Octonion, выполняя обучение непосредственно на микроконтроллерах STM32.