Artificial intelligence

Quand est-ce que suffisamment de données sont suffisantes pour l’IA et la prise de décision ?

Data streams through a businessman

Le problème et la promesse de l’intelligence artificielle (IA), ce sont les gens. Cela a toujours été vrai, quels que soient nos espoirs (et nos craintes) de voir des seigneurs robotiques prendre le relais. En IA et en science des données en général, l’astuce consiste à mélanger le meilleur des humains et des machines. Depuis un certain temps, les pom-pom girls de l’industrie de l’IA ont tendance à mettre l’accent sur le côté machine de l’équation. Mais comme la santé du printemps La scientifique des données Elena Dyachkova laisse entendreles données (et les machines qui les sous-tendent) ne sont utiles que si les personnes qui les interprètent sont intelligentes.

Décompressons ça.

Données imparfaites, bonnes décisions

Dyachkova répondait à un commentaire de Sarah Catanzaro, associée générale chez Amplify Partners et ancienne responsable des données chez Mattermark. Discuter de l’utilité des données imparfaites et de l’analyse dans la prise de décision, catanzaro dit“Je pense que la communauté des données passe souvent à côté de la valeur des rapports et des analyses qui [are] imparfait mais directionnellement correct. Puis elle continue à argumenter, « De nombreuses décisions ne nécessitent pas d’informations de haute précision ; nous ne devrions pas avoir peur du rapide et du sale dans de nombreux contextes.

C’est un excellent rappel que nous n’avons pas besoin de données parfaites pour éclairer une décision. C’est zonte. Gary Marcus, scientifique et fondateur de Geometric Intelligence, une société d’apprentissage automatique acquise par Uber en 2016, insiste sur le fait que la clé pour apprécier l’IA et ses sous-ensembles d’apprentissage automatique et d’apprentissage en profondeur consiste à reconnaître que ces outils de reconnaissance de formes sont à leur meilleur “lorsque tout le reste est disponible”. ce dont nous avons besoin est grossier. des résultats prêts là où les enjeux sont faibles et des résultats parfaits en option. Malgré cette vérité, dans notre quête d’applications plus puissantes alimentées par l’IA, nous continuons à rechercher de plus en plus de données, dans l’espoir que, avec suffisamment de données, les modèles d’apprentissage automatique nous donneront en quelque sorte des résultats meilleurs que “prêts à l’emploi”. .

Malheureusement! Cela ne fonctionne tout simplement pas de cette façon dans le monde réel. Bien que plus de données puissent être utiles, pour de nombreuses applications, nous n’avons pas besoin de plus de données. Au lieu de cela, nous avons besoin de personnes mieux équipées pour comprendre les données dont nous disposons déjà.

Comme le note Dyachkova, “L’analyse des produits est à 80 % rapide et sale. Mais la capacité de juger quand rapide et sale est approprié nécessite une bonne compréhension des statistiques. C’est compris? Vincent Dowling, data scientist chez Indeed.com, rend le propos encore plus clair: “Une grande partie de la valeur d’être un analyste/scientifique expérimenté consiste à déterminer le degré de rigueur nécessaire pour prendre une décision.”

Les deux parlent de la façon de prendre des décisions, et dans les deux cas, l’expérience des personnes qui analysent les données est plus importante que les données elles-mêmes. Les machines ne pourront jamais compenser le manque de connaissances des personnes qui les font fonctionner. En tant qu’éditorialiste de Le gardien postes, “La promesse de l’IA est qu’elle dotera les machines de la capacité de détecter des modèles dans les données et de prendre des décisions plus rapidement et mieux que les humains. Que se passe-t-il s’ils prennent de pires décisions plus rapidement ? »

C’est une possibilité très réelle si les gens renoncent à la propriété, pensant que les données et les machines parleront d’une manière ou d’une autre d’elles-mêmes.

Moins de données, plus de connaissances

Mettre les gens en charge n’est pas si facile à réaliser dans la pratique. En tant que vice-président de la recherche chez Gartner Manjunath Bhat suggère, l’IA est influencée par l’apport humain, y compris les données que nous choisissons pour alimenter les machines. Les résultats de nos algorithmes, à leur tour, influencent les données avec lesquelles nous prenons des décisions. « Les gens consomment des faits sous forme de données. Cependant, les données peuvent être modifiées, transformées et changées – tout cela dans le but de faciliter leur consommation. Nous n’avons donc pas d’autre choix que de vivre dans les limites d’une vision du monde hautement contextualisée.

Pour un projet d’apprentissage automatique réussi, soutient le scientifique appliqué d’Amazon Eugene Yan, “Vous avez besoin de données. Vous avez besoin d’un pipeline robuste pour prendre en charge vos flux de données. Et surtout, vous avez besoin d’étiquettes de haute qualité. Mais il n’y a aucun moyen d’étiqueter correctement ces données sans des personnes expérimentées. Pour bien l’étiqueter, vous devez comprendre les données.

Cela remonte à un point par Svetlana Sicular, analyste chez Gartner il y a dix ans : les entreprises regorgent de personnes qui comprennent les nuances de leur activité. Ils sont les mieux placés pour découvrir les bons types de questions à poser sur les données de l’entreprise. Ce qui leur manque peut-être, c’est la compréhension supplémentaire des statistiques que souligne Dyachkova – la capacité de savoir quand des résultats «assez bons» sont en fait assez bons.

Bien sûr, c’est pourquoi la science des données est difficile. Dans chaque enquête sur les principaux obstacles à l’adoption de l’IA/ML, le “talent” est toujours en tête de liste. Nous pensons parfois que cela est dû à un manque de talents en science des données, mais nous devrions peut-être nous inquiéter du manque de compréhension de base des statistiques, des mathématiques et des affaires d’une entreprise.

Copyright © 2022 IDG Communications, Inc.

Les dépenses en intelligence artificielle ont augmenté de 20,7 % dans le monde en 2021, selon IDC

Les logiciels d’IA captent la plus grande part des dépenses d’IA sur les plates-formes d’IA, avec une croissance de 36,6 %

NEEDHAM, Massachusetts, 12 septembre 2022 – Les revenus du marché mondial de l’intelligence artificielle (IA), y compris les logiciels, le matériel et les services pour les applications centrées sur l’IA et non centrées sur l’IA *, ont totalisé 383,3 milliards de dollars en 2021, en hausse de 20,7% par rapport à l’année, selon le dernier International Data Corporation ( IDC) Suivi semestriel mondial de l’intelligence artificielle. IDC s’attend à ce que la capitalisation boursière de l’IA atteigne près de 450 milliards de dollars en 2022 et maintienne un taux de croissance d’une année sur l’autre chez ses adolescents au cours des cinq prochaines années.

« Dans tous les secteurs et toutes les fonctions, les organisations d’utilisateurs finaux découvrent les avantages des technologies d’IA, car des solutions d’IA de plus en plus puissantes permettent une meilleure prise de décision et une plus grande productivité », a déclaré Rasmus Andsbjerg, vice-président associé des données et de l’analyse chez IDC. “La réalité est que l’IA offre des solutions pour tout ce à quoi nous sommes confrontés en ce moment. L’IA peut être une source d’accélération des parcours de transformation numérique, permettant des économies de coûts en période de taux d’inflation vertigineux et soutenant les efforts d’automatisation en période de pénurie de main-d’œuvre.”

Les logiciels d’IA représentaient à nouveau la plus grande part du marché global de l’IA en 2021. Ensemble, les quatre catégories de logiciels d’IA – livraison et déploiement d’applications d’IA, applications d’IA, logiciels d’infrastructure de système d’IA et plateformes d’intelligence artificielle – ont généré plus de 340 milliards de dollars sur le marché plafond en 2021, les applications d’IA représentant près de la moitié du total. Les plates-formes d’intelligence artificielle ont enregistré la croissance la plus élevée d’une année sur l’autre, à 36,6 %, bien qu’à partir d’un niveau de référence inférieur.

Dans la catégorie des applications d’IA, les applications de gestion de la relation client (CRM) d’IA et les applications de gestion des ressources d’entreprise (ERM) d’IA ont chacune fourni environ 16 % du total de la catégorie. Le reste a été fourni par la pléthore d’autres applications d’IA disponibles sur le marché. Avec près de 300 entreprises en lice pour gagner des parts de marché, le marché des applications d’IA reste très concurrentiel.

AI Tracker d’IDC montre également que les applications centrées sur l’IA, où les technologies d’IA sont centrales et essentielles au fonctionnement de l’application, ont continué à augmenter lentement leur part du marché des logiciels d’IA. En 2021, les applications centrées sur l’IA ont capturé 12,9 % du marché, en hausse de 29,3 % d’une année sur l’autre. Le reste du marché était détenu par des applications non centrées sur l’IA où les technologies d’IA font partie intégrante de certains workflows d’application, mais si ces technologies étaient supprimées, l’application pourrait toujours fonctionner.

