Après avoir passé une semaine à parler de l’intelligence artificielle à Atlanta, en Géorgie lors de la conférence Ignite 2016 Microsoft, puis se retourna et a accueilli son Sommet science première machine Learning & Data dans la même région pour parler aux grands ingénieurs de données et l’apprentissage des machines développeurs.

Bien que facilement confondu avec l’autre, l’apprentissage machine et de l’intelligence artificielle ne sont pas aussi un in-the-même que beaucoup de gens croient qu’ils soient.

Joseph Sirosh, vice-président du groupe de données chez Microsoft, a passé une grande partie du sommet expliquant l’apprentissage des différences, des similitudes et des liens machine et l’intelligence artificielle ont ainsi que les objectifs de l’entreprise en combinant les deux à l’avenir.

Pour un aperçu de ce qui vous attend, voici juste quelques faits saillants du sommet.

Intelligence DB

Ceci est le modèle où l’intelligence vit avec les données dans la base de données. Imaginez une application d’entreprise transactionnel noyau construit avec une base de données comme SQL Server. Et si vous pouviez intégrer l’intelligence – à-dire analyse des algorithmes avancés et intelligents transformations de données – au sein de la base de données elle-même pour faire chaque transaction intelligente en temps réel? Ceci est maintenant possible pour la première fois avec R et ML intégrée dans SQL Server 2016.

Intelligence-DB Here's what happened in last week's Machine Learning & Data Science Summit

Intelligence DB

Lors du Sommet, nous avons montré hors d’une démonstration fascinante machine intitulée Learning @ 1.000.000 prédictions par seconde, dans laquelle nous avons présenté détection en temps réel de la fraude prédictive et la notation dans SQL Server. En combinant les performances de SQL Server OLTP en mémoire ainsi que columnstore en mémoire avec R et l’apprentissage automatique, les applications peuvent obtenir des performances remarquables dans la production, ainsi que le débit, le parallélisme, la sécurité, la fiabilité, les certifications de conformité et de gestion d’un moteur de base de données de force industrielle. Pour le dire simplement, l’intelligence (à savoir les modèles) deviennent tout comme les données, ce qui permet des modèles à gérer dans la base de données, en exploitant toutes les capacités sophistiquées du moteur de base de données. La performance des modèles peut être signalé, leur accès peut être contrôlé, et, de plus, parce que ces modèles vivent dans la base de données, ils peuvent être partagés par plusieurs applications. Aucune raison de plus pour l’intelligence d’être « enfermé » dans une application particulière.

J’ai eu deux clients viennent sur scène pour présenter ce modèle: PROS, qui utilise ML pour la gestion des recettes dans une application SaaS sur Azure, et Jack Henry & Associates, qui l’utilisent dans la prévision de charge-off prêt

.

Un des clients ‘PROS est une compagnie aérienne qui doit répondre à plus de 100 millions de visiteurs uniques, les demandes de prix individualisées chaque jour. Ils utilisent la statistique bayésienne, programmation linéaire, programmation dynamique et un tas d’autres technologies pour créer des courbes de prix. Pour répondre aux réponses, ils ont besoin d’être en moins de 200 millisecondes, de sorte que les réponses doivent être incroyablement rapide. Il est pratiquement impossible pour les humains pour ce faire – comprendre l’économie de marché à l’aide de toutes les données disponibles et de le faire en moins de 200 millisecondes. Donc, vous avez vraiment besoin d’un logiciel autonome la manipulation de ce. La combinaison de SQL Server 2016 et Azure a fourni la plate-forme unifiée et empreinte mondiale qui a rendu beaucoup plus facile pour PROS pour accomplir cela. En fait, 57% des plus de 3,5 milliards de personnes qui voyagent à bord des avions par an sont touchées par le logiciel PROS alimenté par Azure -. Il est assez incroyable

de Deep Intelligence

Le troisième motif, j’ai parlé est sur Intelligence profonde. Azure permet désormais aux utilisateurs d’effectuer un apprentissage en profondeur très sophistiqué avec facilité, en utilisant notre nouveau GPU VMs. Ces machines virtuelles combinent matériel puissant (NVIDIA Tesla K80 ou M60 GPU) à la fine pointe, des technologies d’intégration à haut rendement tels que Discrete Affectation de l’équipement, ce qui porte un nouveau niveau de capacité d’apprentissage profond pour les nuages ​​publics. Je suis accompagné sur scène la semaine dernière a été l’un de nos partenaires, eSmart Systems, qui ont présenté une démonstration de leurs Drones connectés qui sont capables d’inspecter des défauts dans les lignes électriques en utilisant la reconnaissance d’image.

Connected-Drone Here's what happened in last week's Machine Learning & Data Science Summit

Connected Drone

Systems eSmart est un petit, jeune et dynamique entreprise de la Norvège qui a rendu une décision rapide pour construire tous de leurs produits complètement sur la plate-forme Microsoft Azure. Leur mission est d’apporter de grandes analyses de données pour les services publics et les villes intelligentes, et Drone Connected est la prochaine étape dans la création de valeur pour les clients grâce à Azure. La façon dont ils l’ont mis, « Drone Connected est une façon de rendre l’intelligence Azure mobile». L’objectif de Drone Connected est de soutenir les inspections des lignes électriques qui, aujourd’hui, est effectuée soit par les équipes au sol en marchant miles et des miles de lignes électriques, ou par le biais de missions d’hélicoptères dangereuses pour surveiller aériennement ces lignes (s’il y a un endroit que vous ne le faites pas veulent l’homme d’être en hélicoptères, il est sur les lignes électriques haute). Avec Drones Connected, eSmart utilise l’apprentissage en profondeur pour automatiser autant de processus d’inspection que possible.

Connected-Drone-2 Here's what happened in last week's Machine Learning & Data Science Summit

Connected Drone UI

Drones Connected couvrir toutes les étapes du processus d’inspection à partir du début du plan d’inspection à la planification des la mission de drone, puis l’exécution de la mission. Comme ils volent au-dessus des lignes électriques, les drones flux de données en direct par Azure pour l’analyse. Systèmes eSmart utilise différents types de réseaux de neurones, y compris les réseaux de neurones profonds (DNN) pour faire cela, et ceux-ci sont tous déployés sur Azure GPU. Ils analysent les images fixes et vidéos des drones et sont en mesure de reconnaître des objets en temps réel. Le système est capable de traiter la vidéo à partir de 10 à 50 images par seconde à l’heure actuelle. Parmi les nombreux défis auxquels ils ont fait face, celui qui ils ont appelé sur la scène est un déséquilibre de classe, où ils ont beaucoup de différents types d’objets qui doivent être reconnus et certains de ceux qui sont plus fréquents que d’autres. Afin d’éviter un classificateur biaisée, la solution ils sont venus avec est de mélanger des images réelles et synthétiques pour former leurs modèles. Ceci est vrai, la machine d’enseignement. Je l’appelle Mission NN-possible!

D’autres sujets de base de discussion comprennent l’utilisation de bot intelligente des services cognitifs sur Azure, l’intersection de l’homme et de l’utilisation de l’apprentissage de la machine, ainsi que d’un coup d’oeil dans Intelligent lake.

Pour obtenir un mot pour mot délabré de tout discuté lors du Sommet premier Machine Learning & Science Data lecteurs intéressés de Microsoft peuvent saisir le PDF ici ou visitez Technet blog de Microsoft sur le serveur et outils .



With greeting of Winbeta.org

A LIRE  Windows - Leap Motion brings VR motion sensors to mobile devices. The future is here