В нашей предыдущей статье Как достичь оптимальной производительности: оптимизация кода в экосистеме ИИ мы рассмотрели ценность оптимизации кода в экосистеме ИИ и способы оптимизации кода модели машинного обучения. Оптимизация кода имеет решающее значение для повышения производительности моделей машинного обучения и решений ИИ. Скорость прогнозирования — это один из важнейших показателей производительности, который может улучшить оптимизация кода, а в быстро меняющемся деловом мире скорость — это деньги. В этой статье обсуждаются четыре случая, когда скорость модели машинного обучения может иметь решающее значение для бизнеса, и оптимизация кода играет роль в достижении этого.

Использование выгодных торговых возможностей перед конкурентами

Благодаря способности анализировать большой и разнообразный объем информации модели на основе машинного обучения используются в трейдинге для принятия более точных и быстрых решений. Наша статья Искусственный интеллект для хедж-фондов: как машинное обучение и оптимизация кода могут увеличить альфу? подробно обсудили полезные применения ИИ в трейдинге. Благодаря оптимизации модели машинного обучения могут работать быстрее, генерируя торговые решения быстрее. Сообщается, что преимущество в одну миллисекунду может стоить 100 миллионов долларов в год в трейдинге. Это подчеркивает ценность скорости в модели машинного обучения.

Улучшение качества обслуживания клиентов для снижения оттока

Большинство потребителей сейчас по умолчанию используют цифровые каналы для взаимодействия с бизнесом. В то время как веб-сервисы и мобильные приложения могут сделать бизнес, его продукты и услуги более привлекательными для клиентов, некачественная цифровая поддержка также может легко оттолкнуть клиентов. Исследование Booking.com показало, что примерно увеличение задержки на 30 % снижает коэффициент конверсии более чем на 0,5 %. Падение конверсии приводит к снижению дохода и может привести к потере миллионов прибыли. Чтобы пользователь почувствовал, что система реагирует мгновенно, в идеале система должна отображать время отклика 0,1 секунды. Оптимизация кода и модели гарантирует, что приложения ИИ соответствуют этим идеальным показателям производительности, предоставляя пользователям беспроблемный опыт, что приводит к большему удержанию клиентов и снижению оттока.

Принятие жизненно важных решений

Новые приложения искусственного интеллекта для автономных транспортных средств и здравоохранения не только новаторские, но и позволяют принимать жизненно важные решения. В рамках недавно запущенного проекта In the Moment (ITM) Агентство перспективных исследовательских проектов Министерства обороны США (DARPA) стремится разработать системы искусственного интеллекта, которые принимают важные решения в быстро меняющихся, неопределенных условиях и не имеют наземной истины. ». Например, при медицинской сортировке из-за ограниченности ресурсов медицинские работники должны решать, каким пациентам неотложной помощи отдавать приоритет, исходя из летальности их болезни или травмы. Решения ИИ, используемые в таких критических ситуациях, должны быстро демонстрировать надежные результаты. Задержка в системах, которые принимают решения в режиме реального времени, может нанести серьезный вред и серьезно подорвать доверие к системе. В 2016 году Tesla на автопилоте врезалась в белый грузовик, не распознав его по цвету. Столкновение вызвало большие сомнения в безопасности беспилотных транспортных средств. Такие инциденты подтверждают важность скорости и точности моделей машинного обучения в системах ИИ. Оптимизированные модели машинного обучения способны снизить неэффективность жизненно важных приложений ИИ, позволяя быстрее принимать более точные решения.

Повышение производительности пограничных устройств

Пограничные устройства становятся обычным явлением в различных отраслях, включая камеры безопасности, дроны и носимые устройства. Пограничные устройства и Интернет вещей (IoT) обеспечивают большую масштабируемость, доступность и скорость, что делает их чрезвычайно полезными для бизнеса. В этих устройствах все чаще используется больше аналитических функций, особенно для уменьшения задержки при принятии решений. Например, данные могут обрабатываться на самом периферийном устройстве, чтобы снизить риски, связанные с уменьшением пропускной способности сети. Однако, поскольку граничные устройства обычно имеют ограничения по памяти и мощности, оптимизация кода может использоваться для повышения производительности модели машинного обучения в соответствии с требованиями целевых устройств. Это приведет к своевременному и точному анализу, что позволит предприятиям наилучшим образом использовать периферийный ИИ.

Чтобы изучить потенциал оптимизации кода и его промышленного применения, TurinTech провела обширные исследования в этой области. Наша команда экспертов имеет более чем 10-летний опыт исследований в области оптимизации кода. Исследования TurinTech показали, что оптимизация кода может привести к улучшению времени выполнения до 46 %, снижению потребления памяти на 44,9 % и улучшению использования ЦП на 49,7 %, что приводит к повышению скорости моделей машинного обучения, и в целом более высокая производительность приложений ИИ. Ключевым исследовательским приложением TurinTech является его платформа evoML, которая включает в процесс обработки данных многоцелевую оптимизацию и оптимизацию кода. С помощью evoML предприятия могут легко создавать быстрые и эффективные модели машинного обучения, используя возможности ИИ для увеличения прибыли.

об авторе

Малити Алахапперума | Технический писатель TurinTech

Исследователь, писатель и педагог. Любопытно, что происходит на стыке технологий и гуманитарных наук. Любит читать, готовить и исследовать новые города.

Первоначально опубликовано на https://turintech.ai 20 июля 2022 г.