TIC 2018で人工知能が熱く議論され、AIが応用段階に突入

[51CTO.com からのオリジナル記事] クラウド コンピューティング、ビッグ データ、ブロックチェーン、モノのインターネット、人工知能は、新しいデジタル テクノロジーの中核です。デジタル技術革命の新たな局面の到来により、これらの人気技術を最初に習得できる者が、デジタル経済の長期的な発展においてより大きな発言力を持つことは間違いありません。これら 5 つのデジタル技術のうち、ブロックチェーンと人工知能は、他のデジタル技術と比較するとまだ初期段階にあります。クラウドコンピューティングやビッグデータなどの技術を活用してブロックチェーンや人工知能をいかに迅速に実装するかが、各方面から注目を集めています。

5月15日、中国を代表する中立クラウドサービスプロバイダーUCloudが主催するThink in Cloud 2018が北京ルネッサンスホテルで盛大に開催されました。 Think in Cloud（以下、「TIC」）は4年連続で開催されており、中国のクラウドコンピューティング業界最大のイベントです。この会議では、UCloud の上級管理職や技術専門家に加え、インターネットや従来の分野の多くの革新的な企業の CEO、CTO、業界および技術専門家、クラウド エコシステムのパートナーも招待され、意見を共有し、最先端のテクノロジーのホットスポットと業界の洞察を伝えました。クラウドコンピューティング、ビッグデータ、人工知能、ブロックチェーン、モノのインターネットなど、多くの業界分野から投資、経営、技術、運用、保守などの関係者5,000人以上が会議に参加しました。

[[229741]]

TIC 2018 人工知能アプリケーション実践セッション

過去2年間で人工知能産業は急速に台頭し、AI技術は徐々にさまざまな産業に応用されてきました。人工知能アプリケーションに不慣れな従来のインターネット企業であっても、人工知能分野のスタートアップであっても、AI アプリケーションを迅速かつ効率的に実装する方法は大きな課題です。 5月15日午後に開催された人工知能の応用と実践に関する特別セッションでは、UCloud、UISEE Technology、4Paradigm、ChuShi Technologyの専門家や企業関係者、メディア記者が一堂に会し、人工知能の実際の応用と実践に焦点を当て、クラウドコンピューティング技術を活用して機械学習、ディープラーニング、ビジュアルコンピューティングなどのAI技術とアプリケーションの迅速な実装を促進する方法について議論しました。

パブリッククラウドはAIアプリケーションの迅速な実装に役立ちます

どのようなシナリオで AI の活用が必要になりますか? AI技術を迅速かつ低投資で検証するにはどうすればよいでしょうか? AI応用ビジネスを迅速に展開するには？ AI アプリケーションの反復を効率的に実装するにはどうすればよいでしょうか? UCloud AIプラットフォームの技術専門家である宋翔氏は、開会の挨拶で聴衆の質問に一つずつ答えました。 AIに触れたことのある人なら誰でも、AIには多数のフレームワーク、さまざまな技術的アルゴリズム、実装方法があることを知っています。実装プロセスでは、さまざまな基盤となるリソースが使用されます。 AI技術の検証からAI応用ビジネスの開発、AI応用の反復まで、プロセス全体でさまざまな問題に遭遇します。

[[229742]]

UCloud AIプラットフォームの技術専門家、Song Xiang氏

宋翔氏は、AI の課題は 3 つの側面から生じるとまとめました。まず、基本的な環境です。基本環境は、AI フレームワーク、アルゴリズム ライブラリ、GPU テクノロジー ライブラリ、ストレージ、その他の機器を含む、AI のエントリー段階における大きな課題です。さまざまな交差選択の後、環境はより複雑になります。自分に合った研究開発環境をどのように選択するかは大きな課題です。 2つ目はAIシステムの構築です。このプロセスでは、アルゴリズムの互換性、プラットフォームのスケーラビリティ、分散、垂直拡張、高可用性、災害復旧機能などの問題を考慮する必要があります。 3番目は、入出力問題です。少ない投資でより高い収益を得るにはどうすればよいでしょうか?研究を通じてニーズを正確に把握し、研究開発コストを管理し、リソースコストと運用コストを削減し、研究開発担当者がアルゴリズムにさらに集中できるようにする方法は、すべて AI が直面している課題です。