De même, le déploiement de logiciels d’IA dans le cloud continue d’afficher une croissance régulière. En 2021, 47,3 % des achats de logiciels d’IA ont été déployés sur le cloud public, en hausse de quatre points de pourcentage par rapport à 2020 et de 8,4 points de pourcentage par rapport à 2019. IDC s’attend à ce que le déploiement dans le cloud du logiciel d’IA nouvellement acquis dépasse les déploiements sur site en 2022.

Le marché des services d’IA a vu sa valeur totale augmenter de 22,4 % d’une année sur l’autre pour atteindre 24 milliards de dollars en 2021. La demande des clients pour une expertise dans le développement de solutions d’IA de niveau production a aidé la catégorie des services informatiques d’IA à croître de 21,9 % d’une année sur l’autre. -année à 18,8 milliards de dollars. La catégorie des services commerciaux d’IA a augmenté de 24,2 % d’une année sur l’autre, les organisations ayant demandé de l’aide pour la gouvernance de l’IA, les processus commerciaux et les stratégies de gestion des talents.

Le matériel d’IA était le segment le plus petit (18,8 milliards de dollars) et à la croissance la plus rapide (38,9 % d’une année sur l’autre) du marché de l’IA. La croissance du matériel a été stimulée par les efforts visant à créer des systèmes d’IA dédiés capables de répondre aux demandes croissantes de calcul et de stockage de modèles et d’ensembles de données d’IA. Alors que AI Servers et AI Storage ont connu une forte croissance en 2021 – 39,1 % et 32,9 % respectivement – ​​les achats de serveurs ont été nettement plus élevés à 15,6 milliards de dollars.

* Remarque sur la taxonomie : Le suivi semestriel de l’intelligence artificielle d’IDC Worldwide utilise une définition large des applications d’IA qui comprend à la fois des applications centrées sur l’IA et non centrées sur l’IA. Les applications centrées sur l’IA sont des applications ou des modules d’IA où les technologies d’IA sont centrales et essentielles au fonctionnement de l’application, et si les technologies d’IA sont éliminées, l’application cessera d’exister. Les applications d’IA non centralisées incluent celles où le composant d’IA n’est pas centralisé ou n’est pas critique pour l’application. En d’autres termes, l’application fonctionnera sans inclure le composant AI. Cela permet d’inclure des fournisseurs qui ont intégré des capacités d’IA dans leurs logiciels, mais les applications ne sont pas utilisées uniquement pour les fonctions d’IA. En comparaison, le Guide mondial des dépenses en intelligence artificielle d’IDC utilise uniquement la définition centrée sur l’IA de ce qui constitue une application d’IA. Cette distinction permet au Guide des dépenses de se concentrer sur les applications logicielles fortement centrées sur l’IA.

Le suivi semestriel de l’intelligence artificielle IDC Worldwide fournit des données sur les parts et les dépenses des fournisseurs pour le marché mondial des solutions d’IA sur une base semestrielle. Les principaux groupes technologiques (matériel, logiciel et services) reposent sur la méthodologie complète d’IDC impliquant la modélisation de la charge de travail des produits, des marchés et des fournisseurs. Les revenus de l’IA de plus de 750 entreprises sont inclus dans Tracker, ce qui garantit que le paysage concurrentiel est bien représenté dans les trois groupes technologiques. Des données sont disponibles pour 27 pays et cinq autres régions.

À propos des trackers IDC

Les produits IDC Tracker fournissent une taille de marché, une part de fournisseur et des prévisions précises et opportunes pour des centaines de marchés technologiques dans plus de 100 pays à travers le monde. À l’aide d’outils et de processus de recherche exclusifs, les trackers IDC sont mis à jour semestriellement, trimestriellement et mensuellement. Les résultats du suivi sont fournis aux clients dans des livrables Excel faciles à utiliser et des outils de requête en ligne.

Pour plus d’informations sur le suivi semestriel mondial de l’intelligence artificielle d’IDC, contactez Kathy Nagamine au 650-350-6423 ou [email protected]

Cliquez ici pour en savoir plus sur la suite complète de produits de données d’IDC et sur la façon dont vous pouvez les exploiter pour développer votre entreprise.

À propos d’IDC

International Data Corporation (IDC) est le principal fournisseur mondial d’informations commerciales, de services de conseil et d’événements pour les marchés des technologies de l’information, des télécommunications et des technologies grand public. Avec plus de 1 300 analystes dans le monde, IDC offre une expertise mondiale, régionale et locale en matière de technologie informatique, d’analyse comparative et d’approvisionnement informatique, ainsi que d’opportunités et de tendances sectorielles dans plus de 110 pays. L’analyse et les connaissances d’IDC aident les professionnels de l’informatique, les dirigeants d’entreprise et la communauté des investisseurs à prendre des décisions technologiques fondées sur des faits et à atteindre leurs principaux objectifs commerciaux. Fondée en 1964, IDC est une filiale en propriété exclusive d’International Data Group (IDG), le leader mondial des médias technologiques, des données et des services marketing. Pour en savoir plus sur IDC, visitez https://www.idc.com. Suivez IDC sur Twitter à @IDC et LinkedIn. s’abonner à Blog IDC pour les nouvelles et les idées de l’industrie.

Toit

Mesures pour prévenir la surutilisation et l’utilisation abusive de l’apprentissage automatique dans la recherche clinique

Le terme “surutilisation” fait référence à l’adoption inutile de l’IA ou de techniques avancées de ML là où des méthodologies alternatives, fiables ou supérieures existent déjà. Dans de tels cas, l’utilisation de techniques d’IA et de ML n’est pas nécessairement inappropriée ou infondée, mais la justification de telles recherches n’est pas claire ou artificielle : par exemple, une nouvelle technique peut être proposée qui n’offre pas de nouvelles réponses significatives.

De nombreuses études cliniques ont utilisé des techniques de ML pour obtenir des performances respectables ou impressionnantes, comme le montrent les valeurs d’aire sous la courbe (AUC) comprises entre 0,80 et 0,90, voire > 0,90 (tableau 1). Une AUC élevée n’est pas nécessairement une marque de qualité, car le modèle ML peut être surajusté (Fig. 1). Lorsqu’une technique de régression traditionnelle est appliquée et comparée aux algorithmes ML, les modèles ML les plus sophistiqués n’offrent souvent que des gains de précision marginaux, présentant un équilibre discutable entre la complexité et la précision du modèle.1.2,8,9,dix,11,12. Même des AUC très élevées ne sont pas des garanties de robustesse, car une AUC de 0,99 avec un taux d’événements global <1 % est possible et conduirait à prédire correctement tous les cas négatifs, alors que les quelques événements positifs ne le sont pas.

Figure. 1 : Ajustement du modèle.
Figure 1

Étant donné un ensemble de données avec des points de données (points verts) et un effet réel (ligne noire), un modèle statistique vise à estimer l’effet réel. La ligne rouge illustre une estimation proche, tandis que la ligne bleue illustre un modèle ML surajusté avec une dépendance excessive aux valeurs aberrantes. Ce modèle peut sembler donner d’excellents résultats pour cet ensemble de données particulier, mais il ne fonctionne pas bien sur un ensemble de données différent (externe).

Il existe une distinction importante entre une amélioration statistiquement significative et une amélioration cliniquement significative des performances du modèle. Les techniques d’apprentissage automatique offrent sans aucun doute des moyens puissants pour traiter les problèmes de prédiction impliquant des données avec des relations non linéaires ou complexes de grande dimension (tableau 1). En revanche, de nombreux problèmes de prédiction médicale simples sont intrinsèquement linéaires, avec des caractéristiques choisies parce qu’elles sont connues pour être de bons prédicteurs, souvent basées sur des recherches antérieures ou des considérations mécanistes. Dans de tels cas, il est peu probable que les méthodes de BC apportent une amélioration substantielle de la discrimination.deux. Contrairement au scénario d’ingénierie, où toute amélioration des performances peut améliorer le système dans son ensemble, il est peu probable que de modestes améliorations de la précision des prédictions médicales produisent une différence dans l’action clinique.

Tableau 1 Définitions de plusieurs termes clés de l’apprentissage automatique

Les techniques de ML doivent être évaluées par rapport aux méthodologies statistiques traditionnelles avant d’être déployées. Si l’objectif d’une étude est de développer un modèle prédictif, les algorithmes ML doivent être comparés à un ensemble prédéfini de techniques de régression traditionnelles pour le score de Brier (une métrique d’évaluation similaire à l’erreur quadratique moyenne, utilisée pour vérifier la qualité d’un score de probabilité prédit ), la discrimination (ou AUC) et l’étalonnage. Le modèle doit ensuite être validé en externe. Les méthodes analytiques et les mesures de performance auxquelles elles sont comparées doivent être spécifiées dans un protocole d’étude prospective et doivent aller au-delà de la performance générale, de la discrimination et de l’étalonnage pour inclure également des mesures liées au surajustement.

En revanche, certains algorithmes sont capables de dire « je ne sais pas » face à des données inconnues.13un résultat important mais souvent négligé, car le fait de savoir qu’une prédiction est très incertaine peut, en soi, être cliniquement exploitable.

