Lesen Sie „The Forrester Wave: Multimodal Predictive Analytics und Machine Learning, Q3 2020“.

Warum sollte Deep Learning auf einer Daten- und KI-Plattform ausgeführt werden?

Mit den Weiterentwicklungen bei Berechnungen, Algorithmen und Datenzugriffen nutzen Unternehmen Deep Learning zunehmend auf breiter Front, um auf allen Ebenen Einblicke zu gewinnen. Hierbei kommen Spracherkennung, Verarbeitung natürlicher Sprache und Bildklassifizierung zum Einsatz. Deep Learning kann Text, Bilder, Audio und Video im richtigen Maß interpretieren, woraus Muster für Recommendation-Engines, Stimmungsanalysen, die Modellierung finanzieller Risiken und die Anomalieerkennung generiert werden.  
Bisher war für die Verarbeitung neuronaler Netze aufgrund der Anzahl der Schichten und der Datenmengen zum Trainieren der Netze hohe Rechenleistung erforderlich. Darüber hinaus haben Unternehmen nach wie vor Schwierigkeiten, Ergebnisse aus den in Silos befindlichen Deep-Learning-Experimenten zu extrahieren. IBM Watson® Machine Learning Accelerator, eine Deep-Learning-Funktion in IBM Watson Studio on IBM Cloud Pak® for Data, unterstützt Unternehmen in vielerlei Hinsicht:

–   Cloudübergreifende dynamische Skalierung von Berechnungen, Personen und Anwendungen.
–   Transparente Verwaltung und Vereinheitlichung großer Datasets und Modelle.
–   Kontinuierliche Anpassung von Modellen mithilfe von Echtzeitdaten von der Edge bis zu Hybrid Clouds.
–   Optimierung der Cloud- und KI-Investitionen durch schnellere Trainings und Inferenzen.

→ Infografik lesen (PDF, 574 KB)

Vorteile

Schnellere Deep-Learning-Ergebnisse

Bauen Sie Ihre Modelle vom ersten Prototypen bis zum unternehmensweiten Einsatz schneller auf. Beschleunigen Sie das präzise Trainieren und Bereitstellen von Deep-Learning-Workloads.

KI-gestützte Einblicke und Vorhersagen im richtigen Maß

Nutzen Sie eine Informationsarchitektur mit integrierten Daten und KI-Services. Setzen Sie Deep-Learning-Modelle auch für Anwendungen in einer containerisierten Hybrid-Cloud-Basisumgebung ein.

Vereinfachung von Investitionen in KI und die Cloud

Führen Sie die Bereitstellung von Daten und Modellen standortunabhängig zusammen. Teilen und optimieren Sie GPU- und CPU-Zuordnungen, die gezielt auf die Workloadanforderungen abgestimmt sind.

Umfassendere Nutzungsmöglichkeiten und mehr Genauigkeit bei Modellen

Beschleunigen Sie die Verarbeitung großer, hoch auflösender Bilder. Verbessern Sie Durchsatz, Latenzzeiten und Verfügbarkeit mit automatischer Skalierung.

Bessere Systemnutzung und höhere Ausfallsicherheit

Optimieren Sie die geschäftsbereichsübergreifende und unternehmensweite Nutzung mit Multi-Tenant-Funktionalität. Maximieren Sie die Verwendung von GPU-Ressourcen mit elastischen, verteilten Trainings- und Inferenzansätzen.

Regulierung und Schutz von geschäftskritischen KI-Workloads

Schaffen Sie mehr Transparenz von der Datenvorbereitung bis zur Modellimplementierung. Zudem können Sie Risiken im Zusammenhang mit Compliance, Rechtsfragen, Sicherheit und Reputation minimieren.

Anwendungsfälle

  • Bildklassifizierung für Krankheitsdiagnostik, öffentliche Sicherheit und soziale Medien
  • Sprache-zu-Text-Erkennung für das Call-Center-Management, mobile Apps und automatisierte Transkriptionen
  • Optische Zeichenerkennung (OCR) für Anomalie- und Betrugserkennung, automatisierte Dokumentvalidierung und Cybersicherheit
  • Modellierung von finanziellen Risiken für die Einhaltung von Vorschriften, Bonitätsbeurteilungen und Portfoliomanagement
  • Verarbeitung natürlicher Sprache für Stimmungsanalyse, Tonanalyse und Markenüberwachung
  • Recommendation-Engine für Verhaltensvorhersagen, maßgeschneiderte Angebote und die nächsten besten Maßnahmen
  • Videoanalysen für die öffentliche Sicherheit, Diebstahlprävention, Arbeitssicherheit und Bestandsmanagement

Nutzen Sie die Vorteile von maschinellem Lernen und KI zur Analyse Ihrer Daten

Wichtige Leistungsmerkmale

  • Schnelle Prototyperstellung und -implementierung
  • End-to-End-Informationsarchitektur
  • Containerisiertes Infrastrukturmanagement
  • Unterstützung von großen, hoch auflösenden Modellen
  • Multi-Tenant-Bereitstellung
  • Elastische, verteilte Trainings- und Inferenzansätze
  • Automatische Skalierung, automatische Suche und Lastverteilung
  • KI-Lifecycle-Management
  • Explainable Artificial Intelligence (XAI) mit Modellüberwachung