これらの課題にどう対処すればよいのでしょうか? UCloud は、これらの問題に対する中核的な解決策は、環境の分離、分散化、スケーラビリティ、リソースの共有という 4 つの側面を含むプラットフォーム化を実現することであると考えています。環境分離に関しては、主に 2 つの方向性があります。 1つ目は、ソフトウェアと動作環境を分離し、コンテナのカプセル化によってストレージとコンピューティングを分離することで、より多くのストレージリソースをAI環境に接続できるようにすることです。 2つ目はデータの分離です。 AI にとって、トレーニング プロセスにおけるデータは非常に重要であるため、さまざまなデータ レイヤーにアクセスして良好なデータ アクセスを実現するためのローカル ストレージ インターフェイスを提供するだけで済みます。

AIトレーニングプラットフォーム

同時に、プラットフォーム化により、優れたリソース共有を実現できます。たとえば、UCloud の AI トレーニング プラットフォームとオンライン サービス プラットフォームを通じて、ユーザーが AI トレーニングを実行したい場合、タスクをトレーニング プラットフォームに送信するだけで、タスクが失敗するかどうか、どのマシンで実行されるかを心配することなく、タスクがプラットフォーム上で自動的に完了します。これにより、AI アルゴリズム担当者にとってプラットフォームの使用の複雑さが大幅に簡素化されます。アルゴリズム担当者やビジネス担当者は、オンライン サービス プラットフォームを使用することで、アルゴリズムを実装した後、分散環境やサービスを自分で構築することなく、このプラットフォームを使用して独自の分散オンライン タスクを迅速に展開できます。

AIオンライン推論プラットフォーム

宋翔氏は、これらのプラットフォームとテクノロジーにより、研究開発担当者が水平方向と垂直方向の拡張を行うことが容易になると述べました。分散プラットフォームはリソースの使用率を向上させますが、これらのリソースの管理にそれほど多くのコストはかかりません。 *** 宋翔氏はまた、インターネットソーシャルネットワーキング、広告、AIトレーニングの分野におけるUAI-InferenceとUAI-Trainの代表的な3つの事例を挙げ、人工知能技術分野におけるUCloudの実践経験を共有しました。

組み込みデバイスでのリアルタイムディープラーニング手法の実践

UISEEの人工知能技術責任者であるPan Zheng氏は、UISEEの組み込みデバイスにおけるリアルタイムディープラーニング手法の実践と、自動運転分野におけるUCloud GPUサーバーの応用について紹介しました。視覚には、より豊富な情報、より広い視野、より調整されたインフラストラクチャ、より安価なハードウェアなど、いくつかの大きな特徴があります。パン・チェン氏は、2010年以来、毎年開催されるImageNet Computer Vision Challengeでディープラーニングネットワークの調整が継続的に行われ、2017年には認識エラー率が2.5%以下にまで減少し、視覚認識が大きく進歩したことを紹介した。

UISEEのAIテクノロジー責任者、パン・ジェン氏

視覚認識はテンプレートを作成する際にはコストを気にせずに使用できますが、その技術を製品として実装する場合は多くの考慮が必要になります。例えば、自動運転の分野では、ユーザーを満足させるために、低コスト、低消費電力、車両規制への準拠、リアルタイム性、精度を実現する必要があります。その中で、自動車のコンプライアンスは自動運転の分野では特別な要件となります。車の寿命は10年以上であり、車内のすべてのハードウェアは安全基準を満たす必要があります。電子部品はマイナス 40 度から 70 度または 80 度まで正常に動作する必要があり、自動車グレードの要件は非常に厳格です。

[[229743]]