Intelligence des données : un aperçu

Fond d'intelligence d'affaires analytique

Alors que les nouvelles technologies facilitent l’utilisation du Big Data, l’intelligence des données apparaît comme la clé pour libérer davantage de valeur commerciale.

Image : BillionPhotos.com/Adobe Stock

Si vous travaillez dans une industrie plus axée sur la technologie, il y a de fortes chances que vous ayez déjà entendu le terme « intelligence des données ». Mais qu’est-ce que l’intelligence des données ? Et plus important encore, comment pouvez-vous l’utiliser pour votre avantage concurrentiel ? Ce guide explore l’intelligence des données et comment ses meilleures pratiques peuvent bénéficier à plusieurs industries.

Sauter à:

Qu’est-ce que l’intelligence des données ?

Les données ne conviennent à la prise de décision que si elles sont fiables, exactes et opportunes. C’est là qu’intervient l’intelligence des données. Au sens le plus élémentaire, l’intelligence des données est un moyen ou un système d’utilisation des données pour prendre de meilleures décisions. Vous pouvez optimiser votre intelligence des données en analysant les données existantes ou en collectant de nouvelles données.

VOIR : Kit de recrutement : Ingénieur de base de données (TechRepublic Premium)

L’intelligence des données s’appuie désormais principalement sur l’intelligence artificielle et les techniques d’apprentissage automatique pour faire des prédictions ou des recommandations basées sur les données collectées. Selon L’état de l’IA en 2021 Selon l’enquête mondiale de McKinsey, au moins 5 % des revenus d’exploitation sont désormais attribuables à l’utilisation de l’IA. Les cas d’utilisation incluent la prise de meilleures décisions en matière de développement de produits et de services, de marketing, de vente, de stratégie et de financement d’entreprise. Certaines entreprises attribuent jusqu’à 20 % de leur bénéfice d’exploitation à l’IA.

Types d’intelligence des données

L’intelligence des données est pilotée par les métadonnées ou les données qui renseignent sur les données. Voici les principales catégories de métadonnées :

  • comportemental: Ce type de métadonnées est utilisé pour comprendre comment les utilisateurs interagissent avec les données, les applications et les services.
  • Technicien: Cette catégorie de métadonnées est utilisée pour comprendre les aspects techniques des données, tels que les définitions de schéma et de table.
  • Les affaires: les métadonnées métier définissent les politiques de manipulation des données.
  • provenance: Ce type de métadonnées raconte l’histoire de l’origine des données (lignée), comment elles ont été collectées et comment elles ont été transformées au fil du temps (versions).

Il existe également des métadonnées actives, qui sont prises en charge par l’IA et le ML et augmentées par l’intelligence humaine. Les métadonnées actives rassemblent des informations internes sur la façon dont les gens utilisent les données.

Qui utilise l’intelligence des données ?

L’intelligence des données est utilisée par des entreprises de toutes tailles dans divers secteurs. Les détaillants utilisent l’intelligence des données pour prévoir les tendances de consommation et prendre des décisions sur les produits à stocker dans leurs rayons. Les banques utilisent l’intelligence des données pour identifier la fraude et prévenir le blanchiment d’argent, et les assureurs utilisent l’intelligence des données pour évaluer les risques et fixer les primes.

D’autres cas d’utilisation incluent :

  • Soins de santé: Suivez la propagation des maladies, prédisez les épidémies et personnalisez les traitements.
  • Le transport: Optimiser la fluidité du trafic, réduire les embouteillages et améliorer la sécurité.
  • fabrication: Prévoir les pannes d’équipement, optimiser les processus de production et réduire les déchets.
  • Gestion de la chaîne logistique: Optimiser les niveaux de stock, prévoir la demande et acheminer les expéditions.
  • forces de l’ordre: Suivez les crimes, prédisez les attaques terroristes et suivez le mouvement des personnes et des biens à travers les frontières.
  • Gestion des ressources humaines: Identifiez les talents, prédisez l’attrition et améliorez la rétention des employés.
  • Commerce électronique: Personnalisez les recommandations, optimisez les prix et prévenez la fraude.

Avantages de l’intelligence des données

Contextualise les jeux de données

Lorsque vous traitez une énorme quantité de données, le manque de contexte approprié peut se terminer par un désastre. D’autre part, lorsque les ensembles de données sont correctement contextualisés, cette intelligence des données garantit que les ensembles de données sont plus faciles à comprendre et à tirer des conclusions.

Améliorer la qualité des données

On dit souvent aux étudiants en science des données que la règle principale des données est qu’elles ne peuvent être utiles que si vous faites confiance à leur qualité. Les données incorrectes sont peu claires, inexactes, obsolètes, peu fiables et introuvables. Toutes ces qualités rendent le travail difficile, c’est pourquoi l’intelligence des données est si importante. En utilisant l’intelligence des données, les entreprises peuvent surveiller la qualité des données et prendre des mesures pour l’améliorer.

Améliore l’accessibilité des données

Les données réparties dans différents silos organisationnels sont difficiles d’accès et d’utilisation. L’intelligence des données peut aider les entreprises à briser ces silos et à rendre les données plus accessibles.

Simplifie le traçage de la lignée et les performances d’audit

Lorsque les données se déplacent dans une organisation, elles subissent souvent plusieurs transformations. Cela peut rendre difficile le suivi de l’origine des données et de leur évolution. L’intelligence des données aide les entreprises à suivre la lignée des données et à effectuer des audits, ce qui contribue à garantir l’exactitude des données.

Meilleures pratiques pour utiliser l’intelligence des données dans votre entreprise

Si vous envisagez d’utiliser l’intelligence des données dans votre entreprise, il y a quelques bonnes pratiques à garder à l’esprit.

Tout d’abord, assurez-vous d’avoir une compréhension claire de vos buts et objectifs. Qu’espérez-vous accomplir en utilisant l’intelligence des données ?

Deuxièmement, investissez dans des outils de collecte et de stockage de données de qualité pour vous assurer que vos données sont exactes et fiables. De plus, investissez dans les derniers outils et plates-formes d’intelligence de données qui exploitent l’IA et le ML pour vous aider à prendre de meilleures décisions. Il est également utile d’embaucher une équipe de data scientists internes qualifiés ou d’intégrer un fournisseur de services gérés qui peut vous aider à tirer le meilleur parti de vos données.

Enfin, assurez-vous d’avoir un plan sur la façon dont vous utiliserez les informations générées par vos efforts d’intelligence des données pour prendre les meilleures décisions possibles pour votre entreprise.

L’intelligence des données pour un marché du Big Data en pleine croissance

Les entreprises génèrent une quantité astronomique de données provenant de diverses sources, des transactions commerciales quotidiennes aux données collectées à partir de capteurs de données volumineuses qui stockent des informations météorologiques. Des estimations récentes indiquent que le monde produit plus de cinq exaoctets de données — est de cinq suivis de 18 zéros — par jour, une grande partie de ces données étant non structurées. Les projections conservatrices suggèrent que ce nombre pourrait dépasser 463 exaoctets d’ici 2025.

Les entreprises savent depuis un certain temps qu’elles peuvent exploiter les données pour obtenir un avantage concurrentiel. C’est pourquoi chaque entreprise veut être axée sur les données et en récolter les bénéfices. L’intelligence des données garantit que les données sont exactes, accessibles et applicables aux problèmes réels de l’entreprise.

AMD rejoint la nouvelle Fondation PyTorch en tant que membre fondateur pour

SANTA CLARA, Californie, 12 septembre 2022 (GLOBE NEWSWIRE) — OH MON DIEU (NASDAQ : AMD) a annoncé aujourd’hui qu’elle rejoignait la Fondation PyTorch nouvellement créée en tant que membre fondateur. La fondation, qui fera partie de l’organisation à but non lucratif Fondation Linuxfavorisera l’adoption d’outils d’intelligence artificielle (IA) en promouvant et en soutenant un écosystème de projets open source avec PyTorch, le cadre logiciel d’apprentissage automatique (ML) créé et promu à l’origine par Meta.

En tant que membre fondateur, AMD se joint à d’autres entreprises du secteur pour donner la priorité à la croissance continue de la dynamique communauté PyTorch. Soutenu par des innovations telles que le Plate-forme logicielle ouverte AMD ROCm™Accélérateurs, SoC et processeurs adaptatifs AMD Instinct™, AMD aidera la Fondation PyTorch à démocratiser les outils, bibliothèques et autres composants de pointe pour rendre ces innovations ML accessibles à tous.

“Les logiciels ouverts sont essentiels pour faire progresser la recherche HPC, IA et ML, et nous sommes prêts à apporter notre expérience des plates-formes logicielles ouvertes et de l’innovation à la fondation PyTorch”, a déclaré Brad McCredie, vice-président du centre de données et du traitement accéléré AMD. « Les accélérateurs AMD Instinct et le logiciel ROCm alimentent les principaux sites HPC et ML du monde entier, des supercalculateurs exascale dans les laboratoires de recherche aux grands déploiements cloud qui montrent la convergence du HPC et de l’IA/ML. Avec d’autres membres de la fondation, nous soutiendrons l’accélération de la science et de la recherche qui peuvent avoir un impact dramatique sur le monde.

