AI: Cómo la infraestructura que ya tiene puede proporcionarle lo que necesita

Reduzca el riesgo de la AI y las barreras que le impiden acceder al mercado con la infraestructura existente.

La respuesta exacta a cuánto aprendizaje automático y profundo puede ayudarle a obtener más de sus datos depende de los ejemplos de uso implicados. También depende de las ganas que tenga su organización de experimentar.

Sin embargo, aunque cada organización se encuentre en una etapa diferente de su proceso de inteligencia artificial (AI), los riesgos de experimentar son bajos si aprovecha su infraestructura existente para comenzar. Para ayudarle, Intel ha optimizado una gran cantidad de marcos de trabajo de aprendizaje profundo populares para que se ejecuten en la arquitectura Intel®, como TensorFlow*, Theano* y muchos más.

Además, Intel creó BigDL para llevar el aprendizaje profundo al big data. Se trata de una biblioteca de aprendizaje profundo distribuido para Apache Spark* (DL Library for Apache Spark*) que puede ejecutarse directamente encima de los clústeres existentes de Spark o Apache Hadoop* y permite a sus equipos de desarrollo escribir aplicaciones de aprendizaje profundo como programas Scala o Python.

BigDL utiliza Intel® Math Kernel Library (Intel® MKL) y programación con hilos múltiples en todas las tareas de Spark. Esto ayuda a conseguir un elevado rendimiento, mejorando el rendimiento del aprendizaje profundo en comparación con Torch* o TensorFlow de código abierto preconfigurados en un procesador Intel® Xeon® de un único nodo.

Los riesgos de experimentar con la AI son más bajos porque las organizaciones pueden utilizar su infraestructura del centro de datos existente para comenzar.

Tres ejemplos de uso que han afectado a casi todas las industrias

Intel cree que hay tres áreas clave en las que las empresas experimentan con la AI en su infraestructura del centro de datos actual: el reconocimiento de imágenes, el procesamiento de lenguaje natural (PLN) y el mantenimiento predictivo. Y cuando llegue el momento de escalarlos, aprovechar los marcos de trabajo de código abierto en la arquitectura del centro de datos existente puede marcar una gran diferencia a la hora de simplificar la adopción de la AI en toda la empresa.

1) Reconocimiento de imágenes

Las aplicaciones de reconocimiento de imágenes se implementan en la actualidad con fines de control de calidad (para identificar los defectos de los productos) y seguridad (para escanear rostros y matrículas de vehículos), así como en la asistencia sanitaria (para identificar tumores).

Un desafío común que afrontan las empresas es contar con datos suficientes para formar a los algoritmos de clasificación y reconocimiento de imágenes. Preprocesar las imágenes puede suponer más de la mitad del tiempo total necesario para llegar a la solución. Los procesadores Intel® Xeon® respaldan las aplicaciones para el aumento de datos con el fin de superar este desafío. Estas aplicaciones rotan y escalan las imágenes, además de ajustar los colores, por lo que se requieren menos imágenes para entrenar de un modo eficaz los algoritmos de reconocimiento de imágenes (dependiendo del ejemplo de uso).

Las CPU sobresalen en la gestión de las cargas de trabajo de aumento de datos gracias a su eficiencia energética y su elevado ancho de banda de memoria (hasta 100 GB). Esto es especialmente cierto en la familia de procesadores escalables Intel® Xeon®, que recibe el impulso del conjunto de instrucciones Intel® Advanced Vector Extensions 512 (Intel® AVX-512).

Las CPU sobresalen en la gestión de las cargas de trabajo de aumento de datos, gracias a su eficiencia energética y su elevado ancho de banda de memoria (hasta 100 GB).

2) Procesamiento de lenguaje natural

Los asistentes virtuales activados por voz no solo procesan de un modo preciso las solicitudes, sino que también comprenden la naturaleza de las consultas para mejorarse a sí mismos constantemente. De igual modo, los sistemas que pueden procesar las grabaciones del centro de llamadas o los formularios escritos a mano transforman la experiencia y la satisfacción de los clientes, un tesoro escondido de conocimientos ocultos que puede utilizarse para identificar quejas comunes o resolver los problemas de los clientes más rápidamente.

El PLN utiliza una técnica llamada red neuronal recurrente (RNR) y la memoria a corto y largo plazo (LSTM por sus siglas en inglés). Cuando se procesan los bucles y las dependencias que caracterizan estas operaciones, el conjunto de instrucciones Intel® Advanced Vector Extensions 512 (Intel® AVX-512) también despliega todo su potencial.

3) Mantenimiento predictivo

El mantenimiento predictivo se diferencia del reconocimiento de imágenes y el PLN en que normalmente se basa en un volumen de datos mucho más bajo y los sensores que monitorizan las condiciones en el extremo son los que capturan la información. En teoría, debería tener lugar en el extremo tanta informática como sea posible antes de volver a la nube para el análisis o la toma de decisiones. La Barra de cómputo neuronal Intel® Movidius™, equipada con una VPU, se adapta de un modo ideal al desarrollo del aprendizaje profundo en el extremo.

Vea: La inteligencia artificial transforma cómo las organizaciones utilizan cada vez más el mantenimiento predictivo para respaldar la infraestructura crítica.

Comience con la AI hoy mismo

El rendimiento de la AI está impulsado por una combinación de informática, optimizaciones de software y ancho de banda de memoria del procesador. Independientemente de la etapa de su camino hacia la AI en la que se encuentre, la amplia gama de hardware y software de Intel ofrece un completo kit de herramientas para crear la arquitectura de implementación más rentable para las cargas de trabajo de la AI.

5 pasos para una prueba de concepto de la AI


Descubra cómo comenzar con una prueba de concepto de la AI.

Inteligencia artificial

Las soluciones con tecnología Intel ayudan a las empresas a acelerar las soluciones, automatizar las operaciones y mejorar los conocimientos.

Más información

La anatomía de una prueba de concepto de la AI

Descubra qué hace que una prueba de concepto de la AI sea eficaz.

Ver la infografía