您的位置 首页 电子技术

英特尔助推人工智能技术的应用和发展

上周,英特尔成都主办第一次人工智能论坛,邀请到全国各地多所高校的专家学者及40多位英特尔资深工程师出席。\” />

<meta http-equiv=X-UA-Compatible content=\"IE=edge,chrome=1

上周,英特尔成都主办第一次人工智能论坛,邀请到全国各地多所高校的专家学者及40多位英特尔资深工程师出席。

论坛主要聚焦于图像识别、数据挖掘的学术及应用分享讨论,以达到促进人工智能在制造领域的实践应用,助力高效人工智能应用人才的培养,开拓英特尔工程师思路,共同促进发展的目的。

英特尔成都希望通过此次论坛搭建高校和企业之间的桥梁,鼓励创新,将学术研究和产业应用紧密结合起来,互相促进,助推人工智能技术的应用和发展。

“人工智能是大势所趋,而且速度会越来越快。”

——卞成刚(英特尔制造与供应链事业部副总裁、英特尔产品(成都)公司总经理 )

英特尔制造与供应链事业部副总裁、英特尔产品(成都)公司总经理卞成刚在开场致辞中表示,“对英特尔来说,我们的人工智能战略分三大块:培育生态系统,推动共同发展;塑造开源软件,取胜行业竞争;集成产品优势,构造最佳平台。”

他还对人工智能的几个陷阱进行了分析,提醒工程师们在学习和运用人工智能功能的时候,避免掉入几个明显的陷阱。

“智能制造是工业4.0的核心技术和驱动力。”

——陈玉荣(英特尔中国研究院首席AI科学家)

英特尔中国研究院、英特尔首席AI科学家陈玉荣介绍了工业时代4.0中,人工智能+工业互联网+数字化制造——智能制造是当下的核心技术和驱动力。

巨量信息处理的过程中,人工智能发挥了不可替代的作用,通过对图像、自然语言的分类、处理及挖掘,软硬件结合同时助力智能制造。

扩展边缘深度视觉智能及应用也同样体现在产品升级上:通过高效CNN结构设计提升准确率、降低资源需求;深度模型压缩优化,软硬结合提升性能;视觉学习扩展 ,权衡准确率和效率。

“多元化、非结构、非线性数据的处理为智能信息处理领域提出了新的挑战!”

——刘静 (西安电子科技大学广州研究院副院长)

西安电子科技大学广州研究院副院长刘静分享了团队在智能优化、复杂网络系统和计算机视觉的研究与应用。

其中,智能优化提供了非结构化海量数据的高效优化、非结构化非线性数据的自适应学习和识别的解决方案,优秀应用案例中还涉及到多AGV调度、点胶路径规划和智能芯片布图,充分体现了人工智能在智能制造中的应用。

在复杂网络系统方面,通过将系统的组成部分表示成网络节点、将连接表示成边的方式把相互作用的实体之间的关系表示成网络,对复杂网络的研究就可以获得对应系统的行为、性能等特性。

刘静还介绍了计算机视觉在工业中的广泛应用,例如:视频检测、成品良率检测、X光违禁物品检测、高速掉落物品缺陷检测、和工厂熟悉的AGV视觉导航系统。

“人工智能是解决工业检测问题的可行解决方式。”

——汪国有(华中科技大学

人工智能与自动化学院教授)

随着人工智能的发展,模式识别、计算机视觉、机器学习等理论与算法在工业视觉检测和工业大数据分析中已得到广泛应用。

在许多实际业务领域,仍面临算法的鲁棒性不够、训练样本数量不足、训练样本标记欠缺等挑战,影响了人工智能技术的推广应用。

华中科技大学人工智能与自动化学院教授汪国有分享了团队通过图像复原,图像语义分割,视频行为理解的方法,提出了可能的解决思路,包括鲁棒模式识别的深度原型学习、小样本学习、半监督学习等。

最后,介绍了在工业视觉检测和工业大数据分析中的相关成果,包括生产零件图像检测、机器视觉以及物联制造大数据的机器学习与性能预测共性关键技术研发。

“我们的视界,充满AI。”

——吴晓(西南交通大学

计算机与人工智能学院教授 )

随着人工智能的飞速发展,尤其是近年来深度学习在各行各业的应用落地,西南交通大学计算机与人工智能学院教授吴晓主要介绍了团队在智能交通、智能风险管控、智能安防等领域的最新研究成果和项目应用。

