Makine öğrenimi ve derin öğrenmede kullanılan verilerden sağlanacak faydanın düzeyi bunların kullanımı ile ilgilidir. Ayrıca deney yapmada etkendir. Kuruluşların yapay zeka (AI) uygulamalarında var olan altyapıyı kullanmaları deney yapma riskini azaltır. Intel, bu amaçla TensorFlow ve Theano gibi çok sayıda derin öğrenme yapısının Intel mimarisi ile tasarlanan ürünlerde çalışabilmeleri için bunları optimize etti. İlave olarak büyük veride derin öğrenmeyi kullanabilmek için de BigDL isimli bir uygulamayı kullanıma aldı. (Intel tarafından oluşturulup geliştirilmiştir.) BigDL derin öğrenme kitaplığını içerir ve Scala ile Python programlama dillerini kullanmaya olanak tanır ayrıca çok iş parçacıklı programlama mantığını da kullanır. Bu sayece derin öğrenmeden elde edilen performans bir Intel® Xeon® işlemcide bulunan değişime uğramamış Torch ya da TensorFlow yapısına oranla daha yüksek ve daha üst düzeyde olur. Yapay zekâ ile deneme yapma birçok anlamda hem riski hem de gerçeğinde yapılacak denemeye göre maliyeti çok önemli oranda azaltır.
Neredeyse tüm sektörlerde etki yaratabilecek üç yapay zekâ kullanım durumundan bir tanesi;
Görüntü tanıma
Bu amaçla temeli insan beyninin çok küçük bir çalışma şeklinin matematiksel model olarak kullanıldığı yapay sinir ağları uygulaması kullanılır. (Ayrıca görüntü ve örüntü farklı kavramlardır.) Buna uygulama konusu olarak şunlar verilebilir; ürün hatalarını saptama, yüz ve araç plakası tanıma, tümör saptama, bir nesnenin çok kötü koşullarda dahi tanınması vb. Görüntülerin işlenmesi, çözüm (algılama/tanıma) zamanının ½’sinde fazla bir süreye karşılık gelir. Intel’in bu amaçla geliştirdiği işlemciler (Intel® Xeon®) veri artırmaya olanak verir. Görüntülerle yapılan her türlü uygulamaya (ölçek, renk, döndürme vb.), amaç olan tanıma/algılama için kullanılan algoritmaların daha iyi eğitimi için bazı görüntüleri elemine edebilir.
Kaynak
