AI. Сопроцессоры. Облачные сервисы

1.

2. Оборудование

CPU
Экзотика
GPU
На чём
учить?
Сопроцессор
ы
Облачные
сервисы
FPGA

3. CPU VS GPU

4. CPU VS GPU

5. Видеокарты

Производительность
Ценовая эффективность

6. Облака

7. Программное обеспечение

8. Программное обеспечение

Кадры
Сообществ
о
Скорость
Какое ПО
использова
ть?
Интерфейс
ы
Готовые
решения
Сложность
внедрения

9. Программное обеспечение

10. Программное обеспечение

11. Программное обеспечение

12. модели

13. Данные

http://rodrigob.github.io/are_we_there_yet/build/classification_datasets_results.html

14. Производство

Производственный
процесс
Google!
Ищем или готовим
данные
Выбираем
архитектуру
Пробуем учить
Тестируем
В продакшн!

15. Тренируем модели

16.

Звук
Мужской голос: ну давайте вот мой
номер телефона
Женский голос:
здравствуйте девушка
мне только что звонили

17.

Решаем задачу
http://www.primaryobjects.com/2016/06/22/identifying-the-gender-of-a-voice-usingmachine-learning/
«After narrowing the analyzed frequency
range to 0hz-280hz (human vocal range) with
a sound threshold of 15%, the accuracy is
boosted to near perfect, with the best model
achieving 100%/99% accuracy.
You can see in the CART model below how
“mean fundamental frequency” serves as a
powerful indicator of voice gender, with a
threshold of 140hz separating male and
female classifications».

18.

Решаем задачу
9351 сэмпл, в сете 4545 женщин и 4806
мужчин.
Обучающая выборка: 8398, тестовая 953.

19. Описание модели: CNTK

20. Обучение

21. Кривые обучения

Learning rate — 2e-4
Learning rate — 5e-4
время обучения, часы
время обучения, часы

22.

Спасибо за внимание

23. Литература