通过深度学习、计算机视觉和图像/视频处理,将人工智能运用到主要四大工业,例如智能交通平台,加油站安全风险及服务管控、化工厂智能监控和智能医疗影像分析,将人工智能运用于实际生活,助力民生。

令现场工程师感兴趣的是在安全风险、服务管控及智能监控平台中,人工智能在计算机视觉、图像、视频处理中的广泛运用,对工厂的人员调度、工作流程标准化和工厂环境安全有极大启发。

“思考和展望,感算共融,将智能推向极致的边缘。”

——乔飞(清华大学电子工程系副研究员)

设计和实现具有持续智能感知能力的集成物联网节点是实现各种终端设备智能化的必由之路,也是解决当前物联网系统功耗、实时性和安全隐私性难题的关键技术。

乔飞的团队提出面向智能持续感知的“传感-计算”共融体系架构和集成电路设计方法,将面向视觉、听觉和触觉等多模态感知和多场景感知的需求,设计能够持续开机工作的智能持续感知芯片和超低功耗物联网节点。

相关“传感-计算”共融智能持续感知架构和低功耗混合信号集成电路设计技术,以及体系化的设计方法将是在新兴需求下对于传统数字化感知处理体系的显著拓展,也必将对于超低功耗智能持续感知芯片的设计引领新的设计方向。

“数据赋能智能制造。”

——杨润星(英特尔成都数据科学家)

“数据前馈让制造工厂更加高效。”

——侯宗林 (英特尔成都封装测试部工程师)

杨润星介绍了芯片工厂的生产流程,强调数据在工厂提升产品良率,降低成本,实现精益生产方面的巨大效能,同时,他也指出了工厂追求更高质量生产方面的挑战领域,希望能在此次论坛能获取更多人工智能在深度学习、图像视觉处理方面的启迪,进而运用于工厂的实际生产中。

侯宗林介绍了数据在智能智造中节约成本、提高生产效率的实际案例。使用DFF(Data Feed Forward)模型,对生产结果数据进行分析,及时改进操作流程,提高设备检测精准度,减少产量预估误差。数据可以在高产量要求工厂中全面运用,赋能智能制造。

“人工智能在临床医学图像质量优化方面起到了至关重要的作用。”

——蒲晓蓉(电子科技大学

计算机科学与工程学院 首席教授)

20世纪90年以来,肺癌筛查进入低剂量LDCT ( Low-Dose Computed-Tomography)时代,并已成为肺癌筛查研究的热点。研究表明,与X线胸片相比,采用LDCT对肺癌高危人群进行筛查可使肺癌病死率下降20% 。

一般地,自然图像的降噪依赖于噪声类型,而低剂量CT噪声被认为是量子噪声和电子高斯噪声的总和。因此,传统图像降噪算法难以胜任LDCT图像降噪。近年来,深度学习被大量用于LDCT图像降噪和去除伪影。但很多降噪图像会出现外观模糊、缺少病灶细节等不利于临床诊断的致命缺陷。

蒲晓蓉的团队聚焦几个核心问题,提出面向临床应用的LDCT图像降噪的系列深度学习方法,包括:(1)由于临床难以采集获得结构信息完全匹配的LDCT和NDCT (Normal-Dose,正常剂量CT)样本对,用于有监督训练,我们提出一种噪声估计、学习与扩充新方法,利用丰富易得的NDCT样本获得伪LDCT配对方法,实现即插即用无配对LDCT降噪通用架构。该研究成果荣获2020图像计算与数字医疗国际会议比赛冠军和大会论文收录。(2)现有LDCT降噪方法较少关注感兴趣区域(ROI),且降噪与高阶任务(如病灶检测等)无关联等不足,提出将医学图像降噪与病灶检测有机结合新架构,构建了多损失集成和网络协同训练新方法,研究成果发表于CCF A类国际会议ACM MM。

“人工智能助力英特尔智能制造,大有可为。

——刘倩(英特尔运营制造部自动化 部门经理)

刘倩作为自动化部门经理跟大家分享了人工智能在英特尔制造流程中的趋势、挑战以及应用。

比如生产线上的某一台机器,每分钟就能产出大约10G的数据,我们如何快速、精准、保质保量的对数据进行处理,是一个挑战。这表明,英特尔既是一个数据应用者,又是一个大规模数据的产出者。从14nm技术之后,大规模数据的井喷,推动着半导体制造行业从人为检测,逐步代替机器检测,从而保证精益生产。

