当前位置:首页 > 机器学习
  • 如何选择边缘AI设备

    边缘计算在当下是最受关注的技术趋势之一。随着这一趋势的热度高涨,也许您认为是时候投资智能边缘技术,并发展物联网网络了。但是,在您决定采购新兴边缘设备之前,让我们先讨论一下到底何为边缘计算、边缘计算的作用以及您的应用是否能够受益于边缘技术。边缘计算可以大幅提升物联网网络的灵活度、速度和智能化程度,然而边缘AI设备并不是应对智能网络应用所有挑战的灵丹妙药。在帮助您确定边缘技术是否适合您的应用之后,本文将探讨购买边缘AI设备时应注意的主要功能和注意事项。 何为边缘计算? 边缘计算将物联网带入了另一个阶段。在边缘处,原始数据能够实时转化为价值。通过在整个网络中重新分配数据处理工作,边缘计算使网络节点、端点和其他智能设备的重要性得以提升、管理得以完善。 边缘计算可以说是云计算的反面。云计算时,数据中心将集中处理从分布式网络流入的数据,并将运算结果传输回分布式网络,以触发操作或实现更改。然而,远距离传输大量数据需要考虑金钱和时间成本,以及功率消耗。 这正是边缘计算的用武之地:当功率、带宽和网络延迟问题至关重要时,边缘计算或是解决之道。应用集中式云计算时,数据在得到处理前可能需要传输数百公里,而边缘计算可以在抓取、创建或保存数据的同一网络边缘位置处理数据。这意味着边缘计算的处理延迟几乎可以忽略不计,对功耗和带宽的要求通常也会大幅降低。 当今边缘计算发展的主要推动力之一是半导体制造商,因为半导体的进步能够让芯片在不大幅增加功耗的情况下提高处理能力。位于边缘的处理器可以在不消耗更多功率的情况下,对所获取的数据进行更多处理。这样一来,更多的数据就可以留在边缘,而无需传输到核心。因此,边缘计算不仅可以降低系统总功耗,还能缩短响应时间并更好地保护数据隐私。 人工智能(AI)和机器学习(ML)等技术也受益于边缘计算:它们也需要在提高数据隐私安全性的同时降低数据获取成本,而这些都可以通过边缘处理来解决。传统上,AI和机器学习等技术需要海量资源才能运行,远非端点或智能设备通常可提供的量级。然而如今,硬件和软件的进步有可能把这些赋能技术嵌入到网络边缘更小型、资源更受限的设备中。 评估边缘AI 在选择能够执行边缘处理并运行AI算法或机器学习推理引擎的平台前,必须进行仔细评估。简单的传感器和执行器,甚至需要在物联网中应用的传感器和执行器,都可以通过较小的集成设备来实现。提高边缘执行处理量需要一个更强大的平台,并应用高度并行化的架构。这通常意味着需要使用图形处理器(GPU),但是如果平台过于强大,也会给网络边缘有限的资源带来负担。 此外,边缘设备从根本上来说是现实世界的一个接口,因此需要兼容一些如以太网、GPIO、CAN、串行和/或USB等常见接口技术,并支持如摄像头、键盘和显示器等外围设备。 与环境因素可控的数据中心相比,边缘环境可能截然不同:边缘设备可能会暴露在极端的温度、湿度、振动,甚至高原环境中。这些因素将影响设备选择及其包装或安装的方式。 还需考虑的另一重要方面是法规要求。任何使用射频(RF)进行通信的设备都会受到法规的管制,并且可能需要获得许可才能使用。某些平台能够“开箱即用”,但其他平台可能需要投入更多精力。平台一旦投入使用,就不太可能进行硬件升级,因此在设计平台时就应谨慎确定其处理能力、内存和存储,为将来的性能提升留出空间。 这其中就包括软件升级。与硬件不同,软件更新部署在设备不在现场的情况下也可实现。如今,这种无线更新(OTA)方式非常普遍,未来大多边缘设备都可能支持OTA更新。 要想选对解决方案,需要仔细评估以上所有要点,并符合应用的特定需求。设备是否需要处理视频数据或音频?它仅需要监测温度,还是也需要监测其他环境指标?它是否需要始终处于开启状态,还是会长时间休眠?它会被外部事件触发吗?上述大部分要求适用于部署在边缘的所有技术,但是随着客户对处理水平和产出的期望提高,需求清单也有必要随之扩展。 边缘计算的优势 从技术上讲,现在AI和机器学习可以被应用于边缘设备和智能节点中,这将带来重大的机遇。这意味着处理引擎不仅离数据源更近,而且可以利用所收集的数据,开展更多的工作。 边缘计算的优点着实不少。首先,它能够提高其使用数据的生产率或效率。其次,由于需要移动的数据较少,边缘计算能够简化网络架构。第三,它使设备与数据中心的邻近性变得不那么重要。如果数据中心位于城市中心并离执行任务的地点很近,那么最后一点似乎无足轻重,但是如果网络边缘位于如农场或水处理工厂等遥远的地点,边缘计算就会带来很大的不同。 数据在互联网上飞速移动。当得知自己的搜索结果可能绕了地球两圈才显示在屏幕上,多数人可能会感到惊讶,因为总耗时可能只有几分之一秒,这对我们来说只是弹指瞬间。但是,对组成互联、智能且通常是自主的传感器和执行器和其他智能设备而言,每秒钟都像一小时。 这种往返延迟是实时系统的制造商和开发者需要重视的问题。数据往返于数据中心的耗时并非无关紧要,也肯定不是瞬时的,而缩短延迟就是边缘计算的关键目标。边缘计算能够与5G等速度更快的网络整合。但需要注意的是,随着越来越多的设备上线,网络提速也将无法解决累积的网络延迟问题。 据预测,到2030年,可能有多达500亿互联设备在线。如果每一台设备都需要通往数据中心的宽带,网络将一直堵塞。如果每台设备的操作都需要等待数据从上一阶段到达才能进行,总延迟很快就会变得非常明显。因此,边缘计算是缓解网络堵塞的唯一实用解决方案。 然而,尽管大多数应用都需要边缘计算支持,但其优势仍很大程度上取决于应用本身。边缘计算定律将帮助工程团队确定边缘计算是否适合某些特定应用。 边缘计算的四大定律 毋庸置疑,第一定律是物理定律。射频能量的优点是它能以光速传播,就像光纤网络中的光子一样。但缺点是它们无法更快速地传输。因此,如果射频能量的往返时间仍然较长,边缘计算可能更好的选择。 Ping测试提供了一种简单的方法来测量数据包在两个网络端点之间传输所需的时间。在线游戏通常托管在多台服务器上,游戏玩家需要对服务器进行ping操作,直至找到延迟最小的服务器,以实现最快速的数据传输。由此可见,即使十分之一秒对于时间敏感型的数据也十分关键。 网络延迟不只取决于传输机制。数据传输的两端都有编码器和解码器,物理层需要将电子转换为正在使用的某一能量形式,然后再将其转换回去。即使处理器以GHz级的速度运行,这一过程也需要时间,且移动的数据量越大,所需时间越长。 第二定律是经济学定律。该定律相对更为灵活,但是随着对处理和存储资源的需求猛增,其可预测性也越来越差。利润本就微薄,如果在云中处理数据的成本突然上升,就可能造成亏损。 云服务的成本包括购买或租用服务器、机架或刀片。成本高低可能取决于CPU内核数、所需的RAM或永久存储量、以及服务级别。相较于缺乏保障的服务,可以保障正常运营时间所需的服务成本会更高。网络带宽基本上是免费的,但是如果需要带宽始终保持某一标准,则将需要为此服务付费,在评估成本时需要考虑这一点。 话虽如此,边缘数据处理的成本不会大幅波动。一旦支付了设备的初始成本,在边缘处理任何数量数据的额外成本几乎为零。 数据有价值是由于其携带的信息。这就与第三定律有关,即土地定律。现在,任何捕获信息的人可能都需要遵守捕获数据所在区域的数据隐私法。这意味着即使您是数据设备的合法所有者,可能也不被允许跨地理边界传输该数据。 相关规定包括欧盟数据保护指令、通用数据保护条例(GDPR)和亚太经济合作组织隐私框架。加拿大的《个人信息保护和电子文件法》符合欧盟的数据保护法,而美国的《安全港安排》也显示了类似的合规性。 然而,边缘处理可以解决这一问题。通过在边缘处理数据,数据就无需离开设备。便携式消费设备的数据隐私变得越来越重要。手机上的面部识别使用本地AI来处理相机图像,因此数据永远不会离开设备。同样,闭路电视(CCTV)和其他安全监视系统使用摄像头来监控公共空间,图像通常需要经过基于云的数据服务器进行传输与处理,这就带来了数据隐私问题。通过边缘计算,数据就可在摄像头端直接处理,更快速安全,并有可能消除或简化对数据隐私措施的需求。 最后,我们要考虑墨菲定律,即如果某些地方可能出错,那么它终将出错。当然,即使最精心设计的系统也总有可能出错。通过网络传输数据、在云端存储数据并在数据中心处理数据的整个过程中可能会出现许多故障,而边缘处理可以避免冗长过程中可能出现的故障。 提出有关边缘计算的正确问题 即使您的应用能够受益于边缘处理技术,仍然有一些问题需要加以考量。以下是一些最为相关的问题: 1. 您的应用在哪种处理器架构上运行?将软件移植到不同的指令集上可能代价高昂并造成延迟,因此升级并不意味着要使用另一架构。 2. 您需要哪种I/O?这可以是任何数量的有线和/或无线接口。日后添加会导致效率低下,因此需要尽早确定。 3. 设备的运行环境如何?是极热、极冷还是两者兼而有之?火星任务是很好的“边缘处理”示例,其运行环境十分多变! 4. 您的硬件是否需要遵守法规或经过认证?答案几乎是肯定的,因此选择经过预认证的平台能够节省时间和成本。 5. 设备需要多大的功率?就单位成本和安装而言,系统功能非常昂贵,因此了解到底多少算“足够”非常重要。 6. 边缘设备是否受制于外形尺寸?与其他许多部署相比,这在边缘处理中更为重要,因此在设计周期的早期就应予以考虑。 7. 服务时长有多久? 设备将用于可能需要运行多年的工业应用,还是以月为单位衡量生命周期? 8. 就处理能力而言,系统性能要求是怎样的? 比如每秒的帧数?有哪些内存要求?应用使用什么语言? 9. 有成本方面的考量吗?这是一个棘手的问题,因为答案是肯定的,但是了解成本限制会有助于您做出选择。 结论 边缘处理体现自物联网,但还不止于此。其驱动力来自于比实现上述互联设备更高的期望。在基本层面上,设备可能需要低功耗低成本,但是现在还需要提供更高级别的智能操作,并且不影响功耗和成本。 选对技术合作伙伴,就能轻松选择合适的平台。凌华科技拥有广泛的边缘处理解决方案组合,并与众多提供互补技术的公司合作。欢迎加入边缘计算开发生态系统,我们将更好地助力您为AI应用选择合适的边缘计算平台。

    时间:2021-07-29 关键词: 人工智能 机器学习 云计算

  • Qeexo和意法半导体合作提供具备机器学习功能的运动传感器加快下一代物联网应用开发

    中国,2021年7月26日– Qeexo AutoML自动化机器学习(ML)平台的开发者Qeexo公司和服务多重电子应用领域的全球半导体领导者意法半导体宣布,意法半导体的机器学习核心(MLC)传感器已加入能够加快边缘设备tinyML微型机器学习模型开发的Qeexo AutoML平台。 意法半导体的MLC传感器本身就能大幅降低系统总体功耗,因为利用大量传感器数据开发的感知相关算法是运行在传感器上。Qeexo AutoML利用传感器数据为边缘设备自动生成高度优化的超低延时、超低功耗且内存占用率很小的机器学习解决方案。这些算法解决方案采用延长电池寿命的高效机器学习模型,克服了计算能力和存储容量因芯片尺寸而受到的限制。 Qeexo首席执行官Sang Won Lee表示:“Qeexo实现了最近我们与ST合作时所作的承诺,即在Qeexo AutoML上增加对ST机器学习核心传感器系列产品的支持。现在,我们与ST的合作让应用开发人员能够在ST的MLC传感器上快速创建和部署机器学习算法,而无需占用MCU时钟周期和系统资源,应用前景非常广阔,涵盖工业和物联网。” 意法半导体MEMS传感器部门总监Simone Ferri表示:“在Qeexo AutoML平台上增加ST的机器学习核心传感器,可以方便开发人员在低功耗应用中更快捷地导入嵌入式机器学习。我们在传感器(包括LSM6DSOX或ISM330DHCX)中引入MLC内核,可显著减少系统数据流量,减轻网络处理负担,将系统功耗降低几个量级,同时提供更强的事件检测、唤醒逻辑和实时边缘计算功能。”