“Nous sommes ravis qu’AMD rejoigne la Fondation PyTorch et apporte sa vaste expérience en HPC, IA et ML à nos membres”, a déclaré Santosh Janardhan, vice-président de l’infrastructure chez Meta. « AMD a continué à soutenir PyTorch avec son intégration dans la plate-forme logicielle open source ROCm et a beaucoup travaillé avec la communauté open source et d’autres membres de la fondation pour améliorer les performances des charges de travail ML et AI. Le soutien collaboratif fourni par AMD poursuit notre implication dans de vastes initiatives de l’industrie pour un impact mondial.

AMD, Progresser dans l’IA et le ML
AMD occupe une position unique avec son large portefeuille de produits et de logiciels pour aider les clients et les partenaires à développer et à déployer des applications avec diverses formes d’IA, du cloud et de l’entreprise à la périphérie et aux terminaux. Avec un ensemble diversifié de matériel, y compris les accélérateurs AMD Instinct et Alveo, les SoC et les processeurs adaptatifs, AMD peut prendre en charge une large gamme de modèles d’IA et de ML omniprésents, des petits points périphériques à la formation à grande échelle et aux charges de travail d’inférence.

AMD travaille également en étroite collaboration avec la communauté de l’IA ouverte pour promouvoir et étendre les fonctionnalités et les optimisations d’apprentissage automatique et en profondeur. Vitis IA fournit une plate-forme complète de développement d’inférence IA pour les SoC adaptatifs AMD et les accélérateurs de centres de données Alveo. Vitis AI se connecte aux outils de développement de logiciels courants et utilise un riche ensemble de bibliothèques open source optimisées pour permettre aux développeurs de logiciels d’accélérer l’apprentissage automatique dans le cadre de leur code logiciel.

La plateforme logicielle ouverte ROCm™ évolue constamment pour répondre aux besoins de la communauté AI/ML et HPC. Avec la dernière version de ROCm 5.0, les développeurs ont accès à des conteneurs de framework AI prêts à l’emploi sur Concentrateur AMD Infinity, des outils avancés, une installation simplifiée et vous pouvez vous attendre à des temps de démarrage du noyau réduits et à des performances d’application plus rapides. De plus, avec la dernière version de PyTorch 1.12, la prise en charge d’AMD ROCm™ est passée de bêta à stable. Vous pouvez en savoir plus à ce sujet ici.

ressources de soutien

À propos d’AMD
Depuis plus de 50 ans, AMD est à la pointe de l’innovation dans les technologies de calcul, de graphisme et de visualisation hautes performances. Des milliards de personnes, des entreprises leaders du Fortune 500 et des instituts de recherche scientifique de premier plan dans le monde comptent quotidiennement sur la technologie AMD pour améliorer leur façon de vivre, de travailler et de jouer. Les employés d’AMD se concentrent sur la création de produits performants, adaptables et leaders qui repoussent les limites de ce qui est possible. Pour plus d’informations sur la façon dont AMD renforce aujourd’hui et inspire demain, visitez AMD (NASDAQ : AMD) site Internet, Blog, LinkedIn et Twitter pages.

AMD, le logo AMD Arrow, AMD Instinct, ROCm et leurs combinaisons sont des marques déposées d’Advanced Micro Devices, Inc.

        

Avec un TCAC de 42,4 %, l’intelligence artificielle dans la santé

Pune, Inde, 12 septembre 2022 (GLOBE NEWSWIRE) — Le monde L’intelligence artificielle (IA) dans le domaine de la santé Marché La taille était évaluée à 10,54 milliards de dollars en 2021 et devrait atteindre une valorisation de 13,82 milliards de dollars en 2022. Le marché devrait atteindre 164,10 milliards de dollars en 2029 avec un TCAC de 42,4 % sur la période de prévision. Les exemples croissants d’investissements dans le secteur de la santé par le gouvernement et les entreprises privées dans l’intelligence artificielle devraient voir des progrès positifs de la part du marché. Les progrès dans les domaines des médicaments, de la recherche, de l’innovation et de la technologie devraient façonner le cours du marché. L’utilisation de l’IA pour aider les professionnels de la santé devrait contribuer au développement du marché. Fortune Business Insights™ partage ces informations dans son rapport intitulé “L’intelligence artificielle (IA) sur le marché de la santé, 2022-2029.

développement clé de l’industrie

Mars 2022 – NVIDIA Corporation a lancé le Clara Holoscan MGX, un appareil utilisé pour accélérer l’innovation dans l’industrie médicale. Il utilise l’IA en temps réel.

Demander un exemplaire

https://www.fortunebusinessinsights.com/enquiry/request-sample-pdf/artificial-intelligence-in-healthcare-market-100534

portée du rapport

Couverture du rapport Détails
période de prévision 2022 à 2029
Période de prévision 2022 à 2029 CAGR 42,4 %
Projection de valeur 2029 164,10 milliards de dollars américains
année de référence 2021
Taille du marché en 2021 10,54 milliards de dollars américains
données historiques pour 2018 à 2020
nombre de pages 159
Principaux acteurs couverts Amazon.com, Inc. (États-Unis), Microsoft Corporation (États-Unis), NVIDIA Corporation (États-Unis), Alphabet Inc. (ETATS-UNIS)
moteurs de croissance Intégration de l’intelligence artificielle dans les soins de santé pour faire progresser le marché
La demande de système de dossier de santé électronique pendant la pandémie a entraîné une croissance du marché
Les hôpitaux et les cliniques seront le segment principal en raison du nombre croissant de collaborations d’acteurs du marché

Pilotes et restrictions

Intégration de l’intelligence artificielle dans les soins de santé pour faire progresser le marché

On estime que l’utilisation de l’intelligence artificielle et de la robotique dans le diagnostic et le traitement des troubles pharmacologiques stimulera l’intelligence artificielle (IA) dans la croissance du marché de la santé. L’utilisation de l’assistant virtuel peut aider à transformer la prestation des soins pour améliorer les soins aux patients et aider à suivre la santé des patients. En janvier 2021, Nuance a lancé une nouvelle plateforme d’assistant virtuel pour simplifier l’utilisation de l’IA pour connecter les patients. La nouvelle plateforme répond aux besoins des professionnels de santé et des patients et propose des solutions de soins.

Cependant, les complications croissantes, les coûts élevés et les violations de données dans l’intelligence artificielle (IA) dans le domaine de la santé devraient entraver le développement du marché.

Impact du COVID-19 :

Demande de système de dossier de santé électronique Pendant la pandémie a conduit à la croissance du marché

L’éclosion de la pandémie de COVID-19 a entraîné une demande accrue d’intelligence artificielle (IA) dans les soins de santé. Cela est dû à la demande croissante d’outils et de solutions basés sur l’IA en raison de leur capacité à analyser et à diagnostiquer le COVID-19. L’augmentation de la demande pour le système de dossiers de santé électroniques (DSE) a stimulé la croissance du marché.

Cliquez ici pour l’impact à court et à long terme de COVID-19 sur ce marché.

Veuillez visiter:https://www.fortunebusinessinsights.com/industry-reports/artificial-intelligence-in-healthcare-market-100534

segments

Solutions en tête du fait de l’augmentation du nombre d’investissements des acteurs du marché

Basé sur la plate-forme, le marché est segmenté en solutions et services. Le segment des solutions devrait détenir une part de marché importante. Cette domination est due à l’augmentation des investissements des principaux acteurs. Les initiatives prises par les gouvernements pour améliorer l’IA dans les infrastructures de santé ont augmenté la demande d’IA.

Chirurgie assistée par robot Dominez grâce aux innovations technologiques

Sur la base de l’application, le marché est segmenté en chirurgie assistée par robot, assistant infirmier virtuel, assistance au flux de travail administratif, essais cliniques, diagnostic préliminaire, etc. Le segment de la chirurgie assistée par robot a dominé le segment en 2021 en raison de l’augmentation des innovations et des avancées technologiques. Le segment des diagnostics préliminaires devrait également avoir un TCAC modéré en raison des résultats positifs générés par les outils de diagnostic basés sur l’IA.

hôpitaux et cliniques être le segment principal en raison du nombre croissant de collaborations entre les acteurs du marché

En fonction de l’utilisateur final, le marché est segmenté en hôpitaux et cliniques, sociétés pharmaceutiques et biotechnologiques, Organisation de recherche sous contrat (CRO) et autres. Le segment des hôpitaux et des cliniques devrait avoir une part dominante en 2021 en raison de l’adoption de nouvelles technologies et des collaborations accrues entre les acteurs du marché.

Géographiquement, le marché est divisé en Amérique du Nord, Europe, Asie-Pacifique et Amérique latine.

Achat rapide L’intelligence artificielle sur le marché de la santé
https://www.fortunebusinessinsights.com/checkout-page/100534

Couverture du rapport
Le rapport fournit une analyse approfondie des segments clés et des dernières tendances du marché. Discute en détail des facteurs moteurs et contraignants et de l’impact du COVID-19 sur le marché. En outre, il examine les développements régionaux et les stratégies entreprises par les principaux acteurs du marché.

