不出所料，人工智能(AI)和機(jī)器學(xué)習(xí)(ML)應(yīng)用已對(duì)社會(huì)產(chǎn)生影響。我們每天涉及的許多行業(yè)，例如銀行，金融服務(wù)和保險(xiǎn)(BFSI)以及數(shù)字化醫(yī)療保健，都可以從AI和ML應(yīng)用程序中受益，以幫助他們優(yōu)化關(guān)鍵任務(wù)操作并實(shí)時(shí)執(zhí)行功能。

BFSI部門是AI和ML功能的早期采用者。正在實(shí)施自然語(yǔ)言處理(NLP)，以實(shí)現(xiàn)個(gè)人可識(shí)別信息(PII)隱私合規(guī)性，聊天機(jī)器人和情感分析;例如，挖掘社交媒體數(shù)據(jù)以進(jìn)行承保和信用評(píng)分，以及進(jìn)行投資研究。預(yù)測(cè)分析評(píng)估哪些資產(chǎn)將產(chǎn)生最高的回報(bào)。其他AI和ML應(yīng)用程序包括將紙質(zhì)文檔數(shù)字化和通過(guò)大量文檔數(shù)據(jù)庫(kù)進(jìn)行搜索。此外，異常檢測(cè)和規(guī)范分析已成為BFSI網(wǎng)絡(luò)安全部門用于欺詐檢測(cè)和反洗錢(AML)的關(guān)鍵工具。1個(gè)

尋找大流行解決方案的科學(xué)家在很大程度上依賴于醫(yī)療保健應(yīng)用程序中的數(shù)據(jù)采集，處理和管理。他們正在轉(zhuǎn)向AI，ML和NLP來(lái)跟蹤和控制，并獲得對(duì)該疾病的更全面的了解。AI和ML的應(yīng)用包括開(kāi)發(fā)疫苗的醫(yī)學(xué)研究，跟蹤疾病的傳播，評(píng)估干預(yù)的效果，在社交媒體中自然語(yǔ)言處理以了解對(duì)社會(huì)的影響等。2

處理數(shù)據(jù)雪崩

BFSI應(yīng)用程序(例如欺詐檢測(cè)，AML應(yīng)用程序和聊天機(jī)器人)或健康應(yīng)用程序(例如跟蹤大流行)的燃料是包含大量結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的決策支持系統(tǒng)(DSS)?？傮w而言，專家預(yù)測(cè)，到2025年，全球?qū)a(chǎn)生79萬(wàn)億GB的數(shù)據(jù)。3大量的數(shù)據(jù)使基于標(biāo)量的高性能計(jì)算機(jī)難以有效地為其預(yù)期應(yīng)用運(yùn)行DSS的數(shù)據(jù)挖掘(DM)。事實(shí)證明，功能更強(qiáng)大的加速器卡(例如，由優(yōu)化的中間件支持的矢量處理引擎)可以有效地處理企業(yè)數(shù)據(jù)湖以填充和更新數(shù)據(jù)倉(cāng)庫(kù)，從中可以將有意義的見(jiàn)解提供給預(yù)期的決策者。

向量處理器的復(fù)興

目前，矢量處理正在復(fù)蘇，由于成本原因，矢量處理以前被保留給世界上最強(qiáng)大的超級(jí)計(jì)算機(jī)使用。向量處理架構(gòu)正在不斷發(fā)展，以使用更少的功率以更小，更便宜的外形提供超級(jí)計(jì)算機(jī)性能，并且它們開(kāi)始超過(guò)主流AI和ML應(yīng)用的標(biāo)量處理。這導(dǎo)致它們成為高性能計(jì)算應(yīng)用程序中的主要計(jì)算引擎，從而將標(biāo)量處理器釋放給其他關(guān)鍵任務(wù)處理角色。

當(dāng)對(duì)某些類型的大型數(shù)據(jù)集進(jìn)行操作時(shí)，矢量處理具有優(yōu)于標(biāo)量處理的獨(dú)特優(yōu)勢(shì)。實(shí)際上，矢量處理器的速度可以比標(biāo)量處理器快100倍以上，尤其是在處理大量ML應(yīng)用程序典型的統(tǒng)計(jì)數(shù)據(jù)和屬性值(例如稀疏矩陣運(yùn)算)時(shí)。