    时间:2021-07-26 关键词: 物联网 意法半导体 机器学习

  • Cadence 推出革命性新产品Cerebrus——完全基于机器学习 ,提供一流生产力和结果质量,拓展数字设计领导地位

    内容提要 · Cerebrus 采用独特的机器学习ML技术,推动 Cadence RTL-to-signoff 实现流程,提供高达 10 倍的生产力,将设计实现 的 PPA 结果提高 20% · 采用可重复使用、可移植的增强学习模型,每次使用均可提高效率 · 与传统的人工设计过程相比,可实现更高效的本地和云计算资源管理 · 在多个工艺节点和多个终端应用中均可显著提高 PPA 和生产力,包括消费电子、超大规模计算、5G 通信、汽车电子和移动设备等 中国上海,2021年7月23日——楷登电子今日宣布推出 Cadence CerebrusTM Intelligent Chip Explorer——首款创新的基于机器学习 (ML)的设计工具,可以扩展数字芯片设计流程并使之自动化,让客户能够高效达成要求严苛的芯片设计目标。Cerebrus 和 Cadence RTL-to-signoff 流程强强联合,为高阶工艺芯片设计师、CAD 团队和 IP 开发者提供支持,与人工方法相比,将工程生产力提高多达 10 倍,同时最多可将功耗、性能和面积 (PPA) 结果改善 20%。 随着 Cerebrus 加入到Cadence广泛的数字产品系列中,Cadence现在可以提供业界最先进的基于机器学习的数字全流程,从综合到实现和签核。这款新工具与多个领先云服务商合作启用了云计算服务,可利用高度可扩展的计算资源,快速满足包括消费电子、超大规模计算、5G 通信、汽车和移动等广泛市场的设计要求。 Cerebrus 为客户带来以下优势: 增强的机器学习:快速找到工程师可能不会尝试或探索的流程解决方案,提高 PPA 和生产力。 机器学习模型复用:允许将设计学习经验自动应用于未来的设计,缩短获得更好结果的时间。 提高生产力:让一位工程师同时为多个区块自动优化完整的 RTL-to-GDS 流程,提高整个设计团队的工作效率。 大规模分布式计算:提供可扩展的本地或基于云的设计探索,实现更快的流程优化。 易于使用的界面:强大的用户管理工具,支持交互式结果分析和运行管理,以获得对设计指标的深入了解。 “在此之前,没有一种自动化的方式可以帮助设计团队来重复利用过去积累的设计知识,每个新项目都要花费过多的时间进行再次经验学习,这也会影响项目的盈利空间。”Cadence 公司资深副总裁兼数字与签核事业部总经理 Chin-Chi Teng 博士说,“Cerebrus 的面世标志着 EDA 行业迎来了一场颠覆性的革新,以机器学习为核心的数字芯片设计工具将让工程团队有更多机会在项目中发挥更大的影响力,因为他们可以告别重复性的手动流程。随着行业继续向先进工艺节点发展,设计规模和复杂性不断增加,Cerebrus 可以帮助设计人员更有效地实现 PPA 目标。” Cerebrus 是更广泛的 Cadence 数字全流程的一部分,可与 Genus™ Synthesis Solution综合解决方案、Innovus™ Implementation System设计实现系统、Tempus™ Timing Signoff Solution时序签核解决方案、Joules™ RTL Power Solution、Voltus™ IC Power Integrity SolutionIC电源完整性解决方案和 Pegasus™ Verification System 各个工具平台无缝集成合作,为客户提供快速的设计收敛和更好的可预见性。这款全新工具和更广泛的设计流程支持 Cadence 的智能系统设计(Intelligent System Design™)战略,该战略旨在驱动普适智能,实现卓越设计。 客户反馈 “为了最大化有效地使用最新的工艺节点创造新的设计,我们工程团队需要持续开发的先进数字设计实现流程。对于实现更高效的产品开发,设计实现流程能够自动优化已变得至关重要。Cerebrus 凭借其创新的机器学习能力,搭载 Cadence RTL-to-signoff 工具流程,能够提供自动化流程优化和布局规划优化,将设计性能提高 10% 以上。鉴于项目的成功经验,我们将在最新设计项目开发中采用该工具流程。” - Satoshi Shibatani,Renesas 共享研发 EDA 部门数字设计技术部总监 “随着 Samsung Foundry不断部署最先进的制程节点,非常有必要确保我们的设计技术协同优化 (DTCO) 计划高效进行,我们一直在寻找创新的方法,以便在芯片实现中超越 PPA 目标.作为我们与 Cadence 公司长期合作的一部分,Samsung Foundry 已经在多个应用中使用了 Cerebrus 和 Cadence 的数字设计实现流程。其中,在一些非常关键的模块上,仅用几天时间就降低了超过8%的功耗,而过去通过人工操作需要几个月才能实现。此外,我们正在使用 Cerebrus 进行自动布局规划电源分配网络选型,这使得最终设计时序提高了 50% 以上。由于 Cerebrus 和数字实现流程提供了更好的 PPA 结果和显著的生产力提升,该解决方案已成为我们 DTCO 计划的宝贵补充。” - Sangyun Kim,Samsung Foundry 设计技术副总裁

    时间:2021-07-23 关键词: 芯片 Cadence 机器学习

  • 淄博热力采用亚马逊云科技数据分析和机器学习服务 每年减少数十万吨碳排放

    2021年7月19日,山东省淄博市热力集团有限责任公司(简称淄博热力)多年来持续创新,将IT基础设施全面迁移到亚马逊云科技,通过采用亚马逊云科技中国区域(光环新网运营北京区域,西云数据运营宁夏区域)提供的数据分析和机器学习等先进的云技术和服务,开发了业内领先的智慧供热平台,在确保高品质供暖服务的情况下,将能源消耗降低30%,每年可以减少40万吨二氧化碳、1300吨二氧化硫和1130吨氮氧化物的排放,相当于节省了15万吨标准煤的消耗。 淄博热力是山东省淄博市的国有企业,为家庭用户和企业提供集中供热服务。为实现节能减排,同时更好满足客户对高效供热的需求,淄博热力不断创新,从一个传统的供热公司转型为一个智能化、数字化的供热服务提供商。 淄博热力使用了亚马逊云科技包括机器学习、数据分析和无服务器等在内的多种云服务。其中,通过使用Amazon SageMaker(一项完全托管的机器学习服务,可以帮助开发人员轻松构建、训练和部署机器学习模型)对供热场景进行机器学习建模,更好地了解用户的用热情况,并分析有关天气、建筑物维护和供暖使用效率等方面的数据,提前预测供暖需求,根据建筑结构、耗热率和环境因素,调整室内供暖策略,为居民住宅和企业办公场所精细地定制供暖计划,提高供热效率,确保用户在整个供暖季享受舒适的室温,同时实现节能减排。通过使用Amazon Redshift(一种云数据仓库),淄博热力可以自动整理数据,并把数据存储在云上,让查询数据更加快捷,将数据的管理成本降低10%,并可以更好地利用供热数据,改善公司供热工厂的运营表现。此外,淄博热力还使用包括Amazon Fargate在内的无服务器和容器服务,支持其智慧供热平台的运营。 淄博市热力集团有限责任公司党委书记、董事长汪德刚表示:“节碳减排是供热行业的一个重要目标。通过使用亚马逊云科技的机器学习和数据分析等云服务开发智慧供热平台,让我们成为了一家更高效、更绿色的供热公司。未来,我们将继续携手亚马逊云科技,实现智慧供热平台的标准化和产品化,为中国其他供热企业提供环保供热技术,推动供热行业的数字化、智能化发展,实现全行业的节碳减排。” 亚马逊云科技中国商用市场事业部总经理李晓芒表示:“在全球,亚马逊云科技为众多公共服务企业提供了他们所需的洞察力、敏捷性以及领先的云科技和服务,帮助其转变运营模式,提高客户满意度。我们很高兴能帮助淄博热力在亚马逊云科技上建立业内领先的智慧供热平台。我们期待着淄博热力在亚马逊云平科技上实现供热解决方案的商业化和规模化发展,减少供热行业的碳足迹,为中国在2030年前实现碳达峰目标做出贡献。”

    时间:2021-07-19 关键词: 数据分析 亚马逊云科技 机器学习

  • 凯捷中国与亚马逊云科技加强合作

    2021年7月9日,凯捷 (Capgemini)中国与亚马逊云科技加强合作,依托亚马逊云科技的云计算、物联网、机器学习、人工智能等前沿技术和服务,结合自身在不同行业内积累的丰富经验,针对中国特点开发了多个数字化解决方案,如会捷会务管理平台、RPA流程自动化机器人、凯捷TaaS(Test as a Service)平台等,广泛服务于汽车、零售快消、生命健康、互联网与高科技等行业。凯捷还拓宽了其SAP解决方案的数字云平台,以降低成本并消除客户实施SAP的复杂性。 凯捷是一家总部位于法国巴黎的全球性科技咨询和管理服务公司,在全球近50个国家拥有超过27万名员工,累计3000多员工获得亚马逊云科技专业认证。2012年凯捷成为亚马逊云科技核心级咨询合作伙伴,核心极也是亚马逊云科技全球范围内合作伙伴网络成员级别最高级。通过与全球云计算的开创者和引领者亚马逊云科技长达13年的全球合作,凯捷积累了超强的云服务能力,涵盖了从云咨询、评估、上云迁移到云上运维和托管服务等整个云生命周期的服务;同时,完成了从ERP服务、到完整IT服务、再到上云服务的第三次转型,将服务拓展到云上,帮助客户通过云技术和产品加速数字化转型与创新。 在中国,凯捷中国与亚马逊云科技于2017年开始合作,2019年双方达成战略合作伙伴关系。迄今为止,凯捷中国已获得包括迁移、SAP工作负载、IoT和金融等6项亚马逊云科技能力认证。 作为获得SAP工作负载能力认证的亚马逊云科技合作伙伴网络成员,凯捷拓宽了其SAP解决方案的数字云平台,以降低成本并消除客户实施SAP的复杂性。凯捷极光S/4 HANA 整体解决方案通过凯捷微服务中台(MSEP),打通SAP S/4 HANA 和Amazon IoT服务,实现了SAP和亚马逊云科技的技术集成,通过云端联动,帮助客户提升运营效率,推动企业的数字化和智能化转型。基于云端服务实现数据分析,无需在硬件投资和基本框架搭建方面花费时间和成本,软件开发时间从12个月降到了3个月,应用程序可用性达到99.999%。 针对医药行业,凯捷利用亚马逊云科技弹性拓展的技术特性和微服务容器的技术架构,量身定制了会捷会务管理平台。这套全流程、端到端的数字化会务管理系统支持移动办公,方便企业客户快速响应业务需求,同时规范了企业内部流程,满足合规性需求,最大限度降低风险。通过这一平台会议管理或推送的工作量降低了逾20%,大幅提高客户运营效率。 凯捷基于机器学习服务Amazon SageMaker开发的RPA流程自动化机器人,将在线事件记录为视频,然后由机器人进行合规性审查,准确率可达99%。以往靠人工检查只能覆盖总视频量的30%,而使用机器人可将所有视频都进行快速审核。与人工流程相比,工作量降低80%,大大提高了视频审核的有效性和准确率,降低了运行成本。目前该解决方案已在凯捷佛山业务流程交付中心使用。 凯捷TaaS(Test as a Service)平台是凯捷中国基于亚马逊云科技开发的测试服务平台,企业通过简单易用的云服务测试框架,即可实现云端所有应用的自动化测试和安全扫描,确认已开发应用的高效性、有效性和可靠性。通过这套平台部署和集成应用,可以实现提高应用的可用性,当发生宕机或者意外事件时,20分钟内即可自动恢复应用。同时,自动化测试能降低至少30%的传统手工测试的工作量。 凯捷为英国某豪华汽车品牌实施基于亚马逊云科技的集成平台服务,将车联网、车主APP等利用亚马逊云科技容器服务进行应用系统现代化改造,迁移和云托管运维等,并为其开发了一套集成管理服务系统,提供成本优化服务,两年后成本下降50%。 在人才培养方面,凯捷青年人才计划(JTP)携手亚马逊云科技,为初入职场的人员和大学生提供系统化的职业与云技术培训,包括亚马逊云科技特定领域的技术和业务培训,多维度拓展凯捷团队的云服务能力,并为中国的云计算人才培养添砖加瓦。