Informations régionales

L’Amérique du Nord dominera le marché en raison de l’adoption de l’IA dans les établissements médicaux

L’Amérique du Nord devrait être en tête de l’intelligence artificielle (IA) dans la part de marché des soins de santé et devrait se tailler la part du lion en raison de l’adoption croissante de nouveaux équipements médicaux basés sur l’IA. L’augmentation du nombre d’essais cliniques basés sur l’apprentissage automatique dans la région, qui offre des résultats précis, devrait stimuler la croissance du marché.

On estime que l’Europe occupe la deuxième position la plus élevée en raison de l’amélioration du processus de découverte de médicaments.

L’Asie-Pacifique devrait avoir une part notable en raison de la demande des pays en développement tels que la Chine, l’Inde et le Japon. Le nombre croissant d’investissements dans les dispositifs médicaux basés sur l’IA devrait augmenter la taille du marché.

Segmentation du marché de l’intelligence artificielle dans les soins de santé :

Segmentation Par plateforme

par application

  • Chirurgie assistée par robot
  • Assistant Infirmier Virtuel
  • Aide au flux de travail administratif
  • essais cliniques
  • Diagnostic préliminaire
  • Les autres

scénario concurrentiel

Les avancées technologiques des principaux acteurs pour dicter la trajectoire du marché

Les principaux acteurs de l’industrie du marché ont utilisé des stratégies d’expansion planifiées pour s’emparer du marché. Amazon.com, Inc., Microsoft Corporation, NVIDIA Corporation et Alphabet Inc. font partie des principaux acteurs qui détenaient une part importante en 2021. En mars 2022, Microsoft Corporation a annoncé ses mises à jour technologiques sur le cloud de la santé et l’accès aux services Azure HealthData. Parmi les autres sociétés qui ont une présence significative sur le marché mondial figurent Hewlett Packard Enterprise Company, Intel Corporation, Siemens AG et General Electric Company. Ils se sont concentrés sur les collaborations et les lancements de nouveaux produits.

Liste des acteurs clés présentés dans le rapport

  • Amazon.com, Inc. (ETATS-UNIS)
  • Microsoft Corporation (États-Unis)
  • NVIDIA Corporation (États-Unis)
  • Alphabet inc. (ETATS-UNIS)
  • Hewlett Packard Enterprise Company (États-Unis)
  • Intel Corporation (États-Unis)
  • Siemens AG (Allemagne)
  • General Electric Company (États-Unis)
  • Allscripts Healthcare Solutions, Inc. (ETATS-UNIS)
  • Groupe UnitedHealth (Optum Inc.) (États-Unis)

Indice

  • Introduction
    • Portée de la recherche
    • Segmentation du marché
    • Méthodologie de la recherche
    • Définitions et hypothèses
  • Résumé
  • dynamique du marché
    • Facteurs de marché
    • restrictions du marché
    • opportunités de marché
  • Idées clés
    • Avancées technologiques liées à l’intelligence artificielle dans les soins de santé
    • Scénario réglementaire pour les pays clés
    • Développements récents de l’industrie tels que les partenariats, les fusions et les acquisitions
    • Aperçu de l’application de l’IA dans les hôpitaux et les cliniques
    • Défis rencontrés lors de l’adoption et de la mise en œuvre de solutions basées sur l’IA
    • Indicateurs clés de performance de l’intelligence artificielle sur le marché de la santé
    • Impact du COVID-19 sur le marché
  • Analyse, perspectives et prévisions du marché mondial de l’intelligence artificielle (IA) dans les soins de santé, 2018-2029
    • Principaux résultats/résumé
    • Analyse du marché, informations et prévisions – par plateforme
    • Analyse de marché, aperçus et prévisions – par application
      • Chirurgie assistée par robot
      • Assistant Infirmier Virtuel
      • Aide au flux de travail administratif
      • essais cliniques
      • Diagnostic
      • Les autres
    • Analyse du marché, informations et prévisions – par utilisateur final
      • hôpitaux et cliniques
      • Entreprises pharmaceutiques et biotechnologiques
      • Organisation de recherche sous contrat (CRO)
      • Les autres
    • Analyse, aperçu et prévisions du marché – par géographie
      • Amérique du Nord
      • L’Europe 
      • Asie-Pacifique
      • Amérique latine
      • Moyen-Orient et Afrique

Table des matières Continuer… !

Avez-vous un doute? Demandez à nos experts en recherche

https://www.fortunebusinessinsights.com/enquiry/speak-to-analyst/artificial-intelligence-in-healthcare-market-100534

questions courantes

Quelle est la valeur du marché mondial de l’intelligence artificielle (IA) dans les soins de santé?

Selon Fortune Business Insights, la taille du marché mondial était de 10,54 milliards de dollars en 2021 et devrait atteindre 164,10 milliards de dollars d’ici 2029.

Quels sont les facteurs clés qui animent le marché ?

L’augmentation des investissements des secteurs privé et public dans l’IA fait avancer le marché.

À propos de nous:

Fortune Business Insights™ fournit des données précises et des analyses commerciales innovantes, aidant les organisations de toutes tailles à prendre les bonnes décisions. Nous personnalisons des solutions innovantes pour nos clients, les aidant à relever les nombreux défis de leur entreprise. Notre objectif est de leur fournir une intelligence globale du marché, en leur fournissant un aperçu granulaire du marché sur lequel ils opèrent.

Adresse:
Fortune Business Insights Pvt. Ltd. 9e étage, Icon Tower, Baner –
Rue Mahalunge, Baner, Pune-411045,
Maharashtra, Inde.
Téléphone:
États-Unis : +1 424 253 0390
Royaume-Uni : +44 2071 939123
APAC : +91 744 740 1245
E-mail: [email protected]

Les chercheurs d’Amazon proposent “MiCS”, un système d’intelligence artificielle (IA) qui atteint un débit de formation élevé et une évolutivité quasi linéaire dans le cloud en utilisant uniquement le parallélisme des données

Les modèles gigantesques sont les modèles qui doivent être entraînés à l’aide de milliards ou de billions de paramètres. En raison des frais généraux de communication importants, les frameworks à usage général actuels pour des modèles aussi volumineux ne peuvent pas évoluer efficacement sur les plates-formes de cloud public. Dans leur étude la plus récente, des chercheurs de l’Université John Hopkins, de l’Université de Pékin et d’Amazon Web Services ont suggéré MiCS. L’objectif principal de cette étude est de réduire les frais généraux de communication en minimisant l’échelle de communication. Cette étude offre également la preuve expérimentale que lors du développement d’architectures, en particulier pour des réseaux de neurones profonds et de grande taille formés dans le cloud public, il est essentiel de prendre en compte l’infrastructure de formation du modèle. L’article sur les instances GPU AWS V100 et A100 montre comment la répartition inégale des poids de modèle réduit la surcharge de communication entre les nœuds. Étant donné que la plupart des échanges de gradients ont lieu au sein d’un nœud, la formation peut se dérouler plus rapidement en fonction de la taille du modèle. Le projet s’inscrit dans le cadre des efforts actuels visant à accroître l’efficacité des séances d’entraînement intensives.

Pour les réseaux de neurones profonds, la perte de test évolue de manière logarithmique avec la quantité de données d’entrée et les paramètres du réseau. Pour cette raison, la recherche et les efforts commerciaux se sont concentrés ces dernières années sur la création de réseaux de neurones à haute capacité pouvant être utilisés pour diverses tâches en aval telles que le réglage supervisé. L’évolutivité des ordinateurs de formation a également augmenté, doublant presque tous les six mois, pour répondre aux demandes de formation de ces grands réseaux. Différents algorithmes de partage de paramètres tels que ZeRO et GShard ont été suggérés pour former ces modèles à mesure que l’utilisation du réseau profond à grande échelle se généralisait. Les stations GPU sur site avec des primitives de communication à large bande passante sont souvent privilégiées lors de la création de cadres de preuve de concept. Les applications industrielles, cependant, résident souvent dans le cloud public en réalité. En raison des restrictions et de l’accessibilité des composants architecturaux dans le cloud, cela présente des obstacles technologiques supplémentaires.

Le cloud public utilise des composants réutilisables définis par logiciel qui simplifient la gestion des instances de calcul. Contrairement à la bande passante entre les nœuds entre les GPU tels que NVIDIA NVLink et NVSwitch, les clusters de machines virtuelles cloud ont généralement une bande passante entre les nœuds qui est 12 à 24 fois plus lente. En conséquence, la synchronisation de gradient distribuée devient un goulot d’étranglement important pour la formation des grands réseaux profonds. Les paramètres du modèle doivent être aussi proches que possible des GPU pour réduire la communication entre les nœuds, selon MiCS. Ceci peut être réalisé en réduisant la taille de la partition du modèle et en donnant la préférence aux GPU intra-nœuds. Le plus petit nombre de nœuds est préférable pour diviser les poids lorsque plusieurs nœuds sont nécessaires pour couvrir toute la plage de paramètres. Les chercheurs modifient également l’approche d’accumulation de gradient pour incorporer une distribution de poids inégale. En conséquence, les écarts dans la communication réelle se reflètent au niveau algorithmique.

