一个胜利的机器学习的三个关键

自1959年以来，一场无声的反动正在改动着我们周围的世界。而往常的机器学习是在人工智能范畴从方式辨认和计算学习理论的研讨展开而来的，在过去的十年中突飞猛进。并且对数据存储、处置才干和机器学习工具的可访问性得到了严重改进，这也成为了这种无声反动的催化剂。

在2005年时120GB的硬盘就曾经绝的是相当大且昂贵的。CPU的处置才干更是连最基本的任务处置也是相当慢的。即便是一个相对简单的机器学习算法的完成也需求破费数天的时间来阅读科学论文、研讨和编码。

在接下来要讲的这三个关键范畴中，将会逐步改进机器学习以抵达一个新境地。

1、数据存储

胜利机器学习项目的第一个关键点是具有搜集、存储和快速访问大量数据的才干。更多的数据意味着在更多状况下具有更细致更精确的模型。基于在AppLovin的发现，数据存储成本在过去10年里将会急剧降落，这愈加速了机器学习的展开。

固态存储的引入与RAM价钱的降落能够有效的减少延迟与增加存储容量，这也意味着能够比以往更快地处置更多的数据。往常，1TB的原始数据能够被以为是一个相当容易管理的学习量。

数据存储的读写延迟普通在大型消费电子产品发布时很少被提到，但是这方面的改进是理所当然的，假如没有存储和剖析PB级数据的才干，就无法完成用户所要寻觅的个性化体验。

2、处置才干

胜利机器学习（ML）项目的第二个关键点是能够具有处置搜集数据的才干。 2006年通用GPU的推出及其持续展开翻开了常规CPU无法比较的处置才干。 这些专用芯片最初是为三维图形创建的，在科学计算和机器学习方面是十分有价值的。

处置才干的硬件创新十分猖獗。苹果公司将其“神经引擎”作为新型A11处置器的一部分，以加速人工智能软件的展开。在2017年8月，微软推出了一款名为Brainwave的新系统，该系统努力于高速、低延迟的机器学习效劳，这意味着机器学习方式很容易被普遍应用，而且能够比CPU或GPU更好地运转。几个月后，谷歌经过其重新开端设计Pixel Visual Core处置器进入硬件游戏，为ML应用程序提供低功耗的最佳性能。

对GPU和分离处置器的改进很少遭到媒体的关注，但是这些新芯片能够处置在智能手机上为高功率效劳器处置的任务才干。并让自拍更有表示力，语音助手更真切。

3、软件工具

假如没有第三个关键点：软件工具，存储将毫无用处，一切的处置才干都将坚持闲置。执行机器学习算法的程序的确是现代创新背地的法宝。人们接触这些工具越多，就知道这个应用程序就越吸收人。

谷歌的TensorFlow和TensorFlow Lite和苹果的Core ML，以及许多其他公司所做的工作，使得ML和人工智能的曲线不时升高，这也让更多的开发人员能够应用这些技术。数据存储和处置才干的改进使得机器学习工程师在测试阶段能够破费更少的时间。

许多团队经常疏忽这些新工具的运用，重点改进他们所熟习的框架。这可能并不好，由于越来越多的公司发现应用ML技术来改善用户体验或优化内部业务流程的益处。

置信机器学习将是继智能手机以来最大的技术反动。机器学习不只仅是一个一次性的功用，也不只仅是一个聪明的点子或者一个抢手的公司。它比任何一个行业或应用都要大。今天机器学习的进步是过去半个世纪中技术关键范畴一个渐进的不可阻挠的增长的结果。这种增长将改动每一项技术，并将以我们无法想象的方式触及每一个企业和个人。

本文首发网站：https://www.ait800.com/jiqixuexi/189.html