    时间:2021-07-13 关键词: 机器人 人工智能 机器学习

  • 独立半导体设备制造商ITEC借助高生产率的芯片组装系统缓解半导体短缺问题

    7月6日,荷兰奈梅亨,由飞利浦(现为Nexperia)于1991年创立的半导体设备制造商ITEC,今日宣布成为独立实体。ITEC仍然是Nexperia集团的一部分。通过此举,ITEC能够及时解决第三方市场的问题,满足对半导体的喷井式需求。ITEC致力为全球半导体制造商提供经久耐用的创新性制造解决方案。 ITEC一直处于半导体生产的前沿。总经理Marcel Vugts表示:“ITEC扎根于半导体制造领域,作为飞利浦、恩智浦和Nexperia的合作伙伴,我们将30多年来的自动化专业知识与最先进的设备结合起来。ITEC致力于将最新的技术和制程专业知识应用到量身定制的创造性解决方案中,我们的客户群使用的行业领先工具超过了2500个。我们能够助力客户在质量、生产率和可持续性方面处于领先地位,同时把总拥有成本降到最低。 目前,ITEC提供以下标杆性解决方案,从而实现先进的半导体后道制造: · 适用于裸片粘接和芯片测试的ADAT组装设备——最快速的组装设备,每秒处理的裸片数最多达20片,每个系统每天生产的芯片数达150万片。 · Parset测试平台——用于小信号器件和功率MOS器件的电气参数测试,速度高达每小时92,000片芯片。 · 用于半导体前道和后道制造的智能视觉检测系统,采用深度学习技术。 · 工厂自动化和智能制造——完整的设备控制软件套件,将计划、优化、可追溯性和分析功能组合在一起,利用“大数据”分析和机器学习技术,在大批量半导体制造中实现行业领先的工业4.0生产。 Vugts总结道:“在ITEC的历史上,通过使用我们生产的设备,分立式半导体器件的年产量已大幅提高,从1991年的45亿增加到2020年的900多亿,这意味着ITEC的设备平均每年为世界上的一位公民生产十个器件。随着当前全球芯片严重短缺及交货期的延长,ITEC现作为一家独立公司,有利于未来的发展,这使我们能够为行业的高速发展提供支持,并重新定义制造行业。”

    时间:2021-07-06 关键词: 芯片 大数据 机器学习

  • 法拉利选定亚马逊云科技作为官方云服务提供商,驱动其在公路和赛道上的创新

    1.利用亚马逊云科技的机器学习、大数据分析和计算能力,法拉利加速其公路跑车、耐力赛、法拉利挑战赛和法拉利F1车队的创新 2.根据法拉利F1车队的合作内容,亚马逊云科技的徽标将在法国大奖赛等比赛中在车身和赛车服上展现 3.双方将为红牛法拉利粉丝开发由亚马逊云科技驱动的全新数字互动平台,提供来自赛道的沉浸式体验和个性化内容 2021年7月5日,亚马逊云科技宣布,已经与全球领先的豪华高性能跑车制造商法拉利公司(Ferrari S.p.A.)达成协议,成为其官方的云计算、机器学习和人工智能服务供应商。双方将共同加快整个法拉利公司的创新步伐,涵盖公路车、GT耐力赛、法拉利挑战赛和法拉利F1车队。法拉利将利用亚马逊云科技广泛而深入的云服务,以及亚马逊云科技包括欧洲(米兰)区域在内的成熟的全球基础设施,优化汽车设计与测试,为客户提供激情澎湃的驾驶体验。法拉利车队还将利用亚马逊云科技推出粉丝互动数字化平台,通过移动应用提供专属和个性化内容,吸引全球数以亿计的粉丝参与互动。 法拉利F1车队领队Mattia Binotto表示:“法拉利和亚马逊云科技都代表各自领域的顶级水准。作为我们的官方云服务提供商,我坚信亚马逊云科技将帮助法拉利转型为数据驱动型企业,利用领先技术提升我们的产品,增强与全球法拉利爱好者的互动,不断提供更加令人兴奋的驾驶体验。我们选择亚马逊云科技,正是看中他们对创新的不懈关注、无与伦比的服务能力,以及支持汽车和体育行业合作伙伴的可靠经验。在我们辉煌的历史中,法拉利一直将赛车和创新作为核心,现在我们期待利用亚马逊云科技的机器学习、高级分析和高性能计算,能够获得更深入的洞察,带来更强大的汽车。" 作为世界上生产顶级性能汽车而闻名的制造商,法拉利未来将依托亚马逊云科技先进的大数据分析、机器学习、计算、存储和数据库能力,迅速获得汽车设计和公路及赛道性能的洞察。法拉利将利用包括一系列适用于高效高性能计算(HPC)专门实例类型的Amazon EC2弹性计算服务,运行复杂的仿真模拟来测试各种驾驶条件和赛车场景下的汽车性能。根据需求,法拉利将使用基于Amazon Graviton2自研处理器的实例,这些实例相比基于x86处理器的同类实例,性价比提高了40%。此外,依托亚马逊云科技可任意扩展的高性能计算资源,法拉利可以并发运行数千个仿真,获得洞察力的速度远远快于在本地基础架构上运行仿真。因此,法拉利工程师可以采用灵活的方法对新设计和策略进行试验,加快其创新步伐。 Amazon SageMaker机器学习服务可以帮助开发人员和数据科学家在云端和边缘快速创建、训练和部署机器学习模型,而当法拉利从仿真过渡到组装其新型公路车原型时,他们就应用亚马逊云科技的数据分析服务和Amazon SageMaker机器学习服务,为测试提供信息并深入了解零部件和整车在真实条件下的表现。为支持这项工作及其仿真,法拉利使用Amazon S3简单存储服务建立数据湖,并使用Amazon Lake Formation快速、安全地收集、编目和清洗数百PB的数据。法拉利将检查影响汽车性能和驾驶员操控的因素,如不同车速下的发动机温度、不同路面上的车辆振动模式,以及影响车辆抓地力的悬挂负载等。利用亚马逊云科技的服务,法拉利可以获得汽车性能的整体信息,从而为其客户交付更刺激、更安全和更可靠的驾驶体验。 法拉利还将利用亚马逊云科技使现有和潜在客户更容易配置、购买和维护汽车。使用Amazon EKS弹性Kubernetes服务和全托管键值数据库服务Amazon DynamoDB,法拉利将能够快速创建、部署和扩展先进的数字化应用,例如法拉利汽车配置器。消费者可以使用配置器定制选装,利用高分辨率的二维和三维可视化技术,获得沉浸式体验。亚马逊云科技还将支撑法拉利的车辆信息中心(Vehicle Information Hub),该中心负责客户车辆信息的集中管理,为客户提供服务与维护相关的前瞻性和个性化信息。 针对F1赛车迷,法拉利F1车队将使用亚马逊云科技的计算、容器和媒体服务,借助移动应用创建全新的粉丝互动数字化平台,为粉丝提供信息、教育和娱乐内容。粉丝创建个人档案后即可接收专属内容,例如在比赛日虚拟访问法拉利车队的车库和接待室。法拉利未来还计划基于亚马逊云科技建立虚拟和增强现实体验,让车迷“进入”车库,与车手和车队成员进行互动。法拉利还将在该应用程序中的数百万用户建立虚拟的粉丝社区,在比赛日通过移动应用提供小测验活动与粉丝互动。 亚马逊云科技销售和营销高级副总裁Matt Garman表示:"亚马逊云科技为法拉利这样的全球标志性品牌提供所需的广泛服务、洞察和敏捷性,使他们通过创新保持行业领导地位,加强与忠实客户和粉丝的联系。法拉利可以借助亚马逊云科技将其驾驶和赛车体验提升到新水平,同时通过更多的个性化和新型数字体验,在其全球社区中引燃新的兴奋点。更重要的是,作为法拉利的官方云服务提供商,我们期待帮助法拉利F1车队延续世界上最伟大赛车队的传奇纪录。”

    时间:2021-07-06 关键词: 处理器 亚马逊云 机器学习

  • 2021亚马逊云科技中国峰会将于7月21日上海开幕,云计算硬核盛会将分别在上海、北京、深圳三地举办

    在云计算圈子,每年在全球多个城市都会举行的亚马逊云科技峰会一向以分享知识干货为特色,被誉为是云计算领域风向标级活动。自2014年落地中国,今年已是亚马逊云科技峰会在中国举办的第八年。峰会将分别于7月21-22日在上海世博中心、8月19-20日在北京国家会议中心、9月15日在深圳大中华喜来登酒店举行。参会者将能线下参与盛会,和业界大咖及行业伙伴面对面交流。 后疫情时代全球企业加速云上重塑,云成为构建新格局的催化剂。今年,以“构建新格局重塑云时代“为主题,2021年亚马逊云科技中国峰会携手众多业内领先技术践行者,围绕云的趋势洞察以及亚逊云科技的创新技术,将带来多维视角的解读和分享。 首次开启两日议程内容远超往届 2021年亚马逊云科技中国峰会将首次在上海、北京分别开启两日日程,每站均有超过200场来自业内各领域的技术专家、行业领袖等嘉宾带来的精彩演讲。 据了解,峰会第一天将聚焦行业视野,与会者将了解亚马逊云科技在中国的业务战略深度解读、行业联盟和合作伙伴战略发布,并聆听由行业知名企业带来的案例分享;第二天峰会将聚焦技术创新,与会者将了解亚马逊云科技在混合云、智能湖仓、人工智能与机器学习、物联网等方面的最新技术动向以及聆听行业大咖的专业见解。 2021年亚马逊云科技中国峰会上海站日程 八大接地气行业分论坛汇聚多维视角 亚马逊云科技在全球有数百万活跃客户。在服务各行各业、各种规模、各种类型客户的过程中,亚马逊云科技能够第一时间了解到全球各个行业上云的最新趋势,并在不同的垂直行业都积累了端到端全产业链的丰富经验。 峰会设立了医疗、教育、汽车、制造、零售、金融、电商、游戏八大行业分论坛,以及专门为中国创业者定制的创业者之日、中国区域服务专场、跨国企业专场、跨境电商合作伙伴专场、数字营销合作伙伴专场,将从不同专业领域,为与会者带来不同行业视角的实践分享。与会者将能了解到各行业的技术趋势,有效结合本地特性、行业特点的案例能够给行业伙伴带去实操经验,而全产业链的案例分享,又能给大家带去基于整个行业变革的启发。 例如,面对疫情带来的挑战,数字技术如何加速科技抗击疫情,最新的技术如何安全、快速地开发更加精准、个性化的医疗诊断与治疗方案,人工智能如何帮助生命科学实现创新,在医疗分论坛上,与会者都将找到可供选择的解决方案;在教育分论坛上,与会者将了解亚马逊云科技如何在“产学研创”各领域与合作伙伴一起为教育行业赋能;在汽车分论坛上,也将对如何实现汽车电动化、网联化、智能化、共享化有进一步解读。 八大硬核技术分论坛开拓前瞻视野 此次大会的亮点之一来自于亚马逊云科技打造的技术分论坛,技术爱好者们将了解到最前瞻的硬核技术和实践创新。八大分论坛将覆盖云计算的各个细分领域,分别聚焦现代化应用、各有所专的15种数据库、大数据与智能湖仓、人工智能与机器学习、物联网与边缘计算、企业IT迁移上云、可信赖云基础架构、云上安全与合规等议题。 例如当下最热的机器学习领域,从低门槛的机器学习服务,到大规模的机器学习和开源框架,与会者将看到亚马逊云科技如何在各领域赋能不同类型的企业和构建者,加速人工智能和机器学习的普惠,驱动数字化变革。 千位合作伙伴跨界探索业务新潜能 在合作伙伴峰会上,千位合作伙伴将齐聚交流云计算实践,现场还有伙伴能力计划、助力独立软件开发商转型等各项发布。无论是咨询合作伙伴、系统集成商、独立软件开发商、托管服务提供商以及增值推广商等各类型的合作伙伴,还是寻求从咨询到交付的各阶段上云方案的从业者,或是探索区域、行业的各类方案的潜在伙伴,都能够从现场分享了解到全面而丰富的解决方案,从跨行业、跨阶段、跨领域的思想碰撞中,探索业务新潜能。 近万平米沉浸式展区还原14大技术应用场景 近万平米沉浸式展区将首次亮相峰会上海站,真实还原14大技术应用场景,让与会者沉浸体验未来城市的智慧生活。展区内还有超过200个行业与技术展示,半数以上来自亚马逊云科技合作伙伴与行业客户,分布在科技馆、跨境电商生态专区、数智媒体、云端体验、数智工厂、创新金融、数智教育、数智健康、数字营销、游戏乐园、开发者之家、云智出行等多个展区。 展区内还特别打造DeepRacer自动驾驶赛车场,在这里,各技能水平的参会者都可以通过基于云的 3D 赛车模拟器来训练强化学习的模型,并且通过这个模型驱动操作一个全自动 的1/18 比例DeepRacer赛车,以寓教于乐的方式体验机器学习的魅力。Amazon DeepRacer赛事是科技圈顶级自动驾驶赛事,这是Amazon DeepRacer自动驾驶线下赛事首次来到中国内地的峰会现场,参会者还可以在现场见证2021年大奖赛冠军诞生的激动时刻。 DeepRacer是基于云的 3D 赛车模拟器来操纵的1/18比例全自动驾驶赛车

