Indhold

• Fremkomst af maskinerne
• At gøre det digitale fysisk
• Overvej Corti
• Et mere bekendt fokus
• Så hvad er dernæst?

Hvad er den største tilpasning af den menneskelige art?

Bestemt ikke vores imponerende fysik, uldne frakker eller vidunderlige lugtfunktioner. Vi sutter slags alle disse. Vores største træk er mønster genkendelse. Faktisk er det så stærkt, at vi ofte læser mønstre, hvor ingen findes. (Se: astrologi.)

Historisk set lader vores evne til at genkende mønstre afgive os, når faren var nær i tide til at handle. Det lader os også udvikle sprog mere komplicerede end en række grynt og foreninger. Man kunne endda sige, at det er grundlaget for moderne videnskab.

Fremkomst af maskinerne

I gamle tider var maskiner notorisk dårlige ved mønstergenkendelse - de kunne virkelig kun følge et sæt forprogrammerede instruktioner. Fremgangen i maskinlæring har givet systemer og enheder, der faktisk kan fortolke data og bruge dem til at forbedre sig selv.

Maskinlæring rører allerede næsten alle aspekter af vores liv og ændrer dem til det bedre. Så godt som vi er med at opdage mønstre, er maskiner langt, langt bedre til det - og denne mønsterdetektion er temmelig praktisk på en lang række måder, fra talegenkendelse til forventning om aktiemarkedet.

Så hvad kan vi forvente af dette felt i 2019?

At gøre det digitale fysisk

Virksomheder, der er meget investeret i både maskinlæring og små computere, er ved at rydde vejen for ML's fremtid. Arm er i spidsen for denne indsats. Dens teknologi forbedrer alt fra første-respons medicinsk pleje til snapping selfies.

Overvej Corti

Corti er en specialiseret lille enhed, der er størrelsen på et Google Home. Du finder dog ikke en af ​​disse i din stue snart.

Værktøjet implementeres i øjeblikket til beredskabscentre over hele verden. Det lytter til medicinske nødopkald og hjælper operatøren med at give de bedste råd.

Det er det vigtigste mål? At identificere en hændelse med hjertestop foran mennesker på linjen.

Hjerteanfald dræber flere mennesker end noget andet, og alligevel er vi stadig notorisk dårlige til at samle de fortællende tegn. Denne manglende bevidsthed kan forsinke indgreb i situationer, hvor selv et par minutter kan have en alvorlig indflydelse på offerets overlevelsesrate. Faktisk for hvert minut, som HLR er forsinket, falder chancen for overlevelse med op til 10 procent.

Denne ML-enhed har en dokumenteret track record for at identificere hjertestop hurtigere med en forbløffende nøjagtighed på 93 procent - langt højere end de 73 procent, der er typisk for en menneskelig operatør. Dens udbredte anvendelse kunne redde tusinder af liv.

Maskinindlæringen håndteres nødvendigvis på enheden i stedet for tilsluttet en database i skyen. I livstruende situationer er operatøren nødt til at give et øjeblik-til-øjeblik livreddende råd, uanset internet-hik. Bekymringer om beskyttelse af personlige oplysninger gør også en internetforbundet ML-enhed lidt vanskelig i medicinske situationer.

Corti er ikke kun en one-trick-pony; Fokuset udvides til at omfatte diagnoser af overdosering og slagtilfælde ved hjælp af teknikker som vokalanalyse.

Corti drives af Nvidia TX2: Arm v8 (64-bit) dual-core + Cortex-A57 quad-core (64-bit).

Et mere bekendt fokus

Hvis brugen af ​​maskinlæring fik dit hjerte til at køre lidt for meget, er her en mere social gane-renser.

I 2018 begyndte Instagram at rulle ud sin Focus-funktion, som giver brugerne mulighed for at oprette professionelt fokuserede selfies og skud, der identificerer ansigter og slører baggrunden ud.

Selv om det ikke nøjagtigt stopper hjerteanfald, tilbyder denne funktion en intuitiv og velkendt oplevelse, og det er muligt med hardware- og softwareforbedringer, der følger med maskinlæring.

Uanset om du bruger selfie-tilstand eller det standard, bagudvendte kamera, bruger Focus billedsegmenteringsnetværket til automatisk at finpudse på billedets emne, mens baggrunden sløres for at skabe et professionelt udseende. Som du måske forestiller dig, er dette en kompleks teknik, der kræver betydelig yderligere behandling for at køre hurtigt og effektivt, og som et resultat blev det distribueret selektivt til højere ende platforme, der understøtter de nødvendige optimeringer. Og på grund af et stærkt samarbejde med Arm og Compute Library-teamet inkluderer dette også en række enheder med Arm Mali GPU'er.

Så hvad er dernæst?

I 2019 vil virksomheder som Arm styrke enheder over hele kloden med stigende evner til maskinlæring. Vi kan forvente forbedringer i næsten enhver branche, lige fra præcist målrettet skadedyrsbekæmpelse i landbruget til mere avancerede funktioner til autonome køretøjer. Dine smarte enheder bliver sandsynligvis bedre til opgaver som talegenkendelse, med en øget evne til at registrere ting som bøjning og tone.

Hold øje med Arm, hvis du vil se, hvor maskinindlæring på enhed går hen i 2019. Med en hockey-stick-trend inden for maskinlæringsfunktioner, vil det være et spændende år.