Прочитайте отчет Forrester Wave «Решения для прогнозной аналитики и машинного обучения с комбинированным вводом данных», 3 квартал 2020 года

Зачем нужно глубокое обучение на платформе ИИ и анализа данных?

Благодаря достижениям в сфере вычислений, алгоритмов и доступа к данным предприятия все шире внедряют глубокое обучение с целью извлечения данных и масштабирования аналитики посредством распознавания речи, обработки естественного языка и классификации изображений. Глубокое обучение способно интерпретировать текст, изображения, аудио и видеоматериалы в нужном объеме, находя закономерности для механизмов выдачи рекомендаций, анализа настроений, моделирования финансовых рисков и обнаружения аномалий.  
Для работы нейросетей требуется высокая вычислительная мощность: это обусловлено большим числом уровней и объемов данных для обучения. Помимо этого, предприятия испытывают затруднения в демонстрации результатов экспериментов, связанных с глубоким обучением в разобщенных средах. IBM Watson® Machine Learning Accelerator — это механизм глубокого обучения в IBM Watson Studio on IBM Cloud Pak® for Data, помогающий предприятиям решить следующие задачи:

- Динамически масштабировать вычисления, человеческие ресурсы и приложения в любом облаке.
- Прозрачно управлять большими наборами данных и моделей и унифицировать их.
- Непрерывно корректировать модели на основе данных в реальном времени от периферии до гибридных облаков.
- Оптимизировать вложения в облако и ИИ за счет ускорения обучения и формирования выводов.

→ Изучить инфографику (PDF, 574 КБ)

Преимущества

Ускоренное получение результатов глубокого обучения

Быстрое построение моделей от начального создания прототипов до корпоративного масштаба. Ускорение обучения и внедрения моделей глубокого обучения с более высокой точностью.

Масштабирование анализа и прогнозирования на основе ИИ

Применение информационной архитектуры с интегрированными службами обработки данных и ИИ. Встраивание моделей глубокого обучения в приложения в контейнеризованной гибридной облачной платформе.

Оптимизация вложений в ИИ и облако

Объединение данных и внедрение моделей в любом месте. Совместное использование и оптимизация выделения ресурсов GPU и CPU в соответствии с потребностями задач.

Расширение сферы использования и повышение точности моделей

Ускорение обработки изображений большого размера с высоким разрешением. Повышение производительности, готовности и уменьшение времени отклика за счет автоматического масштабирования.

Повышение отказоустойчивости систем и эффективности их использования

Содействие совместному использованию между подразделениями и предприятиями за счет множественной аренды. Максимально эффективное использование ресурсов GPU благодаря эластичному, распределенному обучению и формированию выводов.

Управление самыми серьезными ИИ-задачами и их защита

Повышение прозрачности и контроля начиная от подготовки данных и заканчивая развертыванием моделей. Также возможно снижение нормативных, правовых, репутационных рисков и рисков для безопасности.

Примеры внедрения

  • Классификация изображений для диагностики заболеваний, общественной безопасности и социальных медиа
  • Распознавание речи для управления контактными центрами, мобильных приложений и автоматизированной расшифровки аудио
  • Оптическое распознавание символов (OCR) для обнаружения аномалий и мошенничества, автоматизированной проверки документов и кибербезопасности
  • Моделирование финансовых рисков для соблюдения законодательных требований, оценки кредитов и управления портфелями
  • Обработка естественного языка для анализа мнений, анализа интонаций и отслеживания бренда
  • Модуль выдачи рекомендаций для прогнозирования поведения, настраиваемых предложений и рекомендации дальнейших действий
  • Анализ видео для общественной безопасности, предотвращения воровства, охраны труда работников и управления складскими запасами

Воспользуйтесь возможностями машинного обучения и инструментами ИИ для анализа данных

Основные функции

  • Быстрое создание и развертывание прототипов
  • Исчерпывающая информационная архитектура
  • Управление контейнеризованной инфраструктурой
  • Поддержка крупномасштабных моделей с высоким разрешением
  • Развертывание в мультиарендной среде
  • Эластичное, распределенное обучение и формирование выводов
  • Автоматическое масштабирование, автоматический поиск и распределение нагрузки
  • Управление жизненным циклом ИИ
  • Объяснимый ИИ с поддержкой отслеживания моделей