    时间:2021-07-02 关键词: 亚马逊 机器学习 云计算

  • 亚马逊云科技和Salesforce扩大战略合作,统一开发者体验,推出全新智能应用

    全球云计算的开创者和引领者亚马逊云科技和头号CRM平台 Salesforce合作,将使开发者在Salesforce上原生地利用亚马逊云科技服务,安全地连接Salesforce和亚马逊云科技中的数据和工作流,更容易使用双方技术构建和发布客户应用程序,客户可以使用融合了亚马逊云科技和Salesforce Customer 360的预制应用,更快地创新,让企业可以更轻松地将亚马逊云科技的语音、视频和人工智能服务与Salesforce的业务应用程序无缝部署。 近日,亚马逊云科技和Salesforce宣布扩大双方的全球战略合作伙伴关系,使客户可以轻松地使用Salesforce和亚马逊云科技的全套能力,快速构建和部署强大的新业务应用程序,加速数字化转型。 双方的合作关系将通过增强亚马逊云科技和Salesforce产品之间的连接,为客户带来更多价值。开发者现在可以构建和发布定制的应用程序,将Salesforce数据和工作流原生地连接到运行在亚马逊云科技上的解决方案,扩展两个平台的功能。Salesforce开发者更容易将亚马逊云科技数据和工作流集成到Salesforce应用程序。Salesforce还将在销售场景、服务场景和垂直行业场景的新应用中,直接嵌入亚马逊云科技的语音、视频、人工智能和机器学习服务。如此,客户可以直接从Salesforce购买亚马逊云科技开箱即用的解决方案,以按需付费的方式使用集成化的亚马逊云科技服务。 "五年多来,我们的客户从亚马逊云科技和Salesforce之间的紧密关系中受益。现在,通过整合我们的产品,双方的合作将迈向新的阶段,让同时使用亚马逊云科技和Salesforce的开发者可以更快、更方便地构建统一的应用程序。”亚马逊云科技首席执行官Andy Jassy表示,“通过这一合作,我们大大简化了开发者的工作,让他们能够在全球任何地方,以任意规模,以自己想要的方式开发应用程序。" "这是科技行业一个里程碑式的合作,它将使我们的客户体验到更加强大的Salesforce Customer 360,并在业务上取得新的成功,"Salesforce主席兼首席执行官Marc Benioff说。"有了更强大的、统一的Salesforce和亚马逊云科技平台,我们在世界各地的客户可以在销售、服务、营销和商务方面中创建单一的数据事实源,并从任意地方获得成功。" 世界各地的组织依赖Salesforce管理客户关系,利用Salesforce平台构建新的应用程序,同时使用亚马逊云科技来满足计算、存储和数据库需求,采用亚马逊云科技的技术,例如Amazon Connect (全渠道云联络中心),Amazon Redshift (全托管的、PB级的云数据仓库服务),以及Amazon Lambda (无服务器计算服务,允许客户在不配置或管理服务器的情况下运行代码)。以前,客户为在应用中结合亚马逊云科技和Salesforce功能,通常需要自己编写大量的代码。新的产品将使客户能够通过统一平台,无缝使用亚马逊云科技和Salesforce的服务。两家公司还将合作开发新的低代码工具,帮助客户创新和构建应用程序,在Salesforce应用程序和亚马逊云科技服务之间实时连接数据。 统一开发者体验 Ÿ 更快、更轻松地创建自定义业务应用程序:新的低代码、点击式启动的开发工具将加快创建基于Salesforce和亚马逊云科技服务的定制应用程序。Salesforce的点击式开发工具将直接操作来自亚马逊云科技服务的数据,如Amazon Relational Database Service (Amazon RDS)或Amazon Simple Storage Service (Amazon S3),就好像这些数据在Salesforce中是原生的一样。 Ÿ 通过实时事件释放客户数据的力量:通过将亚马逊云科技的服务与Salesforce平台原生连接,实时数据将安全地在两家供应商之间移动,让客户更轻松地实现工作流自动化,并维护终端客户的单一视图。 Ÿ 简化安全、身份和访问管理:新的引导设置体验将使客户更便捷地将Salesforce产品和亚马逊云科技服务结合在一起。从Salesforce设置登录到亚马逊云科技,或从亚马逊云科技管理控制台登录到Salesforce,以简化服务授权、用户身份、安全性、权限以及Salesforce和亚马逊云科技之间的数据管理和治理。 全新智能应用程序 Ÿ 在任何地方更智能地销售、服务和参与:客户将能够通过预构建的开箱即用的应用程序和附加组件快速创新,利用亚马逊云科技的语音、视频服务和人工智能/机器学习功能的生产力。例如,客户可以激活虚拟呼叫中心,并为高速率的销售团队提供Amazon Connect和亚马逊云科技人工智能和机器学习服务,这些服务预先集成到Sales Cloud和Service Cloud中。 Ÿ 推出针对行业的客户解决方案:通过利用亚马逊云科技产品和服务,如Amazon Chime SDK(嵌入式实时通信功能)、Amazon Textract(从扫描文件中提取智能数据)、Amazon Comprehend (自然语言处理,以文本形式揭示信息),以及Salesforce Industry Clouds中的其他服务,客户将能够提供新的数字体验和服务,以保持行业领先地位。从远程医疗解决方案开始,医疗保健客户可以部署智能虚拟医疗平台来提供个性化的患者体验。 客户证言 诺华是一家全球性的医疗保健公司,专注于在有巨大医疗需求的领域利用创新的科学和数字技术创造变革性治疗。“医学的未来和患者的体验依赖技术和创新,就像依赖效率和速度一样。将我们的平台与Salesforce和亚马逊云科技整合起来,使我们有机会优化资源,并通过简化客户和开发者体验的方式来专注于我们的方法,以更快地创新并最终改善患者的结果。这是我们为今天和未来重新设想医学的方式。”——诺华制药公司总裁Victor Bult 渣打银行是一家金融机构,为非洲和海外的个人、企业、机构和公司提供银行和金融服务。“科技正在引领金融服务业进入一个创新的新时代,新的数字解决方案让客户的体验更加个性化和方便。Salesforce和亚马逊云科技的合作正是这样做的,帮助渣打银行更快地创新,为我们在非洲地区的客户提供更大的价值。”——渣打银行集团首席工程官Alpheus Mangale

