阅读 Forrester Wave:多模式预测性分析和机器学习,2020 年第三季度

为何要在数据和 AI 平台上进行深度学习?

随着人类在计算、算法和数据访问上不断取得进步,企业正在更广泛地采用深度学习,通过语音识别、自然语言处理和图像分类来提取和深化洞察。深度学习可以大规模地解释文本、图像、音频和视频,为推荐引擎、情感分析、财务风险建模和异常检测生成相关模式。  
由于训练神经网络时会用到多个数据层和大量的数据,因此就需要很高的计算能力来处理神经网络。此外,企业还在努力展示在数据孤岛中开展的深度学习试验的结果。IBM Watson® Machine Learning Accelerator 是 IBM Cloud Pak® for Data 上 IBM Watson Studio 中的一项深度学习功能,它可帮助企业:

-   跨任何云动态扩展计算、人员和应用。
-   以透明的可见方式管理和统一大型数据集与模型。
-   利用从边缘到混合云的实时数据不断调整模型。
-   通过更快的训练和推理来优化云和 AI 投资。

→ 查看信息图 (PDF, 574 KB)

优势

加快取得深度学习成果

加快从初始原型到企业级模型的模型构建速度。缩短训练时间,精准地部署深度学习工作负载。

深化 AI 支持的洞察和预测能力

利用集成了数据和 AI 服务的信息架构。在容器化的混合云基础上推动应用的深度学习模型。

简化 AI 和云投资

随时随地联合数据和模型部署。共享并优化根据工作负载需求调整的 GPU 和 CPU 分配情况。

扩大使用范围并提高模型的准确性

加速大规模、高分辨率的图像处理。通过自动缩放提高吞吐量和可用性并减少延迟。

提升系统使用率和灾备能力

通过多租户技术促进跨业务部门和跨企业的使用。通过灵活的分布式训练和推理最大限度利用 GPU 资源。

管理和保护关键业务型 AI 工作负载

从数据准备到模型部署,全程提高透明度和可见性。您还可以降低合规、法律、安全和声誉风险。

客户案例

  • 用于疾病诊断、公共安全和社交媒体的图像分类
  • 用于呼叫中心管理、移动应用和自动化转录的语音转文本识别
  • 用于异常和欺诈检测、自动化文档验证和网络安全的光学字符识别 (OCR)
  • 用于法规遵从、信用评估和投资组合管理的金融风险建模
  • 用于情感分析、语气分析和品牌监控的自然语言处理
  • 用于行为预测、定制优惠和后续最佳措施的推荐引擎
  • 用于公共安全、防盗、工人安全和库存管理的视频分析

利用机器学习和 AI 工具来分析数据

主要特性

  • 快速构建原型并部署
  • 端到端信息架构
  • 容器化基础架构管理
  • 高分辨率、大型模型支持
  • 多租户部署
  • 灵活的分布式训练和推理
  • 自动缩放、自动搜索和负载均衡
  • AI 生命周期管理
  • 具有模型监控功能的可解释 AI