人工智能在英特尔制造中的应用分别是自动缺陷分类、设计部门优化、老化性测试、预测性维护和声学检测,数据处理从难度和价值上来讲分为三个阶段“是什么”、“为什么”、“如何避免”,主要聚焦于如何适应流程变化、如何处理巨量数据、如何优化产品测试、如何帮助解决方案制定这五大方面。英特尔成都制造工厂正致力于第三阶段,推动数据分析预见性在制造生产中的实际应用,实现质量、成本的双面提高。

“人工智能是人从经验中学习和认知,再将这样的思维运用于机器。”

——杨维平(英特尔成都封装制造首席工程师)

英特尔封装制造首席工程师杨维平作为闭幕致辞嘉宾对到场的学院老师及工程师代表表示了感谢。英特尔成都始终致力于产教融合、加强校企合作,在互相交流中碰撞出新的火花,培养产业导向的优秀学子,更新和提高了工程师的知识面,为产业的可持续发展不断培养创新人才。

现场,他还跟大家分享了数据和图像处理在工业4.0时代在制造业实际运用:运用Smart System,处理Smart Data,通过AI,实现智能制造。运用数据来辅佐决策,在需要时以被需要的形式出现在制造流程的改进过程中。

此次研讨会通过主题演讲分享英特尔人工智能生态,为教育注入创新思维,同时通过深入探讨数据挖掘、图像处理等人工智能技术热点与趋势,探索产学研合作新途径,展示学术界AI最新教学与科研成就,进行多形式的学术交流与互动,进而提升产业多元化发展,为社会带来更多新机遇。

原文标题:“共建产学生态,引领智造创新” – 英特尔人工智能学术论坛成功举办

文章出处:【微信公众号:英特尔责任芯】欢迎添加关注!文章转载请注明出处。

审核编辑:汤梓红

<!–

免责声明:文章内容不代表本站立场,本站不对其内容的真实性、完整性、准确性给予任何担保、暗示和承诺,仅供读者参考,文章版权归原作者所有。如本文内容影响到您的合法权益(内容、图片等),请及时联系本站,我们会及时删除处理。

作者: admin

为您推荐

智慧路灯照明系统的应用为智慧城市的发展建设添砖加瓦

智慧路灯照明系统的应用为智慧城市的发展建设添砖加瓦

智慧路灯照明系统的应用为智慧城市的发展建设添砖加瓦-夜间的路灯不仅照亮了黑暗的街道,而且照亮了回家的道路。从街上望去,闪烁的路灯发出暖光,指引着我们家的方向。城市里的路灯就像“守护者”,给长途旅行回来的游客带来了极大的安全感。 当今,路灯智能控制时代的到来,极大地促进了传统路灯的人工机械化运行。虽然对此感到兴奋,但我们不禁要问:随着路灯智能控制的早期到来,除了改善路灯的运行模式,还能带来什么? 为城市交通提供安全保障 城市公共照明系统中的智能路灯在每个路

晶振在五种不同行业中的应用说明

晶振在五种不同行业中的应用说明-晶振在五种不同行业的应用-由TST嘉硕代理KOYU光与电子

几种不同的物联网控制APP模式

本文就简单介绍当前几种物联网控制APP模式,让大家了解几种不同的技术路线。\” />

<meta http-equiv=X-UA-Compatible content=\"IE=edge,chrome=1

苹果稳坐全球可穿戴设备数量首位,占据日本市场超7成份额

苹果稳坐全球可穿戴设备数量首位,占据日本市场超7成份额

苹果公司占据2021年日本第四季度可穿戴设备71.5%份额,占据全球可穿戴设备市场34.9%份额。\” />

<meta http-equiv=X-UA-Compatible content=\"IE=edge,chrome=1

如何用GPUDirect存储器如何缓解CPU I / O瓶颈

除了使用 GPUs 而不是 CPU 加快计算的好处外,一旦整个数据处理管道转移到 GPU 执行,直接存储就起到了一个力倍增器的作用。这一点变得尤为重要,因为数据集大小不再适合系统内存,而且 GPUs 的数据 I / O 增长成为处理时间的瓶颈。当人工智能和数据科学继续重新定义可能的艺术时,启用直接路径可以减少甚至完全缓解这个瓶颈。\” />

<meta http-equiv=X-UA-Compatible content=\"IE=edge,chrome=1

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

返回顶部