    时间:2021-06-28 关键词: 亚马逊云科技 Salesforce 机器学习

  • 亚马逊云科技推出“智能湖仓”架构,在中国区域半年新增近40项相关服务及特性

    2021年6月24日,亚马逊云科技针对数据及数据分析等服务持续发力,推出引领大数据未来的“智能湖仓”架构,并2021年初至今在由光环新网和西云数据运营的中国区域总共上线了近40项相关服务和特性。亚马逊云科技“智能湖仓”架构将亚马逊云科技全面而深入的数据服务无缝集成,打通了数据湖和数据仓库之间数据移动和访问,并且进一步实现了数据在数据湖、数据仓库,以及在数据查询、数据分析、机器学习等各类专门构建的服务之间按需移动,从而形成统一且连续的整体,满足客户各种实际业务场景下的不同需求。亚马逊云科技“智能湖仓”架构具有灵活扩展、专门构建、数据融合、深度智能和开源开放五大特点,涵盖数据源、数据摄取层、存储层、目录层、数据处理层和消费层六层架构,可帮助客户轻松应对海量业务数据,充分挖掘数据价值。 亚马逊云科技大中华区云服务产品部总经理顾凡表示,“大数据对于现代商业的影响不言而喻。用户期盼从数据中获得洞察,但同时也面临数据存储、处理和分析等方面的诸多挑战,例如数据指数级增长、数据来源不一、数据类型多元化等等。面对细分的应用场景,目前市面上单一、通用的数据解决方案在性能上会有所妥协,很难满足客户的真实需求,用户亟需融合了易用、易扩展、高性能、专门构建、安全及智能等特性于一体的新一代数据管理架构。亚马逊云科技‘智能湖仓’架构在打通数据湖和数据仓库的基础上,进一步将各种数据服务无缝集成,确保数据在不同服务之间顺畅流动,致力于帮助客户尽可能最大程度地提高其数据价值,加速创新,并成为数据驱动型组织。“ 亚马逊云科技荣膺中国数据管理解决方案领导者 亚马逊云科技的数据及数据分析服务不断获得行业和第三方机构认可。此前,全球知名的企业增长咨询公司沙利文中国联合头豹研究院发布了《2020年中国数据管理解决方案市场报告》,其中亚马逊云科技凭借创新的技术、灵活的数据管理、云上安全、全球商业实践,被评为中国数据管理解决方案领导者。该报告针对成长指数(功能成长)、创新指数(能力创新)、基本指数(基本数据分析能力)三大维度,对竞争主体旗下数据管理解决方案竞争力进行了评估。亚马逊云科技不仅综合实力排名第一,且三项指数均名列第一。 亚马逊云科技“智能湖仓”架构实现“数据入云,融合智能” 亚马逊云科技“智能湖仓”架构以Amazon Simple Storage Service(Amazon S3)为基础构建数据湖,作为中央存储库,围绕数据湖集成专门的“数据服务环”,包括数据仓库、机器学习、大数据处理、日志分析等数据服务,然后再利用Amazon Lake Formation、Amazon Glue、Amazon Athena、Amazon Redshift Spectrum等工具,实现数据湖的构建、数据的移动和管理等。亚马逊云科技“智能湖仓”架构具有以下五个特点。 Ÿ 灵活扩展,安全可靠。亚马逊云科技“智能湖仓”架构用Amazon S3作为数据湖的存储基础,客户可根据不断变化的需求,灵活扩展或缩减存储资源。Amazon S3可达到 99.999999999%(11 个 9)的数据持久性,且具有强大的安全性、合规性和审计功能。 Ÿ 专门构建,极致性能。为了满足客户不同的数据分析需求,亚马逊云科技提供全面而深入的、专门构建的数据分析服务,包括交互式查询服务Amazon Athena、云上大数据平台Amazon EMR、日志分析服务Amazon Elasticsearch Service、Amazon Kinesis、云数据仓库Amazon Redshift等。这些专门构建的数据分析服务为客户提供了极致性能,客户在使用过程中不必在性能、规模或成本之间做出任何妥协。其中Amazon Redshift的性价比是其他企业云数据仓库的三倍,AQUA(分布式硬件加速缓存)使 Redshift 查询的运行速度比其他其他云数据仓库最高快 10 倍;Amazon EMR运行大数据处理及分析服务的成本不到传统本地解决方案的一半,但其速度比标准 Apache Spark 快 3 倍以上。 Ÿ 数据融合,统一治理。亚马逊云科技“智能湖仓”架构不止是打通了数据湖、数据仓库,还进一步将数据湖、数据仓库以及所有其它数据服务组成统一且连续的整体。在实际应用场景中,数据需要在这些服务与数据存储方案之间,以及服务与服务之间按需来回移动,跨服务访问。亚马逊云科技“智能湖仓”架构降低了数据融合与数据共享时统一安全管控和数据治理的难度。其中,Amazon Glue提供数据无缝流动能力,Amazon Lake Formation提供了快速构建湖仓、简化安全与管控的全面数据管理能力。 Ÿ 敏捷分析,深度智能。亚马逊云科技将数据、数据分析服务与机器学习服务无缝集成,为客户提供更智能的服务。例如Amazon Aurora ML、Amazon Redshift ML、Neptune ML等,数据库开发者只需使用熟悉的 SQL 语句,就能进行机器学习操作;Amazon Glue、Amazon Athena ML、Amazon QuickSight Q等,可以帮助用户使用熟悉的技术,甚至自然语言来使用机器学习,帮助企业利用数据做出更好的决策。用户还可以通过机器学习服务Amazon SageMaker、个性化推荐服务Amazon Personalize等挖掘数据智能。 Ÿ 拥抱开源,开放共赢。亚马逊云科技“智能湖仓”架构中的关键组件如Amazon EMR、Amazon Elasticserach Service、Amazon MSK的核心都基于开源代码,接口与开源完全兼容,无需改变任何代码就可以实现迁移,也兼容主流的管理工具。OpenSearch 基于开放的Apache2.0 授权,其代码完全开放,用户可以免费下载使用并获得企业级的功能。这些服务允许用户在转型过程中,以非常低的改造成本向云端迁移。 亚马逊云科技赋能全球数以十万计的客户重塑大数据 目前,全球数以十万计的客户选择亚马逊云科技进行数据管理及分析。在中国,TCL、丰田互联、欣和、德比软件、安克创新、启元世界等各行业客户,正在采用亚马逊云科技数据相关服务,开展数据治理及数据价值挖掘。其中, TCL基于亚马逊云科技“智能湖仓”架构搭建的解决方案,将传统的数据库、数据仓库与数据湖打通,消除了数据孤岛,让全品类IoT设备的数据和业务系统实现了互联互通,海外业务与国内业务实现了数据统一。TCL使用了亚马逊云科技广泛的云服务,包括:使用Amazon S3构建数据湖,通过大数据分析服务Amazon EMR、Amazon Redshift和机器学习服务获得数据洞察等。通过使用亚马逊云科技专门构建的数据分析服务,之前需要一周才能完成的复杂数据报表,现在仅需要1-2小时;每天运行300个以上的作业产生 200多个BI报表,为运营和数字化营销提供有力支撑。 启元世界(北京)信息技术服务有限公司是一家领先的人工智能平台公司,公司拥有深度学习、强化学习等自主研发的核心技术和产品,以SaaS的形式,为国内多家知名的游戏公司提供虚拟玩家陪玩、游戏商品推荐、关卡数值设计、游戏内容生成等服务。启元世界使用了亚马逊云科技全栈的数据分析服务进行高效开发部署,保障业务快速稳定发展。启元世界CTO龙海涛表示,“作为一家领先的AI公司,我们希望把更多精力聚焦在算法迭代与产品打磨,我们需要成熟、稳定、免运维的大数据托管服务。亚马逊云科技智能湖仓通过数据的融合,专门构建的分析工具,可靠高效地支撑了我们敏捷的业务迭代,其中Amazon Kinesis实现了分钟级部署,并承载百万QPS(每秒查询率)流数据;Amazon EMR、Amazon Managed Workflows for Apache Airflow使批处理运行的时间减少了80%,运营总成本下降了50%;Amazon Glue 、Amazon Athena、Amazon QuickSight等服务实现了即席查询秒级响应。” 亚马逊云科技构建了强大的合作伙伴网络,通过合作伙伴网络成员构建行业数据管理解决方案。上海驰骛 (ChiefClouds) 信息科技有限公司,是国内领先的消费者数据营销平台供应商,为企业搭建消费者数据平台(CDP),以此为基础构建覆盖数字媒体和阵地运营、CRM、智慧导购等场景的全渠道和全链路消费者运营体系。驰骛科技创始人兼CEO 程华奕表示,“作为企业级数据管理平台的实践者,我们非常认可亚马逊云科技的智能湖仓架构。以Amazon S3为核心的数据基础平台,让我们在服务客户时,在数据安全性、可靠性、性能和扩展性等方面都没有后顾之忧。亚马逊强大的数据分析管理工具组合,让我们能够对各种数据处理和分析游刃有余,快捷、高效地利用机器学习挖掘数据智能,服务于客户的业务创新。“ 亚马逊云科技半年内在中国区域新增的近40项数据及数据分析相关的服务及特性,进一步强化了亚马逊云科技数据以及数据分析相关服务组合。其中,Amazon Glue 2.0 版本将作业启动时间缩短了10 倍,并且可提供1分钟最短计费持续时间,Amazon Athena 2.0 包括多项性能改进和新功能,Amazon Lake Formation在宁夏区域推出(去年底在北京区域推出),Amazon Redshift、Amazon EMR、Amazon Elasticsearch Service、Amazon SageMaker等均发布了诸多新特性。 欲了解更多亚马逊云科技最新技术发布和实践创新,敬请关注即将在上海、北京、深圳三地举办的2021亚马逊云科技中国峰会,届时将携手众多业内领先的技术践行者们一起分享“云时代的构建故事与重塑经验”。

    时间:2021-06-24 关键词: 大数据处理 亚马逊云科技 机器学习

  • Xilinx 为 Vivado 设计工具带来突破性改进,以最前沿的机器学习优化助力加速设计

    2021 年 6 月 23 日,中国北京 —— 赛灵思公司( NASDAQ: XLNX )今日宣布推出 Vivado® ML 版,这是业内首个基于机器学习( ML )优化算法以及先进的面向团队协作的设计流程打造的 FPGA EDA 工具套件,可以显著节省设计时间与成本。与目前的 Vivado HLx 版本相比,Vivado ML 版将复杂设计的编译时间缩短了 5 倍,同时还提供了突破性的平均达 10% 的结果质量( QoR )提升。 图:赛灵思全新 Vivado® ML 版 赛灵思软件与 AI 解决方案营销总监 Nick Ni 表示:“当今的 EDA 设计人员面临设计复杂性日益提升的挑战,而机器学习是加快设计流程与提升 QoR 的下一个大飞跃。Vivado ML 将帮助开发者缩短设计周期,并从设计创建到收敛交付全新生产力水平。” 基于机器学习的优化 Vivado ML 版支持基于机器学习的算法以加速设计收敛。该技术具备基于机器学习的逻辑优化、延迟估算和智能设计运行,能够自动执行策略以减少时序收敛迭代。 国家仪器公司( National Instruments )首席硬件工程师 Robert Atkinson 表示:“全新 Vivado ML 版的智能设计运行功能是一个颠覆了传统。它通过一键式方法积极改善时序结果,所生成的 QoR 建议能带来最大效果,还能借助减少用户分析提供专家级质量结果,特别是对于难以收敛的设计而言。” 更快的编译时间与面向团队协作的生产力 赛灵思还引入了 Abstract Shell (抽象外壳)概念,它允许用户在系统内定义多个模块,以增量和并行方式进行编译。与传统的全系统编译相比,这种方法能将平均编译时间加快 5 倍,最多甚至加快 17 倍。抽象外壳还可以将设计细节隐藏在模块之外,从而有助于保护客户的 IP,这一点对FaaS ( FPGA-as-a-Service )和增值系统集成商至关重要。 此外,Vivado ML 还改善了与 Vivado IP Integrator 之间协作设计,使得模块化设计可以利用全新“模块设计容器( Block Design Container,BDC )”功能实现。这一功能促进了面向团队协作的设计方法,并允许以分治( divide-and-conquer )策略处理多站点共同合作的大型设计。 赛灵思动态功能交换( DFX )等独特的自适应特性,可在运行时动态远程加载定制硬件加速器,以更加有效地利用芯片资源。DFX 具备在几毫秒内加载设计模块的能力,由此开辟了诸多全新用例,例如,车辆在处理帧数据的同时可切换不同视觉算法,或基因组分析在进行 DNA 测序过程中可实时切换不同算法。 Vivado ML 版现已提供免费标准版和企业版,厂商建议零售价为 2,995 美元起。

    时间:2021-06-23 关键词: Xilinx 智能设计 机器学习

  • Cadence推出全新Tensilica FloatingPoint DSP系列,为广泛的计算密集型应用提供可扩展性能

    中国上海,2021年6月18日——楷登电子(美国 Cadence 公司,NASDAQ:CDNS)今日发布 Cadence âTensilicaâ FloatingPoint DSP 系列。该系列专为浮点计算设计提供了一个可扩展和可配置的解决方案。新的 DSP IP 内核针对功耗、性能和面积 (PPA) 进行了优化,适用于小型、超低功耗乃至超高性能的各种应用,包括移动、汽车、超大规模计算和消费市场中的电池供电设备的节能解决方案,以及人工智能/机器学习 (AI/ML)、电机控制、传感器融合、对象跟踪和增强现实/虚拟现实 (AR/VR) 应用。 新系列包含四个核心产品:Tensilica FloatingPoint KP1 DSP、Tensilica FloatingPoint KP6 DSP、Tensilica FloatingPoint KQ7 DSP 和 Tensilica FloatingPoint KQ8 DSP。现已得到早期客户的认可,新系列产品为客户在功耗、性能和面积(PPA)方面带来显著的优势。如需了解更多信息。 “浮点数据在技术计算中非常常见,支撑着处理大型或不可预测数据集的雷达应用程序。我们已经与 Cadence 在多代 Cadence IP 核上成功合作,很高兴看到他们满足了这一关键的市场需求,并扩展了经过验证的 Tensilica 产品线。”Vayyar Imaging 公司副总裁兼汽车部负责人 Ian Podkamien 表示,“针对各种应用优化的FloatingPoint DSP可以支持Vayyar 的片上系统传感器,提高汽车、老年护理、智能家居、零售、HLS、机器人和医疗等行业应用的能效和性能。 ” Tensilica FloatingPoint DSP 与现有 Tensilica DSP 的可选矢量浮点单元 (VFPU) 共享通用指令集架构 (ISA),提高了软件的可移植性和可重用性,同时能够轻松缓解浮点工作负载。Tensilica Xtensa® LX 和 NX 平台均可从 128 位 SIMD 扩展到 1024 位 SIMD,与带有 VFPU 附加组件的 Tensilica 定点 DSP 相比,新的 FloatingPoint DSP 在融合乘加 (FMA) 运算方面的性能提高了 25%,这有助于提高运算吞吐量。与此同时,使用 Tensilica 指令扩展 (TIE) 语言可以进一步增强和区分性能。此外,与具有 VFPU 的同类定点 DSP 相比,FloatingPoint DSP 可减小高达 40% 的面积。 新款 DSP 附带的高性能软件工具提供有效的自动矢量化,有助于优化标量代码,只需最少的手动操作甚至无需手动操作即可利用矢量浮点单元。支持优化的 Eigen、NatureDSP、同步定位和映射 (SLAM) 以及数学软件库,有利于更轻松地开发高性能软件。Tensilica FloatingPoint DSP 提供了一个软件开发环境,可以在新的 Tensilica FloatingPoint DSP 以及同一系列的 FloatingPoint DSP 之间无缝迁移现有的浮点通用软件。 “如今,浮点数据已广泛用于各种计算密集型应用的现代计算,市场对浮点处理的需求正在不断增长。”Cadence公司Tensilica产品市场资深总监 Larry Przywara 表示,“要开发具有竞争力的差异化产品,亟需专门面向以浮点为中心的计算而设计的高能效、低成本、高性能的 DSP。可扩展的 Tensilica FloatingPoint DSP 系列适用于各种应用,可为这些浮点计算提供最佳 PPA。该 DSP 系列同时再次展示了 Cadence 如何将自身的计算软件实力应用于硬件,从而帮助客户应对设计挑战。” Tensilica FloatingPoint DSP 支持 Cadence 的智能系统设计Ô (Intelligent System Design™) 战略,可帮助客户实现卓越的系统级芯片设计。Tensilica FloatingPoint KP1 DSP、Tensilica FloatingPoint KP6 DSP、Tensilica FloatingPoint KQ7 DSP 和 Tensilica FloatingPoint KQ8 DSP 现已全面上市。