PVANet+fasterRCNN オブジェクト検出

UISEE は、組み込み GPU プラットフォームを使用して視覚認識に必要な計算を完了し、LIDAR と同等かそれ以下のコストを実現したいと考えています。これを実現するには、多くのネットワーク圧縮最適化作業を行う必要があり、同時に、組み込み GPU 上で十分な精度で計算を実行する必要があります。これにより、効率と精度のバランスをどのように取って、よりバランスの取れたネットワーク選択を実現するかという問題が浮上します。 Pan Zheng 氏は、人間と車両の検出パフォーマンスを例に挙げると、そのような検出タスクを完了するには、もはや数百または数千のネットワーク層は必要ない、と紹介しました。比較的密集したシナリオでは、UISEE テクノロジーはすべての人々と車両を検出し、自動運転をより適切に支援できます。 *** Pan Zheng 氏は、自動運転分野における組み込み GPU + CPU アクセラレーションと低コストの自動車グレード FPGA アクセラレーション テクノロジの応用についてもゲストに紹介し、ゲストから満場一致で賞賛されました。

クラウドコンピューティングに基づく機械学習システムの構築

UCloud 研究所所長兼シニア R&D ディレクターの Ye Lideng 氏は、クラウド コンピューティングの発展の歴史、サーバーレス製品とアーキテクチャ、機械学習オンライン推論システムの構築方法、アバター認識、OCR、AI アプリケーション市場における実際の応用事例を紹介しました。サーバーレスには、運用・保守が不要、柔軟なスケーラビリティ、高可用性、従量課金制などの特徴があると述べました。開発者にとっては、APP を構築する際にアーキテクチャを考慮する必要がなく、Serverless をそのまま使用できます。これは大きな改善です。

Ye Lideng、UCloud Lab 責任者兼シニア R&D ディレクター

Ye Lideng 氏は、AI 機械学習システムの構築には、構築、トレーニング、推論という 3 つのステップが必要だと述べました。推論のプロセスは、アルゴリズムとパラメータを選択し、トレーニングされたモデルをオンライン サービスに変換することです。オンライン推論システムには、基盤となるコンピューティング プラットフォーム、APP エンジン レイヤー、および SDK を介したデータ フロー制御が含まれます。

オンライン分類システム

UCloud の UAI-Inference は、大規模なコンピューティング ノード、自動負荷分散、動的スケーリングを提供し、画像認識や自然言語処理などの複数の AI 分野に適しています。 Ye Lideng 氏は、ソーシャル ユーザーによるアバター認識のケース スタディを共有しました。ユーザーがアバターをアップロードしたかどうか、アバターが人物か風景かを自動的に識別し、さまざまな情報に基づいて異なるコンテンツを推奨することができます。

アバター認識

このようなシステムを独自に構築するのは、高可用性を考慮する必要があり、タスクを完了するためにいくつの仮想マシンを適用する必要があるかわからないため、ユーザーにとって大きな負担になります。オンライン推論システムでは、ユーザーはトレーニング済みのモデルを毎回 UCloud にプッシュするだけで済み、運用やメンテナンスを必要とせず、迅速に独自のシステムを構築できます。さらに、Ye Lideng 氏は、OCR や AI アプリケーション市場などの実際のアプリケーション シナリオにおける UAI 推論の実装も紹介し、聴衆に大きな利益をもたらしました。

顧客サービスにおけるAI技術の応用

フォース パラダイムのインテリジェント カスタマー サービス責任者であり、上級データ サイエンティストでもある Xing Shaomin 氏が、「カスタマー サービス分野における AI テクノロジーの応用と実践」について語りました。 Fourth Paradigm は、人工知能技術とサービスの国際的大手プロバイダーです。同社が先駆けとなった「転移学習」は、業界では「次世代の人工知能技術」と考えられている。現在、社会経済の発展に伴い、顧客サービスのコストが徐々に増加しており、手動の顧客サービスは24時間オンラインではなくなり、インテリジェントな顧客サービスに幅広い市場が生まれています。

[[229744]]

4Paradigm のインテリジェント カスタマー サービス責任者兼シニア データ サイエンティスト、Xing Shaomin 氏

インテリジェントな顧客サービスの一般的な機能には、1 回の質問と回答、複数回の会話、人間とコンピューターのコラボレーションなどがあります。実際、インテリジェントなカスタマー サービスは、頻度が高く単純な問題を解決するためにのみ使用され、難しい問題は手動のカスタマー サービスに任されています。そのため、ほとんどのシナリオでは依然として人間と機械のコラボレーション、つまりロボット + 人間の応答モードが必要であり、ロボットが直接推奨する回答はごくわずかです。

