เมื่อเร็ว ๆ นี้ “นักเศรษฐศาสตร์” ได้เน้นย้ำข้อเท็จจริงที่ว่าข้อมูลได้กลายเป็นสินค้าที่มีค่าที่สุดที่ผู้คนถือครอง เมื่อข้อมูลขนาดเล็กรวมกันเป็นจำนวนมาก จะเรียกว่าข้อมูลขนาดใหญ่ ในขณะที่เรากำลังยุ่งอยู่กับการรักษาความปลอดภัยของ Big Data จากการโจมตี มันกลับมีส่วนสนับสนุนการเติบโตของปัญญาประดิษฐ์อย่างเงียบๆ ถามว่ายังไง? Machine Learning ส่วนหนึ่งของ AI กำลังทำการปรับปรุงแบบทวีคูณ และสามารถเรียกได้ว่าเป็น "กลยุทธ์การยกระดับข้อมูล" พูดง่ายๆ ก็คือ ต้องใช้ข้อมูลจำนวนมหาศาลในการสร้าง ทดสอบ และเตรียม AI
ปฏิเสธไม่ได้ว่า AI มีศักยภาพมหาศาลในการส่งเสริมภาคส่วนต่างๆ มันถูกใช้ประโยชน์จากบริษัทการเงิน อุตสาหกรรมยานยนต์ สำนักงานกฎหมาย และอีกมากมาย! ดังนั้นการครอบครองข้อมูลและการวิเคราะห์โดยใช้ AI จึงกลายเป็นสิ่งจำเป็นสำหรับธุรกิจที่รอคอยที่จะแข่งขันกันเอง หากเราเชื่อรายงานของ ' ศูนย์ปัญญาประดิษฐ์และวิทยาการหุ่นยนต์' ถ้าอย่างนั้น AI ก็ไม่ใช่สิ่งที่เพิ่งค้นพบ! สิ่งเหล่านี้มีอยู่รอบตัวเราตั้งแต่ปี 1986 ความสามารถของ AI และการเรียนรู้ของเครื่องยังคงเป็นเรื่องลึกลับมาอย่างยาวนาน เนื่องจากเราขาดข้อมูลจำนวนมากที่รวบรวมมาจากหลายแหล่ง เนื่องจากมีความสำคัญต่อการเรียนรู้เครื่อง AI ของเรา จึงไม่สามารถพัฒนาที่สำคัญได้ แต่ตอนนี้ สถานการณ์เปลี่ยนไป และเราไม่เพียงมีข้อมูลปริมาณมากเท่านั้น แต่ยังมีความสามารถในการวิเคราะห์ชุดข้อมูลอีกด้วย ดังนั้นการพัฒนาใน 'ข้อมูลขนาดใหญ่' ได้เปลี่ยนแปลงอย่างมากและเปลี่ยนขอบเขตและอนาคตของ AI อย่างมีนัยสำคัญ คุณไม่เห็นด้วย? อ่านเพิ่มเติมเพื่อทราบเหตุผลในการสรุปเช่นเดียวกัน!
ที่มา: betanews.com
1. พลังคอมพิวเตอร์
ความสามารถในการคำนวณสามารถเปลี่ยนบิ๊กดาต้าจากภาระเป็นสินทรัพย์ทางธุรกิจและได้เริ่มต้นขึ้นแล้ว ก่อนหน้านี้ต้องใช้เวลาและการลงทุนเป็นจำนวนมาก แต่วันนี้ เราแค่ต้องการนาโนวินาทีเพื่อประมวลผลชุดข้อมูลหรือบิ๊กดาต้านับล้านชุด เครดิตสำหรับสิ่งนี้จะเพิ่มความเร็วของการคำนวณแบบทวีคูณ ความก้าวหน้าในการประมวลผลแบบต่อเนื่องและแบบคู่ขนานช่วยในการประมวลผลข้อมูลแบบเรียลไทม์ นอกจากนี้ยังได้รับชุดแนวทางสำหรับแอปพลิเคชันที่ใช้ AI
2. แนวทางที่เพียงพอ