    时间:2021-06-18 关键词: DSP 人工智能 机器学习

  • 陕西科技大学利用亚马逊云科技加速探索大脑奥秘致力于为全球数亿听障人士带来新声

    2021年6月16日,陕西科技大学创造性地利用亚马逊云科技的算力、机器学习平台,以及云上开源数据集进行人类脑部活动的研究,将项目研发实践时间从使用本地算力、自建机器学习环境所需的一年减少至105天,缩短三分之二,加快科研进度,通过皮肤听声致力于为全球数亿听障人士带来福音。 人类脑部活动研究是陕西科技大学著名的皮肤听声研究项目的一个延伸课题。皮肤听声是通过声电转化,将声音信号转化为电流,刺激人体皮肤,信息反馈到相关的大脑功能区,实现听声效果。通过反复训练,能够让听障人士获得语言能力。此技术不依赖于人体的任何残余听力,让全聋人士也可以感受到声音信号,比助听器及电子耳蜗有更大的优越性。 当今,全球有4.6亿人受到听障问题的困扰,其中,在中国有2600万听障残疾人士,零听力人士超过500万。对尚具微弱听力的听障人士,目前可以利用人工耳蜗进行补救,但是数十万的设备费用、手术费用、专业教师训练费,阻碍了大多数患者的求医之路。与此同时,人工耳蜗仍不能治愈零听力。该研究团队的项目如果能让皮肤听声技术得到推广,将是全球数亿听障人士的福音。 要更好地实现皮肤听声,就要更准确地知道声音和皮肤刺激是如何作用于脑部拓扑功能区的具体区域,以保证刺激信号的一致性。《功能磁共振图像 (fMRI) 解码的无参数注意力》研究,是利用开源的功能磁共振图像数据集,对大量的脑部磁共振图像进行可视化分析。分析过程中,需要分批获取原始数据集,对原始数据集进行数据预处理,汇入标准数据集,将标准数据集输入卷积神经网络,输出可视化的结果。 研究团队使用的高质量开源数据集全部存储于Amazon Simple Storage Service (Amazon S3) 上,数据量高达12TB。如果将数据下载到学校实验室的本地计算机进行处理,需要数周时间才能完成下载。同时,如果利用学校实验室的算力来处理这些数据,在开始处理数据之前,需要花费很多时间搭建和配置机器学习环境;在开始处理数据之后,面对高达12TB的数据,实验室的本地工作站犹如小马拉大车,速度往往以周计算。 最终,研究团队决定采用上云方式,使用亚马逊云科技的云上算力进行数据处理,不仅节省了长达数周的数据下载时间,而且通过使用Amazon SageMaker机器学习平台,不需要自己搭建机器学习环境,既省时也省力。研究团队使用Amazon SageMaker处理Amazon S3上的数据,数据存取速度比使用本地实验室算力提高了10倍,并仅用3个多月时间,就处理完成了包括1200份受试者数据的开源数据集,获得了解码精度达88.7%脑功能区可视化数据,让整个研究项目的实验时间缩短了三分之二,研究总周期减少了一半。 研究团队负责人齐勇博士表示,“使用亚马逊云科技最大的好处就是方便快捷。不仅能快速准备好海量数据,而且由于使用Amazon SageMaker开展机器学习,不用自己搭建机器学习环境,数据的处理均可以在云上进行,从而解放了团队大量的精力。在2020年疫情期间,研究团队不用集中到实验室,通过远程即可实现协作,真正做到让团队专注于研究项目上,节省了大量的宝贵时间。” 研究团队在此项目中形成的脑功能解码可视化分析平台,有望为脑科学研究提供脑部功能拓扑状态探测仪器,借助功能核磁共振图像(fMRI)探究皮肤触觉与大脑认知区域中血红蛋白变化速率的定量分析方法。同时,运用基于注意力模型的深度学习计算机视觉分析技术,与现有的医疗影像分析框架相结合,将大脑图像信息快速解耦,分离得到脑部的拓扑功能分配机制,分析大脑皮层功能区域的变化特点,有助于识别各类脑疾病,判断病灶部位,并对进一步了解脑部功能机制提供非主观可重复实验的数据样本。 亚马逊云科技大中华区商业事业部总经理李晓芒表示,“亚马逊云科技在云计算以及人工智能领域的愿景,简单总结就是普惠。我们非常高兴看到亚马逊云科技的产品和服务能够帮助陕西科技大学科研团队在人类脑部活动这样领先的科研项目中,做出有望让众多患者受益的研究成果,造福大众,让普惠的内涵得到进一步延伸。”

    时间:2021-06-16 关键词: 亚马逊云科技 上云方式 机器学习

  • 适用于人工智能/机器学习的全局快门CMOS传感器AR0234CS

    全局快门CMOS传感器AR0234CS以领先业界的全局快门效率(GSE)提供清晰、低噪声的图像,无运动伪影,能捕获连续视频和单帧的能力使其非常适合包括人工智能和机器视觉在内的广泛应用。 相对较大的3.0 µm像素尺寸提高微光性能,低噪声,能以120 fps的速度捕获并提供移动物体的高保真图像。这些特性适用于高要求的应用,如智能交通系统和自主导引车,无人机等。卓越的图像质量提供给人工智能算法的数据更干净,减少神经网络的负担,实现快速学习,并有助于在推理阶段产生更快的决策。 AR0234CS的一个重要优势是它能够有利于实现高性能的机器学习AI系统。快速的帧速率和低功耗使得系统组件预算可以转移到最需要的地方--处理引擎。较大的时间和功率预算使系统构建者能够在处理引擎中加入最先进的神经网络,以更快的时钟速率运行它们,提取图像数据中的细微差别,这些细微差别使系统方案在竞争中脱颖而出。 AR0234CS被广泛用于利用上述特点的不同细分市场。扫描、生物识别、自主移动和引导以及混合现实增强等应用正获得极大关注,且趋势表明这些应用将显著增长。

    时间:2021-06-15 关键词: 人工智能 机器学习

  • Xilinx 以全球至高 AI 单位功耗性能扩展边缘计算领先地位

    2021 年 6 月 10 日,中国北京——自适应计算领先企业赛灵思公司今日宣布推出 VersalTM AI Edge 系列,其旨在支持从边缘到终端的 AI 创新。Versal AI Edge 系列可提供较之 GPU[1] 4 倍的 AI 单位功耗性能,以及较之上一代自适应 SoC 10 倍的计算密度,是面向下一代分布式智能系统的全球最具可扩展性且灵活应变的产品组合。 图:赛灵思Versal AI Edge 系列 Versal AI Edge 自适应计算加速平台( ACAP )可为多种应用提供智能功能,包括具备最高级别功能安全性的自动驾驶、协作性机器人、预测性工厂以及医疗系统。该产品组合采用 AI 引擎-机器学习( AIE-ML )架构,可提供较之以往 AI 引擎 4 倍的机器学习算力,同时还集成了全新加速器 RAM 与增强的存储器层级,以应对不断演进的 AI 算法。这些架构创新随之带来的是相比 GPU 高达 4 倍的单位功耗性能和更低时延,进而使得边缘器件的功能更为强大。 AI 赋能的自动化系统要求高计算密度,这样才能从传感器到 AI 再到实时控制进行整体应用加速。相比于Zynq® UltraScale+™ MPSoC,Versal AI Edge 器件能够提供 10 倍计算密度,从而实现这一目标。此外,Versal AI Edge 器件还支持多种安全标准,包括工业( IEC 61508 )、航空电子( DO-254/178 )以及汽车( ISO 26262 ),助力供应商达到 ASIL C 随机硬件完整性和 ASIL D 系统完整性等级。 赛灵思产品管理与营销高级总监 Sumit Shah 表示:“为了应对新的需求与场景,边缘计算应用需要一种架构,能够在严苛的散热与时延限制下提供一系列灵活的计算处理。Versal AI Edge 系列为需要更高智能水平的各种应用提供了这些关键特性。凭借这一点,在涵盖从智能边缘传感器到 CPU 加速器等多种器件的 Versal 产品组合中,Versal AI Edge 系列得以成为其中至关重要的成员。” VDC Research 物联网及嵌入式技术高级分析师 Dan Mandell 表示:“边缘端市场机遇正呈指数级增长。从 2021 年到 2025 年,用于这些独特应用的 AI 芯片组市场规模预计将增加一倍以上。赛灵思 Versal AI Edge 系列是专为 AI 任务所打造的设计,聚焦性能加速的同时还保持了可扩展性和低功耗,是一款能够应对这些重要市场的引人瞩目的解决方案。” Versal AI Edge 系列采用业经量产验证的 7nm Versal 架构,并针对低时延 AI 计算进行微型化处理,其功效水平低至 6 瓦且符合边缘应用中的安全与保密要求。作为一款搭载多样化处理器的异构平台,Versal AI Edge 系列能够令引擎匹配于算法,以标量引擎支持嵌入式计算、以自适应引擎支持传感器融合和硬件灵活应变、以智能引擎支持 AI 推断,其可扩展至高达 479( INT4 ) TOPS[2],这一点是面向边缘应用的 ASSP 和 GPU 无法比拟的,同时还能支持视觉、雷达、激光雷达( LiDAR )以及软件定义的无线电等高级信号处理工作负载。 图:赛灵思Versal AI Edge 系列 连接模块涵盖:符合边缘应用所有必要协议的 LPDDR-4266、32Gb/s 收发器;40G 多速率以太网;配备 CCIX 的 PCIe® Gen4;原生支持最高 8 百万像素以及更高分辨率视觉传感器的 MIPI。这些连接模块对于 L2 乃至更高级的 ADAS 至关重要。借助更加强大的 AI 引擎和含有加速器 RAM 的强化的存储器层级,Versal AI Edge 系列是众多市场中更广泛应用的理想选择。 硬件和软件开发者均可运用 Versal AI Edge ACAP,它所提供的设计入门渠道适用于所有开发者,包括面向硬件开发者的 Vivado® 设计工具、面向软件开发者的 Vitis™ 统一软件平台、面向数据科学家的 Vitis AI,以及面向平台目标应用的特定领域开发系统、框架和加速库。 Versal AI Edge 系列是 Versal ACAP 产品组合的最新成员。Versal ACAP 是完全软件可编程的自适应 SoC,其性能与灵活性远超传统 CPU、GPU 和 FPGA。ACAP 可以在硬件和软件层进行修改,从而动态适应从边缘到云的各种应用和工作负载需求。Versal AI Core 和 Versal Prime 器件已全面投产。与此同时,Versal Premium ACAP现已提供样品。 供货情况 Versal AI Edge 系列设计文档和支持已对早期试样用户开放,预计于 2022 年上半年出货,同时还将包括车规级器件路线图。

    时间:2021-06-10 关键词: GPU AI 机器学习

  • 英飞凌全新ModusToolbox™ ML助力TinyML,为AIoT保驾护航

    AI和IoT的结合被称为“人工智能物联网”(AIoT),AIoT能使互联设备具备机器学习能力,从而执行复杂的智能运算。据Markets and Markets的数据显示,AIoT市场规模在2019年为51亿美元,预计到2024年将增长至162亿美元,达到了26%的复合年均增长率(CAGR)。在加速发展差异化AIoT产品的最新举措中,英飞凌科技股份公司,近日宣布推出ModusToolbox™ ML(机器学习),使英飞凌PSoC™微控制器(MCU)具有深度学习的功能。 ModusToolbox ML是一项基于ModusToolbox软件的全新功能,可为开发人员提供基于深度学习的ML模型所需的中间件、软件库和专用工具。ML可与ModusToolbox中已有的软件框架无缝集成,十分便利地集成到安全的AIoT系统中。这一丰富的工具套件可提供流线化的机器学习模型部署工作流,从而帮助开发人员更高效、更快速地向市场推出高品质的产品。 ModusToolbox ML允许开发人员使用他们首选的深度学习框架(如TensorFlow),直接部署到PSoC MCU上。此外,ML还有助于工程师优化嵌入式平台的模型,降低平台复杂度,并提供具有基于测试数据的性能验证功能。 英飞凌物联网计算和无线业务副总裁Steve Tateosian指出:“随着物联网市场规模的扩大,边缘数据量亦在迅猛增长。由TinyML赋能的AIoT应运而生,使得这些边缘数据可在本地进行处理,保护数据隐私,减少延时,从而提升系统整体可靠性。ModusToolbox弥合了机器学习与嵌入式系统设计之间的一个重要缺口,它提供的灵活的工具和模块库可支持在英飞凌超低功耗微控制器上轻松地优化、验证和部署常用软件训练框架的深度学习模型。” ModusToolbox ML能降低系统开发人员开发AIoT应用的复杂性,给开发人员带来无与伦比的使用体验。这些应用通常需要无缝集成机器学习负荷,以及计算、连接和云处理能力,而这正是ModusToolbox ML的用武之地。

    时间:2021-06-08 关键词: 英飞凌 AI 机器学习

  • 人工智能涉及哪些技术?人工智能会取代人类吗?