Le rapport présente les résultats de nombreuses expériences réalisées dans des environnements de réseau 100 Gbps et 400 Gbps. Différents réseaux profonds de différentes tailles et nombres de GPU sont utilisés pour comparer les performances. MiCS améliore constamment le débit jusqu’à 2,82x pour les configurations réseau 100 Gbps et jusqu’à 2,21x pour les cas 400 Gbps. Les chercheurs de Google Cloud ont également préconisé une stratégie similaire plus tôt dans un article de blog GCP.

This Article is written as a research summary article by Marktechpost Staff based on the research paper 'MiCS: Near-linear Scaling for Training Gigantic Model on Public Cloud'. All Credit For This Research Goes To Researchers on This Project. Check out the paper, AWS article and reference article.

Please Don't Forget To Join Our ML Subreddit


Khushboo Gupta est consultant stagiaire chez MarktechPost. Elle poursuit actuellement son B.Tech de l’Indian Institute of Technology (IIT), Goa. Elle est passionnée par l’apprentissage automatique, le traitement du langage naturel et le développement Web. Elle aime en apprendre davantage sur le domaine technique en participant à divers défis.


Rapport sur le marché mondial des appareils d’imagerie rétinienne 2022: L’intégration de l’intelligence artificielle dans les appareils d’imagerie rétinienne est la clé de la croissance future – ResearchAndMarkets.com

DUBLIN–(FIL D’AFFAIRES)–O “Prévisions du marché des appareils d’imagerie rétinienne jusqu’en 2028 – Impact du COVID-19 et analyse globale par type d’appareil et utilisateur final” rapport a été ajouté à ResearchAndMarkets.com offrir.

Le marché des appareils d’imagerie rétinienne devrait atteindre 3,00 milliards de dollars en 2028 contre 2,06 milliards de dollars en 2021 ; on estime qu’il croîtra à un TCAC de 5,6 % au cours de la période 2021-2028.

Le rapport met en évidence les tendances dominantes du marché et les facteurs qui stimulent sa croissance. La croissance du marché est attribuée à la prévalence croissante des maladies oculaires, aux initiatives mondiales croissantes pour la cécité et aux avancées technologiques. Cependant, la taille volumineuse de la caméra mydriatique la rend inadaptée à une utilisation de dépistage à grand volume, ce qui a un impact critique sur la croissance globale du marché.

La prévalence croissante du diabète dans le monde a entraîné une augmentation des cas de rétinopathie diabétique et de cécité chez les adultes. Selon les données 2021 de la Fédération internationale du diabète (FID), près de 537 millions d’adultes (âgés de 20 à 79 ans) vivent avec le diabète.

Le nombre total de personnes vivant avec le diabète devrait augmenter pour atteindre 643 millions en 2030 et 783 millions en 2045. Trois adultes diabétiques sur quatre vivent dans des pays à revenu faible ou intermédiaire. Le rapport de la FID indique également que la part maximale de la population dans la plupart des pays souffre de diabète de type 2. Près de 79 % des personnes atteintes de diabète de type 2 vivent dans des pays à revenu faible ou intermédiaire. Ainsi, ces facteurs entraîneront la croissance des cas liés à la rétinopathie diabétique, ce qui à son tour aidera le marché des appareils d’imagerie rétinienne au cours de la période de prévision.

De plus, les cataractes et la dégénérescence maculaire liée à l’âge (DMLA) sont une cause importante de cécité dans le monde. La cataracte n’est généralement pas traitée dans les pays en développement en raison de l’accès limité à des ophtalmologistes qualifiés et représente près de 50 % des cas de cécité dans certains pays.

Alors qu’il est généralement traité dans les pays développés. Cependant, la principale cause de cécité dans les régions développées est la dégénérescence maculaire liée à l’âge. Par exemple, selon l’indice de développement humain, données de 2019, seulement 5 % des personnes vivent avec des cataractes dans des pays comme les États-Unis et le Royaume-Uni, alors qu’en Afrique, environ 65 % de la population souffre de problèmes liés à la cataracte. . La pénétration des appareils d’imagerie rétinienne à faible coût stimulera le marché des appareils d’imagerie rétinienne au cours de la période de prévision.

Sur la base du type d’appareil, le marché mondial des appareils d’imagerie rétinienne a été segmenté en angiographie à la fluorescéine, caméra de fond d’œil et tomographie par cohérence optique (OCT).

Le segment Fundus Camera détenait la part de marché la plus élevée en 2021. Cependant, le segment de la tomographie par cohérence optique devrait enregistrer le TCAC le plus élevé de 8,1 % sur le marché au cours de la période de prévision. L’ajout récent de l’angiographie OCT permet une visualisation sans colorant des vaisseaux rétiniens dans la macula. Les machines OCT peuvent capturer des images de bonne qualité même à travers des cataractes denses.

En fonction de l’utilisateur final, le marché mondial des appareils d’imagerie rétinienne est segmenté en hôpitaux et cliniques, cliniques spécialisées, centres de soins ambulatoires et autres. Le segment des hôpitaux et cliniques détenait la part de marché la plus élevée en 2021 et les centres de soins oculaires spécialisés devraient enregistrer le TCAC le plus élevé de 6,6 % du marché au cours de la période de prévision.

dynamique du marché

Principaux moteurs du marché

  • Prévalence croissante des maladies oculaires

  • Initiatives mondiales croissantes pour la cécité

  • Les avancées technologiques

Principales restrictions du marché

Principales opportunités de marché

  • Possibilités de réduire le coût des dispositifs OCT

tendances futures

  • Intégrer l’intelligence artificielle dans les dispositifs d’imagerie rétinienne

Principaux thèmes abordés :

1. Introduction

2. Marché des appareils d’imagerie rétinienne – Principales conclusions

3. Méthodologie de recherche

4. Dispositif d’imagerie rétinienne – Scénario de marché

5. Dispositif d’imagerie rétinienne – Dynamique clé du marché

6. Marché des appareils d’imagerie rétinienne – Analyse globale

7. Analyse du marché des appareils d’imagerie rétinienne – par type d’appareil

8. Analyse du marché des dispositifs d’imagerie rétinienne – par utilisateur final

9. Marché des appareils d’imagerie rétinienne – Analyse géographique

10. Impact de la pandémie de COVID-19 sur le marché mondial des dispositifs d’imagerie rétinienne

11. Scénario de marché des dispositifs d’imagerie rétinienne

12. Profils d’entreprise

13. Annexe

Entreprises citées

  • Carl Zeiss Méditec

  • Groupe Revenio Oyj

  • Société Nikon

  • opté

  • Topcon Corporation

  • imaginez les yeux

  • Epipole SA

  • Forus Santé Pvt Ltd

  • Eynuk Inc

  • Phoenix Technology Group LLC

Pour plus d’informations sur ce rapport, visitez https://www.researchandmarkets.com/r/3r91sg

Exclusif: Biden frappera la Chine avec des restrictions plus larges sur les exportations américaines de puces et d’outils

Des puces semi-conductrices sont visibles sur une carte de circuit imprimé d’ordinateur dans cette illustration prise le 25 février 2022. REUTERS/Florence Lo/Illustration/File Photo

Inscrivez-vous maintenant pour un accès GRATUIT et illimité à Reuters.com

WASHINGTON, 11 septembre (Reuters) – L’administration Biden prévoit le mois prochain d’étendre les restrictions sur les expéditions américaines vers la Chine de semi-conducteurs utilisés pour l’intelligence artificielle et les outils de fabrication de puces, ont déclaré plusieurs personnes proches du dossier.

Le département du Commerce a l’intention de publier de nouvelles réglementations basées sur les restrictions communiquées dans des lettres plus tôt cette année à trois sociétés américaines – KLA Corp (KLAC.O), Lam Research Corp (LRCX.O) et Applied Materials Inc (AMAT.O), les personnes a déclaré sous le couvert de l’anonymat. Le projet de nouvelles règles n’a pas été annoncé auparavant.

Les lettres, que les entreprises ont publiquement reconnues, leur interdisaient d’exporter des équipements de fabrication de puces vers des usines chinoises qui produisent des semi-conducteurs avancés avec des processus inférieurs à 14 nanomètres, à moins que les vendeurs n’obtiennent des licences du Département du commerce.

Inscrivez-vous maintenant pour un accès GRATUIT et illimité à Reuters.com

Les règles codifieraient également les restrictions dans les lettres du Département du commerce envoyées à Nvidia Corp (NVDA.O) et Advanced Micro Devices (AMD.O) le mois dernier, leur ordonnant d’arrêter les expéditions de diverses puces informatiques d’intelligence artificielle vers la Chine à moins qu’elles n’obtiennent permis. voir Plus d’informations

Certaines des sources ont déclaré que les réglementations incluraient probablement de nouvelles mesures contre la Chine. Les restrictions peuvent également changer et les règles publiées plus tard que prévu.