インテリジェントな顧客サービス技術の難しさ

インテリジェントな顧客サービスには基本的なワークフローがあり、質問の自然言語処理、意図認識、カスタマイズされたナレッジベースとナレッジグラフが必要です。ユーザーが質問を送信すると、テンプレートまたは機械翻訳を通じてナレッジ グラフ クエリ言語に変換され、その結果がナレッジ グラフ ツールから取得され、ファイルにパッケージ化されてユーザーに返されます。これは完全な質疑応答のプロセスです。これは人間中心で機械が支援するアプローチです。

4パラダイムインテリジェントカスタマーサービス

Fourth Paradigm のインテリジェントな顧客サービスは、ロボットを主要素とし、人間を補助要素として、シームレスな人間と機械のコラボレーションを実現します。初期の段階では、質問と回答の大部分は人間の言葉で占められていました。人間が答えた後、機械は学習しました。機械がより多くの知識を学習し、知識ベースがますます充実するにつれて、機械が回答できる会話も飛躍的に増加し、ユーザーの顧客サービスコストを大幅に節約できます。

教育におけるAI技術の応用

「過去2年間、トレーニング機関は保護者からいくつかの要望を受けています。彼らは、子供たちとチェスをプレイでき、システムの難易度を制御できるシステムを望んでいます。教育の分野でAIテクノロジーをどのように適用するかについては、実際にはいくつかのヒントが必要です。」北京中市科技の李曙光CEOはこう述べた。自動口頭評価の分野では、English Fluency などの GOP ベースの評価技術が、音声モデルのスコアを比較して問題のある発音を検出します。この技術は主にフォローアップ読み取りプロセスで使用されます。 TOEFL や IELTS の自由回答形式の質問に似た Freetalk 口頭評価テクノロジーもあります。この技術は、口頭試験の採点と添削を自動的に行うために使用でき、ユーザーのスピーチ、音声のイントネーション、文法、流暢さなどを分析できます。現在、機械は採点における手作業に取って代わり、教師の反復作業を大幅に削減できます。

[[229745]]

李曙光氏、北京Chushi Technology CEO

人工知能は、単にトレーニング機関にとってのコスト削減の問題ではありません。ほとんどの学生は練習不足なので、AI テクノロジーは学生の学業成績の向上にも役立ちます。自動エッセイ評価テクノロジーにより、教師は生徒にエッセイの宿題をより積極的に割り当てられるようになります。この技術を通じて、生徒はエッセイを40〜50回練習することができます。これにより、教師の作業負荷が軽減されるだけでなく、生徒の学業成績も向上し、一石二鳥の効果が得られます。自動エッセイ評価は、大量の手動で採点されたエッセイ データに基づいて開発され、文法エラー チェック、自然言語処理分析機能抽出、自動採点エンジンを実装しています。文法に加えて、スコアリングの要素には、単語の使用、冠詞の文脈、文間の一貫性などのより複雑な側面も含まれます。

手書き認識

Chushi Technology は、手書き認識のトレーニングと展開に UCloud クラウド サーバーを使用しており、主に学生が手書きのエッセイを書くシナリオで使用されています。これには、テキストの前処理、カットアルゴリズム、デコードなどの複数の側面が含まれます。

クールな自動運転車、人間と機械のコラボレーションによるインテリジェントな顧客サービス、自動評価や手書き認識など、これらの AI アプリケーションは、クラウド コンピューティングによって提供される高品質のデータ分析プラットフォームと安定した技術サポートと切り離せません。現在、人工知能の応用シナリオはますます豊富になってきています。人工知能の急速な導入は、クラウド コンピューティングのサポートと切り離せません。人工知能を「クラウド」に統合することは避けられないトレンドです。来年の TIC カンファレンスでは、さまざまな業界からの AI 実践経験の共有がさらに見られるようになると思います。一緒に楽しみに待ちましょう！

[51CTO オリジナル記事、パートナーサイトに転載する場合は、元の著者とソースを 51CTO.com として明記してください]