    在这篇文章中,小编将为大家带来人工智能的相关报道。如果你对本文即将要讲解的内容存在一定兴趣,不妨继续往下阅读哦。 一、人工智能技术包括哪些 1、自然语言生成 使用计算机数据生成文本。 目前用于客户服务、报告生成和总结商业智能见解。 2、语音识别 转录人类语音并将其转换为对计算机应用程序有用的格式。 它目前用于交互式语音响应系统和移动应用程序。 3、机器学习平台 它不仅提供设计和训练模型的计算能力,并将模型部署到应用软件、流程和其他机器上,还提供算法、应用程序编程接口(API)、开发工具包和培训工具包。 4、针对人工智能优化的硬件 这是一个专门设计的图形处理单元和设备,其架构旨在高效运行面向人工智能的计算任务。 目前,它主要在深度学习应用领域中发挥作用。 5、生物特征识别技术 它可以支持人机之间更自然的交互,包括但不限于图像和触摸识别、语音和肢体语言。 6、决策管理 该引擎将规则和逻辑嵌入到人工智能系统中,用于初始设置/训练和日常维护和调优。 这是一项成熟的技术,广泛用于企业应用程序中,以协助或执行自动决策。 二、能源领域对人工智能的需求 人工智能是智慧能源的核心支撑技术。它具有强大的优化处理能力和强大的学习能力,可以处理高维、时变、非线性问题,能够有效解决能源系统面临的各种挑战。 首先,在电力系统向智能电网和综合能源系统演进的过程中,已经成为一个结构复杂、设备众多、技术复杂的庞大维系。传统的单纯依靠物理建模和分析的方法已经难以满足多物理场耦合系统的运行分析要求。人工智能对特定数学模型的依赖程度低,擅长从数据中自学习和从源域迁移学习,为突破上述技术瓶颈提供了有效途径。 其次,为保证系统稳定运行、经济可靠性和优化管理,越来越多的智能电子设备接入能源系统,形成种类繁多、容量大、维度高的大数据资源。分析处理海量数据,挖掘大数据背后的巨大价值,需要人工智能技术的应用和实现。 因此,人工智能技术是电网发展的必然选择,也是综合能源转型发展的重要战略支撑。在电网向能源互联网演进、高压大电网广域互联发展的背景下,人工智能与电力系统、综合能源系统的深度融合将逐步实现融合。智能传感和物理状态,数据驱动和仿真模型的组合辅助决策和运行控制相结合,可以有效地提高控制复杂系统的能力,并提高能源系统运行的安全性和经济性。 三、人工智能会取代人类吗? 人工智能系统越来越多地被用于决策,这对人们有直接的影响。例如,银行发现人工智能系统擅长预测潜在客户是否会成为优质客户——他们是否会按时偿还债务等。他们可以通过使用大量客户记录来“训练”人工智能系统.一段时间后,该系统将能够分析潜在客户的详细信息,以预测他们是否优质。对于银行而言,他们可以快速且成本低廉地决定是否需要特定客户。但对于客户自己来说,他们应该担心:如果银行的人工智能系统存在一定的偏差怎么办? 人工智能只是一种技术,就像任何技术一样,它可以造福人类,也可能带来危害。有条件的立法不太可能有效控制人工智能。我们需要以负责任和合乎道德的方式使用人工智能。正如近期全球关于自主武器的讨论取得进展一样,国际社会需要应对人工智能带来的挑战。 以上便是小编此次带来的全部内容,十分感谢大家的耐心阅读,想要了解更多相关内容,或者更多精彩内容,请一定关注我们网站哦。

    时间:2021-06-03 关键词: 智能电网 人工智能 机器学习

  • 对企业成功应用机器学习的四点建议

    随着机器学习不断向纵深发展,越来越多的传统企业也开始应用机器学习进行业务创新,实现业务重塑。麦肯锡此前刊发的针对人工智能对世界经济的影响专题报告显示,预计到2030年,人工智能将为全球经济贡献13万亿美元。零售、运输、物流、制造业和农业等传统领域在人工智能和机器学习赋能之后,带动的经济贡献或将远超软件和信息服务业。而且,对比软件与信息服务业,这些行业也更需要被赋能,以帮他们更好地部署和使用人工智能和机器学习。 结合亚马逊全球20年机器学习的创新实践,以及亚马逊云科技帮助逾10万客户在云上使用机器学习的经验,我们对传统企业成功应用机器学习总结了四点建议。 一、制定明确的数据策略 机器学习三要素包括数据、算法和算力,三者缺一不可。 对于多数行业来说,收集和处理数据是一个难题。因此,企业开始应用机器学习之前,首先需要充分了解自己的数据现状并制定数据策略。什么数据现在可用?什么数据通过一定的工作可以变得简单易用?如果已经确定几个想尝试利用机器学习的场景,就可以采用逆向工作法,根据目标进行倒推,推算出需要的数据、目前已经具备的数据和依然缺失的数据,以及从现在开始需要搜集的数据。解决了这些问题,制定了明确的数据策略,才会有真实、准备充分的数据去应对基于机器学习的业务创新需求。 部分客户虽然搜集了很多数据,但数据的就绪程度较低,数据质量不高。例如,如果传感器送过来的数据有异常值或缺失值,那么以此为基础应用机器学习,训练出来的模型大概率是不够精准的。 二、从合适的场景切入 企业在应用机器学习的时候往往千头万绪,那么开展机器学习应该从什么项目切入呢?这里给大家一个决策参考框架,可以从数据就绪状态、业务影响和机器学习适用性三个维度进行评估。企业可以选择数据就绪度高、有业务价值但是业务影响低、机器学习适用性高的应用场景作为机器学习试点和示范项目。 具体从三个方面入手。第一,在开展机器学习的早期阶段,公司内部可能对其带来的作用还有些疑惑,因此需要从一个投入相对小的创新项目开始实验,它不会影响公司的核心业务,一旦成功可以帮助企业积累经验,同时赢得内部的信任。 第二,这个项目既需要有业务价值,还要适用于机器学习,取二者的交集。第三,找到一个场景机器学习只是作为辅助去自动化加速工作的某一个环节,而不是替代人。例如,医生对病人的诊断由非常多的环节组成,其中看心电图、X光片的过程可以利用机器学习实现自动化,加速医生的诊断过程,但机器学习不会取代医生的工作,对治疗过程本身带来的影响比较小,更容易得到医生的支持和配合。 在成功交付了几个3到6 个月可以完成的小型项目后,企业就会有足够的信心和动力去获得领导团队的支持,加大机器学习项目投入,逐步应用机器学习来改造核心业务。 以嘉实财富管理有限公司为例,它是嘉实基金旗下的独立财富管理机构,在全国主要城市均设有财富管理服务中心,2020年为客户创造回报超过31亿元。作为金融企业,嘉实财富以媒体平台作为切入点,借助亚马逊云科技提供的标准AI 能力,包括开箱即用工具以及机器学习服务平台上定制的 AI模型,形成了集媒资入库、语音转录、短视频生成、个性化推荐为一体的媒体处理平台,让金融企业有机会将客户需要的金融视频,精准的推荐给客户,从更多的渠道触达客户。 三、数据科学家业务化 针对企业成功应用机器学习的第三个建议是要让数据科学家业务化。以亚马逊构建机器学习团队为例,在亚马逊,我们没有将数据科学家单独放到一个中央团队,而是将数据科学家与产品、业务团队放在一起,让数据科学家业务化。亚马逊致力于以客户为中心,我们的机器学习科学家首先要以提高客户体验为出发点,而不是从研究机器学习算法开始。 数据科学家业务化是亚马逊的重要经验。我们把这一经验复制到亚马逊云科技的客户项目中。当客户缺乏数据科学家时,亚马逊云科技的数据科学家和工程师会加入项目团队,与客户的业务开发团队一起工作,凝聚数据科学家和领域专家的力量,为提高客户体验而进行创新发明。 传统企业通常没有既精通业务又精通机器学习技术的专家和数据科学家,因此也可以把数据科学家/机器学习技术专家与业务领域专家放在一起实现技术创新。山东淄博市热力集团就成功地通过亚马逊云科技的赋能,将其业务领域专家和机器学习技术专家拧成一股绳。淄博热力利用亚马逊云科技丰富的人工智能和机器学习技术和服务,双方联合研发一套基于机器学习的智慧供热专家系统,根据气象、SCADA工控数据、建筑物维护结构等信息计算出最佳的供热模式,并给出具体的操作指令,实现精准供热,既让用户室温始终保持人体最佳热舒适温度,又做到节能增效。 四、应对技能差距 当前,多数企业部署和应用机器学习最大的瓶颈之一是机器学习人才的缺口。新兴公司争抢机器学习人才,同时各类传统企业也需要机器学习人才。在这种情况下,企业寻找能够对其提供帮助、为企业赋能的服务商是解决这一问题的最佳途径。 我们在与行业客户交流中发现,很多行业问题需要对算法进行大量的迭代和优化,不断提高精准度。一些行业难题,甚至需要研究新的算法进行破解。面对这些复杂的行业问题,不能停留在只教会客户使用工具上。亚马逊云科技的做法是“扶上马、送一程”。我们集合了解决方案架构师、人工智能实验室、数据实验室、快速开发团队和专业服务团队,根据客户的项目需要,参与到项目的生命周期当中,与客户共同寻找适用于机器学习的业务场景,跟业务人员、技术人员在一起开发出产品原型,然后快速迭代进行实施。让客户以尽可能小的试错成本完成产品原型开发,弥补客户的技能差距。 通过这样的方式,我们授人以渔,赋能客户创新,并且一直坚持平台思维,让更多的人使用亚马逊云科技进行创造和发明,让人工智能和机器学习普惠。亚马逊创始人杰夫•贝佐斯说过,创新有多种形式和各种规模,最激进和最具变革的创新是帮助他人释放创造力,实现其梦想。 亚马逊云科技的一大核心目标,就是将机器学习能力交付至每一位开发人员手中。借助Amazon SageMaker能够帮助客户快速构建、训练以及部署机器学习模型的能力,我们得以更进一步,将机器学习能力交付至更多希望基于机器学习创新的用户手中。 总之,企业客户应用机器学习大有可为,建议企业制定好明确的数据策略,寻找适合机器学习的应用场景作为切入点,先突破创新业务,再改造核心业务。同时让数据科学家深入业务,避免闭门造车。希望越来越多的企业通过机器学习实现不断创新和发展,在激烈的竞争之中立于不败之地。