Les lettres dites “est informé” permettent au ministère du Commerce de contourner les longs processus de rédaction de règles pour mettre en œuvre rapidement des contrôles, mais les lettres ne s’appliquent qu’aux entreprises qui les reçoivent.

Transformer les cartes en règles élargirait leur portée et pourrait soumettre d’autres entreprises américaines qui produisent une technologie similaire aux restrictions. La réglementation pourrait s’appliquer aux entreprises qui tentent de contester la domination de Nvidia et AMD dans les puces d’intelligence artificielle.

Intel Corp (INTC.O) et des startups comme Cerebras Systems ciblent les mêmes marchés informatiques avancés. Intel a déclaré qu’il surveillait de près la situation, tandis que Cerebras a refusé de commenter.

Une source a déclaré que les règles pourraient également imposer des exigences de licence pour les expéditions vers la Chine de produits contenant les puces ciblées. Dell Technologies (DELL.N), Hewlett Packard Enterprise (HPE.N) et Super Micro Computer (SMCI.O) fabriquent des serveurs de centre de données qui contiennent la puce A100 de Nvidia.

Dell et HPE ont déclaré qu’ils surveillaient la situation, tandis que Super Micro Computer n’a pas répondu à une demande de commentaire.

Un haut responsable du Commerce a refusé de commenter l’action à venir, mais a déclaré: “En règle générale, nous cherchons à codifier toutes les restrictions qui sont dans des lettres informées avec un changement réglementaire.”

Vendredi, un porte-parole du département du Commerce a refusé de commenter des réglementations spécifiques, mais a réitéré qu’il “adopte une approche globale pour mettre en œuvre des actions supplémentaires… applicables à la modernisation militaire”.

KLA, Applied Materials et Nvidia ont refusé de commenter, tandis que Lam n’a pas répondu aux demandes de commentaires. AMD n’a pas commenté le changement de politique spécifique, mais a réitéré qu’il ne prévoyait pas d'”impact matériel” de sa nouvelle exigence de licence.

‘POINT DE CHOC’

La décision prévue intervient alors que l’administration du président Joe Biden cherche à contrecarrer les avancées de la Chine en ciblant les technologies sur lesquelles les États-Unis maintiennent toujours leur domination.

“La stratégie consiste à étouffer la Chine et ils ont découvert que les puces sont un goulot d’étranglement. Ils ne peuvent pas fabriquer ces choses, ils ne peuvent pas fabriquer d’équipements de fabrication”, a déclaré Jim Lewis, expert en technologie au Center for Studies. “Cela va changer.”

Dans une mise à jour sur les mesures liées à la Chine la semaine dernière, la Chambre de commerce, un groupe de pression commercial américain, a averti les membres des restrictions imminentes sur les puces d’IA et les outils de fabrication de puces.

“Nous entendons maintenant que les membres devraient s’attendre à une série de règles ou peut-être à une règle complète avant les élections de mi-mandat pour codifier les directives dans les lettres” informées “nouvellement émises (du département du Commerce) pour les puces d’équipement et les puces des entreprises de conception”, a déclaré la caméra. .

Le groupe a également déclaré que l’agence prévoyait d’ajouter d’autres entités chinoises de superinformatique à une liste noire commerciale.

Reuters a été le premier à signaler en juillet que l’administration Biden discutait activement de l’interdiction des exportations d’outils de fabrication de puces vers les usines chinoises qui fabriquent des semi-conducteurs avancés au nœud de 14 nanomètres et plus petits. voir Plus d’informations

Des responsables américains ont tendu la main à des alliés pour faire pression sur eux pour qu’ils adoptent des politiques similaires afin que les entreprises étrangères ne puissent pas vendre à la Chine des technologies que les entreprises américaines seraient empêchées d’expédier, ont déclaré deux des sources.

“La coordination avec les alliés est essentielle pour maximiser l’efficacité et minimiser les conséquences imprévues”, a déclaré Clete Willems, un ancien responsable du commerce de l’administration Trump.

Inscrivez-vous maintenant pour un accès GRATUIT et illimité à Reuters.com

Reportage de Karen Freifeld et Alexandra Alper; Reportage supplémentaire de Stephen Nellis et Jane Lanhee Lee; Montage par Chris Sanders et Cynthia Osterman

Nos normes : Les principes de confiance de Thomson Reuters.

Prédiction précoce du risque d’asthme avec l’apprentissage automatique • The Medical Republic

L’apprentissage automatique et la technologie de l’intelligence artificielle sont omniprésents, mais leur utilisation en médecine est à la traîne.


Chaque fois que nous naviguons sur Internet, comme une photo sur les réseaux sociaux ou recherchons un itinéraire sur votre téléphone, nous vous communiquons des données personnelles.

Les plateformes en ligne comme YouTube, Facebook et Google utilisent ces données personnelles et les alimentent avec des algorithmes d’apprentissage automatique pour former des programmes automatisés afin de connaître nos habitudes de consommation pour la publicité ciblée ou d’améliorer les logiciels de reconnaissance faciale grâce aux photos que nous publions en ligne.

Nous utilisons déjà l’apprentissage automatique de nos jours pour des tâches courantes telles que le filtrage des courriers indésirables, des assistants virtuels comme Siri ou Alexa, alors pourquoi n’est-il pas davantage utilisé dans le domaine de la santé ?

L’apprentissage automatique a le potentiel de révolutionner les soins de santé en aidant à la prédiction et au diagnostic des maladies, cependant, l’acceptation par la communauté médicale a été lente. La recherche sur l’utilisation de l’apprentissage automatique dans la prédiction de l’asthme est limitée, bien qu’en augmentation, mais il n’existe actuellement aucun modèle d’apprentissage automatique validé pour prédire l’asthme chez les enfants.

L’apprentissage automatique, comme son nom l’indique, peut être défini comme donnant “aux ordinateurs la capacité d’apprendre sans être explicitement programmés”.1 Bien que cela puisse sembler être une nouvelle technologie, le concept d’apprentissage automatique existe depuis les années 1950 avec un article d’Alan Turing présentant le “Imitation Game”, un test pour déterminer si les machines pouvaient penser.deux Turing a utilisé les échecs comme exemple de la façon dont les machines peuvent apprendre, et cela a été réalisé en 1996 lorsque le supercalculateur Deep Blue conçu par IBM battre le champion du monde d’échecs en titre Garry Kasparov.

Au cours des deux dernières décennies, l’avènement des avancées technologiques a entraîné une augmentation des vitesses de calcul, de la puissance de traitement et des capacités de stockage de données, entraînant une augmentation de l’utilisation de l’apprentissage automatique dans des secteurs allant de la fabrication, de la banque, et boulangeries. Avec la disponibilité de grandes quantités de données de santé collectées via les dossiers médicaux électroniques, les opportunités de développement d’algorithmes d’apprentissage automatique dans le domaine médical sont mûres pour l’entreprise.

L’apprentissage automatique est actuellement utilisé dans divers domaines de la médecine, principalement dans les domaines où l’imagerie est utilisée pour le diagnostic et la gestion des maladies, comme la radiologie et l’oncologie. Par exemple, les systèmes commerciaux imagerie médicale en cardiologie3 ou pour identifier les mélanomes sont facilement disponibles et utilisés.4

De plus, il y a eu une augmentation des outils d’apprentissage automatique à la suite de la pandémie de covid.5 En vérité, covid a d’abord été également identifié grâce à une plateforme d’intelligence artificielle avant que l’Organisation mondiale de la santé ne le signale. Une récente enquête américaine Liste FDA des dispositifs médicaux compatibles avec l’intelligence artificielle et l’apprentissage automatique approuvés n’a révélé aucun outil lié à la respiration, à moins qu’il ne soit lié à la radiologie.

La plupart des modèles d’apprentissage automatique suivent un chemin de développement typique. La première étape critique consiste à disposer d’un ensemble de données représentatif suffisamment important pour aborder la recherche ou la question clinique d’intérêt. Cet ensemble de données est ensuite divisé en un ensemble de données d’entraînement et de test et utilisé pour enseigner ou entraîner le modèle (voir encadré séparé). L’entraînement du modèle se fait à travers plusieurs algorithmes et, selon la question à traiter, il peut être classé comme apprentissage supervisé ou non supervisé. Dans l’apprentissage supervisé, une intervention humaine est requise lorsque les données d’entrée sont étiquetées avec le résultat d’intérêt afin d’identifier ou de prédire le résultat dans un nouvel ensemble de données.

Comme on peut s’y attendre d’après son nom, l’apprentissage non supervisé nécessite moins d’intervention humaine et peut utiliser des données brutes et non étiquetées pour former un modèle avec des tâches clés, notamment la classification et l’identification des tendances dans l’ensemble de données. Pour l’exemple de l’utilisation de l’apprentissage automatique pour prédire l’asthme chez l’enfant, dans l’approche d’apprentissage supervisé, le modèle serait formé à l’aide d’un ensemble de données où il existe un échantillon représentatif de patients asthmatiques, et ces patients sont identifiés et étiquetés. Lors de l’utilisation de l’approche d’apprentissage non supervisé, le modèle serait invité à découvrir les différences entre les groupes de personnes au sein de l’ensemble de données sans identifier s’ils étaient asthmatiques ou non, et le modèle pourrait regrouper les individus en fonction de symptômes ou de facteurs de risque similaires.

