09-03-2020 4:55 am Published by Nederland.ai Leave your thoughts

De acordo com uma pesquisa da Gartner, 48% dos CIOs globais implementarão a IA até o final de 2020. Apesar de todo o otimismo sobre IA e ML, continuo um pouco cético. Num futuro próximo, não prevejo nenhuma invenção real que leve a mudanças sísmicas na produtividade e no padrão de vida. As empresas que aguardam uma grande interrupção no cenário da IA / ML perderão os desenvolvimentos menores.

Aqui estão algumas tendências que podem passar despercebidas no momento, mas que terão grandes consequências a longo prazo:

1. Os fornecedores especializados de hardware e nuvem estão mudando o cenário

Longe vão os dias em que o local versus a nuvem era um tópico importante para as empresas. Hoje, até organizações conservadoras estão falando sobre nuvem e código aberto. Não é à toa que as plataformas em nuvem renovam sua oferta com serviços de AI / ML.

À medida que as soluções ML se tornam cada vez mais exigentes, o número de CPUs e RAM não é mais a única maneira de acelerar ou escalar. Mais algoritmos estão sendo otimizados para hardware específico do que nunca – sejam GPUs, TPUs ou “Wafer Scale Engines”. Essa mudança para um hardware mais especializado para resolver problemas de AI / ML será acelerada. As organizações limitarão o uso de CPUs – para resolver apenas os problemas mais básicos. O risco de envelhecimento tornará a infraestrutura de computação genérica insustentável para ML / AI. Isso é motivo suficiente para as organizações mudarem para plataformas na nuvem.

O aumento de chips e hardware especializados também levará a melhorias incrementais no algoritmo usando o hardware. Embora os novos hardwares / chips permitam o uso de soluções de IA / ML que antes eram consideradas lentas / impossíveis, muitas das ferramentas de código aberto que atualmente dirigem o hardware genérico precisam ser reescritas para aproveitar os chips mais recentes. Exemplos recentes de aprimoramentos de algoritmos são os Sideways para acelerar o treinamento de DL paralelizando as etapas de treinamento e o Reformer para otimizar o uso de memória e poder de computação.

2. Soluções inovadoras para e em torno da privacidade

Também prevejo uma mudança gradual no foco na privacidade de dados para implicações para a privacidade dos modelos de ML. Muita ênfase foi colocada em como e quais dados coletamos e como os usamos. Mas os modelos ML não são caixas pretas reais. É possível derivar a entrada do modelo com base na saída ao longo do tempo. Isso leva ao vazamento de privacidade. Os desafios de privacidade de dados e modelos obrigarão as organizações a adotar soluções de aprendizado federado. No ano passado, o Google lançou o TensorFlow Privacy, uma estrutura que funciona de acordo com o princípio da privacidade diferencial e adiciona ruído a entradas obscuras. Com o aprendizado federado, os dados de um usuário nunca deixam seu dispositivo / máquina. Esses modelos de aprendizado de máquina são inteligentes o suficiente e possuem uma memória pequena o suficiente para rodar em smartphones e aprender localmente a partir dos dados.

Geralmente, a base para solicitar os dados de um usuário era personalizar sua experiência individual. Por exemplo, o Google Mail usa o comportamento de digitação do usuário individual para fornecer sugestão automática. E os dados / modelos que ajudam a melhorar a experiência, não apenas para essa pessoa, mas também para um grupo maior de pessoas? As pessoas estariam dispostas a compartilhar seu modelo treinado (não dados) para o benefício de outras pessoas? Há uma oportunidade de negócio interessante aqui: pagar aos usuários por parâmetros de modelo que resultam do treinamento dos dados em seus dispositivos locais e do uso de sua capacidade de computação local para treinar modelos (por exemplo, no telefone, se for relativamente inutilizável).

3. A implementação robusta de modelo se torna essencial

No momento, as organizações estão lutando para produzir modelos para escalabilidade e confiabilidade. As pessoas que escrevem os modelos não são necessariamente especialistas no campo de segurança, proteção e desempenho de modelos. Uma vez que os modelos de aprendizado de máquina se tornem parte integrante dos aplicativos principais e críticos, isso inevitavelmente levará a ataques em modelos semelhantes aos ataques de negação de serviço com os quais os aplicativos principais estão lidando atualmente. Já vimos alguns exemplos de baixa tecnologia de como isso pode ser: acelerar um Tesla em vez de diminuir a velocidade, mudar de faixa, parar abruptamente ou ligar limpadores sem os acionadores certos. Imagine que consequências esses ataques poderiam ter para sistemas financeiros, equipamentos de saúde, etc., que são altamente dependentes da IA / ML?

Atualmente, os ataques inimigos estão limitados ao mundo acadêmico para entender melhor as implicações dos modelos. Mas em um futuro não muito distante, os ataques aos modelos serão “sem fins lucrativos” – conduzidos por seus concorrentes que querem mostrar que eles são de alguma forma melhores ou por hackers mal-intencionados que podem mantê-lo resgatado . Por exemplo, hoje, as novas ferramentas de segurança cibernética dependem da IA / ML para identificar ameaças como invasões e vírus na rede. E se eu conseguir provocar ameaças falsas? Quais seriam os custos associados à identificação de avisos reais versus falsos?

Para combater essas ameaças, as organizações devem colocar mais ênfase na verificação de modelos para garantir robustez. Algumas organizações já usam as redes de oponentes para testar redes neurais profundas. Hoje contratamos especialistas externos para verificar a segurança da rede, segurança física etc. Da mesma forma, veremos o surgimento de um novo mercado para modelos de teste e especialistas em segurança de modelos, que testarão, certificarão e talvez assumirão alguma responsabilidade pela falha do modelo.

Deixe uma resposta

O seu endereço de email não será publicado. Campos obrigatórios marcados com *

three × 4 =

The maximum upload file size: 256 MB. You can upload: image, audio, video, document, spreadsheet, interactive, text, archive, code, other. Links to YouTube, Facebook, Twitter and other services inserted in the comment text will be automatically embedded. Drop file here