推动AI未来发展的三个问题
来源：CPDA数据分析师网 / 时间：2021-02-09
为了实现大规模实际部署，AI仍需取得重大进展。在寻求解决这些挑战时，三个总体问题将成为AI未来的领头羊。
我们如何将AI应用程序带入现实世界？
深度学习是过去几年中大多数AI进步的关键驱动力，它取材于人脑如何处理大量数据以用于决策的过程，深度学习产生了令人难以置信的实验室结果，但是这些模型非常大，并且需要相当大的处理能力，这将它们限制在实验室和云中，反过来这限制了潜在的实际用例，并阻碍了广泛采用，尽管云部署为智能家居设备等一些用例提供了可行的解决方案，但它带来了延迟，连接性，隐私和高成本等问题，如果将深度学习部署在云中，则边缘设备必须具有恒定的Internet连接，并且取决于数据在云中进行处理以及从云中传输和传输的速度。在许多情况下，这使其无法启动。
为了克服部署问题，必须进行边缘部署
但是，我们如何将深度学习带到边缘？我们必须将模型缩小到一个兼容的水平，从而提出第二个问题，我们如何缩小深度学习模型的计算需求和规模？实现边缘部署始于重新构想模型训练过程，并从早期人脑开发中汲取灵感，我们一生中会拥有多数量的突触，即神经元通过它们进行交流的连接。直到青少年时代，我们的大脑一直在不断消除多余的连接并变得稀疏，连接本身会迅速学习，并且大脑的整个结构也在不断变化。
在深度学习训练过程中，我们可以尝试模仿它并稀疏模型
以在模型的大小与其准确性之间找到平衡，通过在训练阶段进行修剪，当模型易于重组时，可以显着改善结果并保持准确性，生成的模型可以是轻量级的，具有显着的速度改进和内存减少功能，可以在智能边缘设备上进行有效部署，并可以进行实时，自主的决策。
AI部署的未来会是什么样？
在克服这些障碍方面正在取得进展，但是终的结果是什么？借助两种可能的深度学习技术部署策略（在云中和边缘），应采用哪种部署方法？云部署使AI可以从高性能计算系统的功能中受益，但由于延迟，带宽和连接性而带来隐私问题和限制边缘的AI减轻了一些隐私和带宽问题以及延迟限制，此外，它可以显着改善速度，功耗和内存消耗，从而可以降低成本并限制对环境的影响，但是它牺牲了计算能力和跨设备同步数据的能力。
一个人的利益不能被另一个人完全取代
因此影响力的现实世界AI部署将是采用混合方法的部署，在云中和边缘，混合方法将允许使用跨设备数据重新训练模型，以在云中进行持续改进，同时保持边缘部署的速度，效率和安全性，可以开发工作流以化效率和可伸缩性，具体而言，通过识别必须实时在边缘进行决策的用例，并辅以可以在云中进行处理以进行长期分析和改进的方案，以自动驾驶汽车为例，如果汽车在将数据发送到云端并进行处理之前无法采取行动，那么它将无法做出反应并迅速做出决策以确保安全，但是如果没有相关的云部署，则无法将洞察力与从其他模型收集的数据结合起来以进行算法改进。
实现人工智能的未来
虽然将深度学习模型带到边缘的技术已经到位，但我们已经远离将其带出实验室并大规模部署到现实世界中的部署，但是对深度学习的研究和调整的快速速度可能终导致现实世界中部署的出现，人工智能研究的指数级发展终将使企业能够有效地部署该技术，并将深度学习模型带出实验室。对于希望通过深度学习来扩展产品和功能或简化效率的任何企业，这三个问题将为2021年及以后定下基调。