La capacité de prédire l’asthme chez l’enfant est un objectif des pneumologues et des chercheurs depuis 20 ans. Le diagnostic d’asthme est difficile chez les jeunes enfants. La respiration sifflante est un symptôme de l’asthme qui apparaît dans les premières années de la vie. La respiration sifflante, cependant, n’est pas indicative de l’asthme, car les causes de la respiration sifflante comprennent également la bronchiolite, une infection virale aiguë courante. Les médecins utilisent souvent les symptômes de respiration sifflante et les antécédents médicaux pour fournir un statut asthmatique aux jeunes enfants. Cela peut conduire à un diagnostic erroné et à une mauvaise gestion de la maladie.

En conséquence, plusieurs indices prédictifs de l’asthme infantile ont été développés. Bien que la plupart d’entre eux aient une spécificité élevée ou une valeur prédictive négative, leur spécificité ou leur capacité à prédire avec précision la présence d’asthme est modeste et donc peu adoptée en pratique clinique.6 L’asthme est une maladie avec de nombreux facteurs de risque, à la fois environnementaux et génétiques. Ces facteurs de risque, appelés « caractéristiques » dans le langage de l’apprentissage automatique, peuvent être intégrés comme prédicteurs lors du développement du modèle, avec l’avantage que l’apprentissage automatique peut gérer un grand nombre de fonctionnalités et leurs interactions, contrairement aux modèles statistiques traditionnels.sept

Dans une revue publiée plus tôt cette année, nous avons discuté des modèles d’apprentissage automatique qui ont été utilisés pour prédire l’asthme infantile et n’avons trouvé que sept articles publiés.8 Nous avons également trouvé plusieurs limites dans les études publiées. Ces limitations, qui sont courantes dans tout le domaine de l’apprentissage automatique, incluent le manque de validation externe et le fait de ne pas avoir une taille d’échantillon suffisamment représentative. La validation du modèle d’apprentissage automatique développé à l’aide de l’ensemble de données de formation est essentielle pour garantir que le modèle peut prédire ce qu’il doit faire. La plupart des études, cependant, ne valident qu’en interne en utilisant le même ensemble de données utilisé pour développer le modèle, mais s’il peut être démontré que le modèle fonctionne également dans un ensemble de données séparé, cela indique que le modèle est généralisable à d’autres groupes similaires.

Disposer d’un ensemble de données suffisamment représentatif du résultat a également fait défaut dans plusieurs domaines de l’apprentissage automatique. Par exemple, une limitation du logiciel de détection de mélanome mentionné précédemment était que la plupart des images de formation provenaient de patients à la peau claire et, par conséquent, leur précision dans d’autres ethnies était inconnue.4

Les préjugés raciaux sont connus pour être un problème dans le domaine de l’intelligence artificielle (IA) avec de nombreux exemples dans le domaine de la technologie. les algorithmes étant racistes. En comprenant le fonctionnement des modèles d’apprentissage automatique et les exigences et limites associées, nous pouvons cependant – comme les machines – mieux apprendre et construire.

Le manque de compréhension du fonctionnement des algorithmes d’apprentissage automatique pourrait être un facteur contribuant à la faible acceptation de l’apprentissage automatique non seulement en médecine respiratoire, mais dans les soins de santé en général.

Un rapport récent l’a souligné en montrant le nombre d’offres d’emploi nécessitant des compétences en IA aux États-Unis, avec la santé étant la deuxième industrie la plus basse, juste au-dessus du bâtiment. Les médecins peuvent être réticents à adopter l’apprentissage automatique dans leur pratique en raison de la méfiance et de la peur de la responsabilité si la mauvaise décision d’IA est prise. D’autres obstacles majeurs sont liés à l’accès aux données. Comme indiqué précédemment, le développement de modèles d’apprentissage automatique fiables dépend de la disponibilité de données de formation de haute qualité. Les inquiétudes concernant la qualité des dossiers de santé électroniques et la possibilité de les regrouper dans plusieurs systèmes de santé, ainsi que les réglementations strictes en matière de confidentialité pour l’accès aux données de santé, ont entravé les progrès de l’apprentissage automatique dans les soins de santé. De même, en Australie, les organismes réglementaires et juridiques n’ont pas suivi le développement rapide de l’apprentissage automatique ( L’IA dans les soins de santé : l’Australie risque d’être laissée pour compte | InSight+ (mja.com.au)).

Développement d’un modèle d’apprentissage automatique

Les étapes clés incluent la division d’un ensemble de données en données de formation pour enseigner le modèle et les données de test pour valider le modèle qui a été développé à l’aide de l’algorithme d’apprentissage automatique le plus approprié. La précision du modèle est ensuite déterminée à l’aide de diverses mesures de performances prédictives, telles que la sensibilité, la spécificité ou l’aire sous la courbe.

Conclusion

En utilisant les données d’une population australienne générale, nous avons l’intention d’utiliser l’apprentissage automatique pour développer un score de prédiction personnalisé pour l’asthme infantile en utilisant les antécédents familiaux, les facteurs de risque environnementaux et génétiques comme prédicteurs. Si cela réussit et peut prédire l’asthme avec une grande précision, les prochaines étapes seraient d’intégrer le modèle dans une application ou un logiciel en ligne que les cliniciens utiliseraient lors d’une consultation clinique pour générer un score de risque d’asthme prédictif personnalisé pour chaque patient.

Cependant, atteindre ce stade nécessiterait une consultation approfondie avec les prestataires de soins de santé, les utilisateurs finaux de la communauté et les développeurs de logiciels et d’applications travaillant avec des chercheurs, des médecins et des patients asthmatiques pour mettre en œuvre cet outil dans un cadre clinique.

Pour que l’apprentissage automatique soit bénéfique pour les patients et la société, il nécessite la participation de médecins qui comprennent les problèmes de santé en collaboration avec des scientifiques des données. Si les cliniciens sont conscients des limites de ce modèle, ils peuvent prendre des décisions éclairées quant à savoir si un appareil ou un logiciel spécifique convient à leur population de patients. Ce n’est que si les médecins participent à la conversation que l’apprentissage automatique peut atteindre son plein potentiel dans les soins de santé et être mis en œuvre dans la pratique clinique pour prédire le risque de maladies telles que l’asthme.

Dr. Rachel Foong a reçu la bourse de développement de carrière Asthma and Airways 2021, financée conjointement par le National Asthma Council Australia et la Thoracic Society of Australia and New Zealand.

Références

1 Mitchell T. apprentissage automatique. McGraw Hill, New York, 1997.

2 Turing AM. I.—Machine informatique et intelligence. Dérange. 1950; LIX: 433-60.

3 Raimondi F, Martins D, Coenen R, Panaioli E, Khraiche D, Boddaert N, Bonnet D, Atkins M, El-Said H, Alshawabkeh L, Hsiao A. Prévalence du shunt veino-veineux et de l’état à haut débit quantifié avec l’IRM de flux 4D chez les patients avec circulation fontan. Radiologie : Imagerie Cardiothoracique. 2021 ; 3: e210161.

4 Winkler JK, Sies K, Fink C, Toberer F, Enk A, Deinlein T, Hofmann-Wellenhof R, Thomas L, Lallas A, Blum A, Stolz W, Abassi MS, Fuchs T, Rosenberger A, Haenssle HA. Reconnaissance du mélanome par un réseau neuronal convolutif d’apprentissage en profondeur – Performances dans différents sous-types et emplacements de mélanome. Journal européen du cancer. 2020 ; 127: 21-9.

5 Chen J, voir KC. Intelligence artificielle pour COVID-19 : examen rapide. J Med Internet Res. 2020 ; 22: e21476-e.

6 Pinart M, Smit HA, Keil T, Bousquet J, Antó JM, Lødrup-Carlsen KC. Examen systématique des modèles de prédiction de l’asthme infantile. Journal respiratoire européen. 2015 ; 46: PA4513.

7 Rajkomar A, Dean J, Kohane I. Apprentissage automatique en médecine. Journal de médecine de la Nouvelle-Angleterre. 2019 ; 380: 1347-58.

8 Patel D, Hall GL, Broadhurst D, Smith A, Schultz A, Foong RE. L’apprentissage automatique joue-t-il un rôle dans la prédiction de l’asthme chez les enfants ? Examens respiratoires pédiatriques. 2022 ; 41: 51-60.

(function(d, s, id) {
var js, fjs = d.getElementsByTagName(s)[0];
if (d.getElementById(id)) return;
js = d.createElement(s); js.id = id;
js.src = “//connect.facebook.net/en_GB/sdk.js#xfbml=1&version=v2.6”;
fjs.parentNode.insertBefore(js, fjs);
}(document, ‘script’, ‘facebook-jssdk’));