Такие термины, как машинное обучение (ML), искусственный интеллект (AI), нейронные сети и глубокое обучение, в наши дни изобилуют статьями и описаниями приложений. Мечты о человекоподобных роботах и беспилотных автомобилях продолжают появляться, и сейчас мы ближе к ним, чем когда-либо прежде. Однако первое по-прежнему остается несбыточной мечтой, и даже второе еще дальше, чем хотелось бы большинству людей. Слишком многие полагают, что способность распознавать людей, жесты или предложения указывает на то, что когнитивный ИИ не за горами.
С другой стороны, прошлые и текущие достижения AI / ML оказались просто поразительными. Аппаратные улучшения являются основными драйверами, но еще более важны достижения в области программного обеспечения. Фактически, параллельный характер многих из этих улучшений оказался полезным, потому что технология одноядерных процессоров эффективно преодолела барьер мощности.
Как и в случае любой новой технологии, возникает множество вопросов по мере того, как человек узнает, какие технологии сейчас доступны, что они могут делать, как они работают и как их можно включить в приложение. Проблема с новейшими решениями AI / ML заключается в чрезвычайно широком диапазоне доступных возможностей. Диаграмма, описывающая эту технологию, больше похожа на баньяновое дерево.
Тем не менее, преимущества и возможности применения значительны. Аналогичным образом, оборудование и программное обеспечение, которое можно использовать, варьируются от того, что работает на стандартном 8-битном микроконтроллере, до настраиваемого чипа AI / ML, работающего на сотнях отсеков для дисков в облаке. Конечно, этот маленький микроконтроллер может работать только над профилактическим обслуживанием контроллера мотора, в то время как система с аппаратным ускорением может анализировать несколько видеопотоков.
Еще один сложный аспект в отношении AI / ML - это постоянный экспансивный рост этой технологии. Нередко новая версия компилятора модели машинного языка удваивает производительность приложения без изменения модели.
Большинство приложений не получат выгоды от AI / ML, и не стоит принудительно встраивать новую причудливую технологию в устоявшееся приложение. С другой стороны, новый взгляд на приложение с пониманием различных методологий AI / ML может выявить способы внесения значительных улучшений в приложение.
Стоит узнать больше об AI / ML, чтобы хотя бы определить оборудование и программное обеспечение, которые могут быть полезны при разработке приложения. Однако требуются значительные усилия, чтобы добраться до точки, где технология может быть включена в приложение, включая определение преимуществ, которые должны быть достигнуты, а также связанных с этим затрат.