La organización de investigación de inteligencia artificial, OpenAI publicó recientemente un informe que muestra que la cantidad de energía necesaria para entrenamientos en los sistemas más grandes de aprendizaje automático ha aumentado 300,000 veces desde 2012. Debido a que los resultados de aprendizaje automático mejoran cuando se les proporcionan recursos informáticos adicionales, probablemente veremos incluso mayores demandas de infraestructura de silicio para obtener mejores resultados.

Las empresas utilizan cada vez más el aprendizaje automático para automatizar problemas complejos y tareas analíticas.

Pero la investigación de OpenAI muestra que hay un desafío clave por delante: ¿cómo pueden las empresas construir la infraestructura que necesitan para producir los resultados comerciales que desean cuando los requisitos técnicos siguen cambiando?

Mantenlo simple

En primer lugar, las empresas deben tratar de encontrar el algoritmo menos complicado necesario para resolver el problema comercial. Mientras que las redes neuronales masivamente complicadas son la furia en el campo del aprendizaje automático en este momento, muchos problemas son fácilmente abordados por técnicas menos involucradas. Por ejemplo, las competiciones de ciencia de datos en Kaggle a menudo son ganadas por árboles de decisión impulsados ​​por gradiente en lugar de redes neuronales profundas.

Sea inteligente con la infraestructura física

Segundo, las empresas deben comprar solo el hardware que necesitan para cumplir con los requisitos de sus cargas de trabajo de aprendizaje automático. Esto puede parecer obvio, pero es especialmente importante en este caso porque los vendedores de silicio están cambiando rápidamente lo que venden para satisfacer las necesidades de este mercado relativamente nuevo.

Considere la nueva arquitectura Volta de Nvidia, que incluye aceleración dedicada para tareas de aprendizaje automático.

Use fundaciones establecidas

Antes de siquiera intentar aprovisionar grandes cantidades de silicio, las empresas deberían estandarizar en uno o dos de los marcos de código abierto populares que ayudan con el desarrollo y la implementación de modelos de aprendizaje automático.

El TensorFlow de Google parece ser una apuesta segura, dada su popularidad en el espacio de código abierto, pero hay muchas otras opciones con patrocinadores de alto perfil, como Cognitive Toolkit de Microsoft (CNTK), PyTorch (utilizado por Facebook) y Apache. MXNet (marco preferido de Amazon).

¡No te pierdas nuestra pagina de Facebook!!