    时间:2021-05-27 关键词: 亚马逊云科技 机器学习

  • 亚马逊云科技在中国区域上线机器学习新服务,打造广泛而深入的人工智能与机器学习工具集

    2021年5月11日,在完全托管的机器学习服务Amazon SageMaker落地中国区域一周年之际,亚马逊云科技宣布通过与光环新网和西云数据的紧密合作在中国区域进一步落地多项人工智能与机器学习的新服务和功能,丰富了其针对不同企业需求而打造的人工智能与机器学习(AI/ML)工具集。亚马逊云科技针对不同需求的客户在机器学习技术堆栈三个层面提供广泛而深入的机器学习服务,包括顶层-人工智能服务、中间层-机器学习服务以及底层-框架和基础架构。在人工智能(AI)服务层面,亚马逊云科技在北京区域推出了Amazon Personalize,客户无需具备机器学习专业知识,即可方便、快速地构建个性化推荐系统;在中间层,将Amazon SageMaker在re:Invent 2020上亮相的包括Data Wranger、Feature Store、Pipelines等七项新功能在北京区域和宁夏区域上线,让客户可以更轻松地构建端到端的机器学习管道;在算力层面,亚马逊云科技在北京区域和宁夏区域推出了Amazon EC2 Inf1实例,该实例基于亚马逊云科技自研机器学习推理芯片Amazon Inferentia,与当前成本最低的基于GPU的实例相比,可以提高多达30%的吞吐量,并使每次推断的成本最高降低45%。 亚马逊云科技大中华区云服务产品管理总经理顾凡表示,“Amazon SageMaker落地中国区域一年以来,我们见证了中国各个行业各种类型客户积极应用亚马逊云科技服务进行机器学习创新,我们希望通过将更多服务落地到中国区域,并坚持‘授人以鱼不如授人以渔’,甚至更进一步‘扶上马,送一程’的方式,帮助客户更快应用机器学习技术,把机器学习的能力交到每一位构建者手中,加速人工智能和机器学习的普惠。” 目前,全球数以十万计的客户选择亚马逊云科技运行机器学习工作负载。在中国,亚马逊云科技机器学习服务得到医疗健康、教育、出行、工业智能、游戏、新媒体等各个行业客户的青睐,益体康、晶泰科技、新世纪医疗、LEMONBOX、有道乐读、叽里呱啦、全美在线、首汽约车、德比软件、Momenta、图森未来、行者AI、天和荣、中科创达、华来科技、大宇无限、陕西科技大学、易点天下、淄博热力等一批企业和机构的广泛采用,在各行各业实现了丰富多样的人工智能应用创新。 山东淄博市热力集团有限责任公司利用亚马逊云科技丰富的AL/ML技术和服务,快速构建、训练和部署机器学习模型,实现了精准供热,可以根据气象、工控数据、建筑物维护结构等信息计算出最佳的供热模式,并给出具体的操作指令,既让用户室温始终保持人体最佳舒适温度,又做到尽可能节约成本。淄博市热力集团有限责任公司董事长、党委书记汪德刚表示,“多年来,淄博热力利用信息化手段改造传统供热,致力于成为行业标准的制定者和行业发展的引领者。通过与亚马逊云科技合作,借助机器学习能力创新,建成了基于机器学习和大数据分析的智能供热平台,帮助我们从传统供热向产业智能化方向转型,在满足用户需求的同时实现节能减排,建立绿色能源生态系统。未来,希望我们能借助先进的云技术持续创新,推动国内热力行业的数字化、智能化转型。“ 为进一步加速人工智能/机器学习的普惠,亚马逊云科技构建了强大的合作伙伴网络,通过合作伙伴网络成员构建行业机器学习模型,帮忙更多客户解决行业算法模型构建难题并落地行业解决方案。上海音智达信息技术有限公司是亚马逊云科技合作伙伴网络成员之一,提供围绕人工智能和大数据技术的预测性分析及商务智能解决方案的技术专家服务,帮助客户实现数字化转型。上海音智达信息技术有限公司CEO孙晓臻表示,“我们为亚洲地区数以百计的跨国企业及本土客户提供数据服务,拥有丰富的数据分析与业务实施经验,在生命科学、快消品、汽车、零售、电子消费产品、金融、保险、以及运输行业拥有众多实践和成功案例。但是,我们在机器学习方面的算法和人才储备远远不能够满足客户需求。亚马逊云科技丰富的机器学习服务大幅提升了音智达的技术开发和服务能力,助力我们打造了覆盖不同行业和场景的解决方案,实现了业务发展和持续创新。” 如今,各种规模、各种类型的企业和机构,都在积极探索人工智能和机器学习技术的应用并希望能尽快发挥实际效应。为满足不同客户的创新需求,亚马逊凭借在人工智能/机器学习领域20多年深厚的技术积累,提供了广泛而深入的、并且不断迭代创新的机器学习服务组合。 无需具备机器学习专业知识,即可通过Amazon Personalize构建个性化推荐系统 在人工智能服务层面,针对没有机器学习专业知识和能力的客户,亚马逊云科技提供开箱即用的人工智能服务。Amazon Personalize,一项用于构建个性化推荐系统的完全托管型机器学习服务,已在北京区域上线。开发人员无需具备机器学习专业知识,即可通过该服务训练、调整和部署自己定制的机器学习模型,构建个性化推荐系统,可用于产品推荐、个性化营销、个性化搜索和定制化直销等广泛的个性化推荐场景。 打造包罗万象的AI/ML工具集,七项新功能让Amazon SageMaker更强大 作为亚马逊云科技机器学习服务层面的核心产品,Amazon SageMaker是业界首个面向机器学习开发者的集成开发环境,它消除机器学习过程中的繁重工作,使客户能专注于自身的业务和应用创新,在提高客户工作效率的同时还大幅降低机器学习的总体拥有成本。去年12月在亚马逊云科技全球大会re:Invent 2020上刚刚亮相的七项 Amazon SageMaker新功能,近期已经在北京区域和宁夏区域落地。 1.Amazon SageMaker Data Wranger,简化机器学习的数据准备工作。通过该功能,客户可以将各种数据存储中的数据一键导入。Amazon SageMaker Data Wrangler内置了300多个数据转换器,让客户无需编写任何代码,就可以对机器学习用到的特征进行规范化、转换和组合。 2.Amazon SageMaker Feature Store,一个完全托管且专门构建的特征存储库,用于存储、更新、检索和共享机器学习特征。客户可以在其中存储和访问特征,以便更轻松地在各个团队中对其进行命名、共享和重复使用。 3.Amazon SageMaker Pipelines是业界首个针对机器学习专门构建、易于使用的持续集成和持续交付服务,通过编排和自动化提高机器学习工作的效率。借助该服务,用户可以大规模地创建、自动化和管理端到端机器学习工作流。 4.Amazon SageMaker Clarify让机器学习开发人员可以更好地掌控其训练数据和模型,从而识别和限制偏差并解释做出相关预测的原因。 5.Amazon SageMaker Distributed training libraries为训练大型深度学习模型和数据集提供了易用的方法,与现有分布式训练实现相比,以最高快 40% 的速度完成分布式训练,并且帮助用户减少手动实施数据并行和模型并行策略所需时间。 6. Amazon SageMaker Model Monitor帮助客户时刻保持机器学习模型的准确性,它能够自动检测生产环境中部署的模型,并在检测到不准确的预测时发出警报,从而帮助客户维护高质量的机器学习模型。 7.Amazon SageMaker Debugger,可以通过实时捕获训练指标,自动识别机器学习训练任务中正在出现的复杂问题,例如梯度值变得过大或过小等。它可以实时监控系资源(例如GPU、CPU、网络和内存等)的利用率,帮助用户提高资源利用率,对训练过程中的资源瓶颈进行告警,让开发者及时调度资源,快速采取纠正措施,减少时间和成本浪费。 基于高性能机器学习推理芯片Amazon Inferentia的Amazon EC2 Inf1实例落地中国区域 在机器学习底层的框架和基础架构层面,亚马逊云科技全面提供基于各家芯片供应商的最新技术选项,提供从小到大多种配置,支持市面上流行的各种机器学习框架和算法。同时,为了不断给客户提供更好性价比的算力,亚马逊云科技自主设计芯片,推出了高性能机器学习推理芯片Amazon Inferentia。基于Amazon Inferentia的Amazon EC2 Inf1实例落地北京区域和宁夏区域,让中国区域客户又多一种云端高性能和更低成本机器学习推理的算力选择。 亚马逊云科技的人工智能与机器学习服务,还受益于亚马逊云科技在计算、存储、数据库和数据分析等方面广博深厚的能力,以及它们优异的安全性、可靠性、可扩展性和成本效率,这些服务无缝集成、有效支撑,赋能更多组织和个人进行数字化转型和创新。

    时间:2021-05-11 关键词: 亚马逊云科技 人工智能 机器学习

  • 北京德威英国国际学校人工智能教育矢志高远

    2021年4月29日讯,北京德威英国国际学校(Dulwich College Beijing)日前正式引入全球领先云服务提供商亚马逊云科技的Amazon DeepRacer自动驾驶赛车、Amazon Alexa智能语音助手和Amazon DeepComposer智能音乐键盘等多项机器学习产品和服务,向学生提供寓教于乐、理论结合动手实践的人工智能与机器学习课程。 北京德威英国国际学校在STEAM(科学、技术、工程、艺术和数学)教育方面享有盛誉。2020年,北京德威的SE21/STEAM教学项目从全球200多个高质量申请中脱颖而出,赢得了2019年度国际学校创新教学奖。SE21中的“S”代表STEAM,“E”代指创业精神(entrepreneurship)和环境可持续性(environmental sustainability),“21”代表21世纪技能框架。学校设有一个专门的SE21中心,为学生提供场所,可以用于练习商业比稿演讲、一期机器人设计、编程、CAD/CAM、平面设计、影视制作、数码技术和虚拟现实等的学习基地。学生可以真正体验到企业家精神,参与解决现实世界的问题,了解工程设计、影视制作和进行项目式学习等。SE21所代表的不仅仅是活动、课程或场地,还意味着学校为学生提供了变革性的学习环境和条件,让学生获得终生受用的技能和素养。SE21着眼于为学生创造大学之后的各种学习机会,注重项目式学习的实践,达到学以致用。 为了更好地支持北京德威的STEAM教育,亚马逊云科技与学校一起,从青少年的兴趣出发,探索生动有趣的教学模式,让学生通过实践的方式更深刻地掌握人工智能和机器学习的知识和应用。北京德威将利用亚马逊云科技的专业服务,由亚马逊云科技的人工智能和机器学习行业专家协助老师一起,设计SE21/STEAM的人工智能课程内容,提高课程教研效率,并且让课程的更新迭代及时跟上行业变化。亚马逊云科技的人工智能和机器学习行业专家也会提供形式多样的培训活动,帮助老师快速掌握人工智能和机器学习知识,加深对行业前沿的理解,形成一个在人工智能和机器学习领域具备全球视野的STEAM教师团队。 Amazon DeepRacer是基于云的 3D 赛车模拟器、由强化学习驱动的全自动 1/18 比例赛车,是亚马逊云科技近几年人工智能和机器学习领域独具特色的产品,用于教学实践,可以让老师和学生通过上手体验的方式探索人工智能和机器学习应用场景。目前,北京德威的学生已经自行发起成立了DeepRacer俱乐部,运用Amazon DeepRacer服务设计线上线下比赛,通过深度参与、以赛促学的形式进行机器学习的探索。学校还会邀请亚马逊云科技美国总部的机器学习专家为学生进行线上培训和比赛辅导,根据青少年的特点程度编写教程,以寓教于乐的方式激发同学们的积极参与和学习热情。 北京德威英国国际学校校长柯睿林(Anthony Coles)表示,“德威集团价值之一正是创新精神。云计算和人工智能将帮助学生延展思考,真正着眼于将技术和知识应用于解决当今世界中的现实问题。通过携手亚马逊云科技开展这一教学项目,学生可以了解最新科技,掌握相关的技能,未来为行业、社会、人类乃至这个星球做出贡献。” 北京德威英国国际学校科技与创新教务主任Yosef Karasik补充道,“我们倡导的创新精神是让学生有机会自己创造项目、实践自己的创意,以及在各自领域进行创新,正如亚马逊云科技在云计算领域所践行的一样。亚马逊云科技的服务和设备可以让我们的教学变得更切合实际,将理论和实践进行结合。该教学项目可以让学生有机会实验技术的真实应用,而不仅仅是在课堂通过听讲或看视频的方式而进行单纯的理论学习。它让学生可以应用技术尝试解决现实生活中的问题,甚至帮助到社区,这也将进一步实现基于共情的教学实践。” 亚马逊云科技中国区政企事业部总监段微之表示,“亚马逊云科技一直致力于通过人工智能和机器学习赋能STEAM教育,培养新一代创新人才。我们非常高兴能与北京德威合作,将人工智能和机器学习的最新知识以青少年喜爱的方式带进中学校园。我们希望借助自身的创新产品和技术,在助力未来人才的成长过程中发挥积极作用。”

    时间:2021-04-29 关键词: 亚马逊云科技 人工智能 机器学习

首页  上一页  1 2 3 4 5 6 7 8 9 10 下一页 尾页
发布文章

技术子站