雖然標(biāo)量處理器和矢量處理器都依賴指令流水線，但是矢量處理器不僅對(duì)指令流水線，而且對(duì)數(shù)據(jù)流水線，這減少了“先取后解碼”步驟的數(shù)量，進(jìn)而減少了解碼的周期數(shù)。為了說(shuō)明這一點(diǎn)，請(qǐng)考慮圖1所示的簡(jiǎn)單操作，其中將兩組10個(gè)數(shù)字加在一起。使用標(biāo)準(zhǔn)編程語(yǔ)言，這是通過(guò)編寫一個(gè)循環(huán)來(lái)執(zhí)行的，該循環(huán)依次獲取每對(duì)數(shù)字并將它們加在一起(圖1a)。

當(dāng)由矢量處理器執(zhí)行時(shí)，此任務(wù)僅需要兩次地址轉(zhuǎn)換，并且“獲取和解碼”僅執(zhí)行一次(圖1b)，而不是標(biāo)量處理器所需的10次(圖1a)。而且由于矢量處理器的代碼較小，因此可以更有效地使用內(nèi)存。現(xiàn)代矢量處理器還允許同時(shí)執(zhí)行不同類型的操作，從而進(jìn)一步提高了效率。

為了將向量處理功能帶入比科學(xué)方法更不復(fù)雜的應(yīng)用程序中，可以將向量處理器與標(biāo)量CPU結(jié)合使用，以產(chǎn)生“向量并行”計(jì)算機(jī)。該系統(tǒng)包括一個(gè)標(biāo)量主機(jī)處理器，一個(gè)運(yùn)行LINUX的矢量主機(jī)以及一個(gè)或多個(gè)矢量處理器加速器卡(或矢量引擎)，從而創(chuàng)建了一個(gè)異構(gòu)計(jì)算服務(wù)器，非常適合廣泛的AI和ML工作負(fù)載以及數(shù)據(jù)分析應(yīng)用程序。在這種情況下，主要的計(jì)算組件是矢量引擎，而不是主機(jī)處理器。這些矢量引擎還具有獨(dú)立的內(nèi)存子系統(tǒng)，以提高系統(tǒng)效率，而不是依靠主機(jī)處理器的直接內(nèi)存訪問(wèn)(DMA)來(lái)通過(guò)加速卡的I / O引腳路由數(shù)據(jù)包。

軟件事項(xiàng)

處理器的性能僅與交付給它們的編譯器和軟件指令一樣好。理想情況下，它們應(yīng)基于行業(yè)標(biāo)準(zhǔn)的編程語(yǔ)言，例如C / C ++。對(duì)于AI和ML應(yīng)用程序開(kāi)發(fā)，有幾種可用的框架，并且還有更多新興的框架。設(shè)計(jì)良好的矢量引擎編譯器應(yīng)同時(shí)使用行業(yè)標(biāo)準(zhǔn)的編程語(yǔ)言和開(kāi)源的AI和ML框架，例如TensorFlow和PyTorch。應(yīng)該使用成熟的框架(例如Apache Spark和Scikit-Learn)對(duì)數(shù)據(jù)庫(kù)管理和數(shù)據(jù)分析采取類似的方法。這種軟件策略允許將舊代碼無(wú)縫遷移到矢量引擎加速卡。此外，通過(guò)使用消息傳遞接口(MPI)來(lái)實(shí)現(xiàn)分布式處理，

結(jié)論

AI和ML正在推動(dòng)計(jì)算的未來(lái)，并將在未來(lái)繼續(xù)滲透更多的應(yīng)用程序和服務(wù)。這些應(yīng)用程序部署中的許多部署將在較小的服務(wù)器群集中實(shí)現(xiàn)，甚至可能在單個(gè)機(jī)箱中實(shí)現(xiàn)。要實(shí)現(xiàn)這一壯舉，需要重新審視AI技術(shù)和異構(gòu)計(jì)算的整個(gè)領(lǐng)域。具有高級(jí)流水線功能的矢量處理器是一項(xiàng)很久以前就證明過(guò)的技術(shù)。向量處理與針對(duì)并行流水線進(jìn)行了優(yōu)化的中間件相結(jié)合，降低了新的AI和ML應(yīng)用程序的進(jìn)入壁壘，并且將解決當(dāng)今和未來(lái)的挑戰(zhàn)，這些挑戰(zhàn)曾經(jīng)是超大規(guī)模云提供商所無(wú)法實(shí)現(xiàn)的。

標(biāo)簽： AI ML應(yīng)用程序