Yapay Zeka (Artificial Intelligence)
Artificial Intelligence for Things (AIoT)
Last updated
Was this helpful?
Artificial Intelligence for Things (AIoT)
Last updated
Was this helpful?
Bu konuda çok yazılıp çiziliyor. O nedenle konuyla ilgili güncel bilgiler üzerine ve temel konulara değinmeye çalışmak daha doğru olacak gibi duruyor.
Bu konuda herkes Nvidia firmasına alternatif olabilmek için çalışıyor görünüyor. Başlangıçtan beri Nvidia GPU ile yarışta iken Volta mimarisiyle duyurduğu Tensor Core ile konumunu daha da güçlendirmeye devam ediyor. Google Tensor Processing Unit (TPU) ile yarışa katılırken, Intel firması Xeon Scalable serisinde geliştirdiği 512-bit (2⁹) wide “Fused Multiply Add (FMA) komut setleriyle yer edinmeye çalışıyor. AVX-512 şeklinde de daha detaylı araştırabilirsiniz. ARM firması da ETHOS serisi çözümüyle bu alana eğilmeye başlamış görünüyor.
Daha açıklayıcı bilgiler için alttaki iki makalenin konusunu incelemenizde fayda görüyorum.
Makale de Xeon Scalable işlemcilerin her soketinden 3.57 TFLOPS[B] (FP32) ve up to 5.18 TOPS (INT8) işlem gücü elde edilebildiğini belirtiyor. Bir anakartta da en fazla 8 soket olabildiğinden 41.44 TOPs işlem gücüne sahip olmuş olunuyor. Tabii bu soketlerin birbirleri arasında veri alış verişi problemini de göz ardı etmemek gerekiyor.
Intel, Şubat 2020 de aldığı kararla Nervana (Nervana NNP-T training chips and the Nervana NNP-I inference chips) sonlandırıyor. Zaten daha öncesinde Habana firmasını satın almışlardı. İki farklı ürünle bu sektörde ilerlemeyi mantıklı bulmamış olsa gerekki sonlandırma kararı almışlar.
Habana Gaudi (training chip) and the Habana Goya (inference chip)
Bu chipler benchmarklarda daha performanslı çıkmış ve Intel den önce piyasada oldukları için Nervana sonlandırılmış görünüyor.
Birazda sunulan araçlardan bahsetmek faydalı olabilir. Bu konuda Intel openVINO için alttaki makaleden faydalanılabilir.
Hazırda bulunan modelleriniz için model iyileştirme tekniklerini olan Katmanları birleştirme (Fusion), kesinlikten tavız verme(Quantization), katmanları dondurma(Freezing) kullanarak modelinizi iyileştirmenize yardımcı olabilecek araçlar içeriyor görünüyor.
Aynı arkadaşın Edge Computing (Edge AI) konularında basit anlaşılır yazısına da bakmakta fayda var. Gerçekten de gelişen işlem gücü ve artan işlenecek veri sebebiyle sunucu yükünü azaltmak, artan network trafiğini azaltmak önemli olmaktadır. IoT ile artan veri miktarının sunucu tarafında çözülemeyeceği gerçeğine de değindiği yazısında kısacası verinin üretildiği yerde tüketilmesi prensibi bir sonucu olarak bu gelişimleri görebiliriz.
ÖRNEK:
Kullanıcılarınız ilk ziyaretlerinden ne kadar süre sonra ilk ürünlerini satın alıyor?
Kullanıcıların alışverişe en çok devam ettikleri ve alışverişten en çok vazgeçtikleri ürünler hangileridir?
Kaydolmanın en uygun ve hızlı yolu nedir?
En iyi müşterileri hangi kanallar getiriyor?
Alışveriş yapan müşteriler için ilk / son temas noktaları nelerdir?
2 haftadan önce kaydolan fakat hiç alışveriş yapmamış olan kullanıcıların göz attığı ürünler?
Geçen yılbaşı sezonunda kaydolmuş kullanıcıların yüzde kaçı hala satın alıyor?
Hangi kullanıcılar sepete ürün ekledikleri halde alışverişi tamamlamadı?
Hangi ürünlerde daha düşük dönüşüm vardır?
İlerisi aşamalarda veri ambarları içeren mimarilere ihtiyaç duyulacaktır.
Büyük veri üzerinde paralel işlem yapmaya yarayan bir kütüphanedir. Açık kaynak kodludur. Scala dili ile geliştirilmiştir.
Söylenecek şeyler daha bitmedi.. Bu yazı güncellemelerle geliştirilecek...