ความพร้อมในการเข้าถึงและการเรียกค้นข้อมูลขนาดใหญ่หรือข้อมูลปริมาณมากอย่างรวดเร็วกำลังนำไปสู่การปฏิวัติ หากเราพิจารณาสถานการณ์ในทศวรรษที่ผ่านมา นักวิทยาศาสตร์ด้านข้อมูลและนักสถิติต้องจำกัดงานของพวกเขาไว้ที่ 'ชุดข้อมูลตัวอย่าง' สิ่งนี้เปลี่ยนแปลงไปอย่างมากในขณะนี้ เนื่องจากตอนนี้พวกเขาสามารถทำงานกับข้อมูลจริงได้อย่างไม่เกรงกลัว นอกจากนี้ ขณะนี้มีข้อมูลแบบ Iteration-based และเครื่องมือวิเคราะห์เชิงคาดการณ์ ดังนั้นองค์กรจำนวนมากขึ้นจึงกำลังเคลื่อนไปสู่แนวทางที่เน้นข้อมูลเป็นลำดับแรกสู่แนวทางที่อิงตามสมมติฐาน ซึ่งท้ายที่สุดแล้วจะช่วยเพิ่มประสิทธิภาพของ AI
ที่มา: martechtoday.com
3. การประมวลผลภาษาธรรมชาติ
เทคโนโลยีการประมวลผลภาษาธรรมชาติ (NLP) ถูกนำไปใช้ในแอพพลิเคชั่นเชิงโต้ตอบหลายตัว ตัวอย่างบางส่วน ได้แก่ Siri บอทบริการธนาคารออนไลน์ Alexa และอื่นๆ นอกจากนี้ การเรียนรู้จากการปฏิสัมพันธ์ของมนุษย์เป็นส่วนสำคัญของ AI และ NLP เนื่องจากบิ๊กดาต้ามีความสามารถในการค้นหาข้อมูลที่เกี่ยวข้องในข้อมูลปริมาณมาก เพื่อให้ได้ข้อมูลเชิงลึกโดยรวม นอกจากนี้ บิ๊กดาต้ายังสามารถช่วยในการระบุและเปิดเผยรูปแบบจากแหล่งข้อมูลต่างๆ ที่จะพิสูจน์ว่า AI เกิดผล
4. ต้นทุนและประสิทธิภาพ
มีการต่อสู้ที่ไม่สิ้นสุดเกิดขึ้นระหว่างต้นทุนและประสิทธิภาพ ขณะนี้อุปกรณ์หน่วยความจำทำให้สามารถจัดเก็บและดึงข้อมูลขนาดใหญ่ได้อย่างมีประสิทธิภาพ และเราต้องการสิ่งเหล่านี้อย่างมากมาย! เมื่อคำนึงถึงสิ่งนี้ Upmem ซึ่งเป็นองค์กรยอดนิยมของฝรั่งเศสได้แนะนำวิธีการลดการประมวลผลไปยัง DRAM สำหรับปริมาณงาน AI พบว่าเมื่อเชื่อมต่อยูนิตดังกล่าวหลายพันยูนิตกับโปรเซสเซอร์แบบเดิม เวิร์กโหลดจะทำงานเร็วขึ้น 20 เท่า อย่างไรก็ตาม การดำเนินการนี้ต้องใช้เงินลงทุนเป็นจำนวนมาก ดังนั้นเราจึงไม่สามารถให้ต้นทุนและประสิทธิภาพควบคู่กันไปได้ เราจะต้องประนีประนอมกันอย่างแน่นอน
ที่มา: codekul.com
อ่านเพิ่มเติม : ข้อมูลขนาดใหญ่และ AI มาพร้อมกับ Instagram และ AI ที่ขับเคลื่อนโดย Netflix
ปฏิเสธไม่ได้ว่าอิทธิพลของ Big Data จะเกินความคาดหมายของเรา คลื่นแห่งนวัตกรรมคาดว่าจะเพิ่มขึ้นด้วยการผสมผสานระหว่าง AI และ Big Data เราสามารถพูดได้เพราะทั้งสองเป็นเส้นทางเทคโนโลยีที่มีแนวโน้มมากที่สุดซึ่งธุรกิจจะต้องพึ่งพาในอนาคต อย่าลืมว่าคลื่นลูกแรกของ Big Data มุ่งเน้นที่การเพิ่มความยืดหยุ่นและความเร็วในการอัพโหลดและดาวน์โหลดข้อมูล และสิ่งนี้ก็ทำได้สำเร็จ อย่างไรก็ตาม เราอาจใช้เวลานานพอที่จะบรรลุคลื่นลูกที่สองที่จะใช้ประโยชน์จาก AI โดยการทำความเข้าใจการบรรจบกันและการพึ่งพาอาศัยกันในส่วนที่เกี่ยวกับบิ๊กดาต้า เราหวังว่าคุณจะชอบอ่านโพสต์บนบล็อกนี้ แจ้งให้เราทราบความคิดเห็นของคุณในส่วนความคิดเห็นด้านล่าง!