Thị trường Deep Learning - Tăng trưởng, Xu hướng và Dự báo (2023 - 2028)

Tổng quan thị trường

Thị trường học sâu dự kiến ​​sẽ đạt tốc độ CAGR là 42,56% trong giai đoạn dự báo từ năm 2020 đến năm 2025. Học sâu, một lĩnh vực con của học máy (ML), đã dẫn đến những bước đột phá trong một số nhiệm vụ trí tuệ nhân tạo, bao gồm nhận dạng giọng nói và nhận dạng hình ảnh . Hơn nữa, khả năng tự động hóa phân tích dự đoán đang dẫn đến sự cường điệu cho ML. Các yếu tố, chẳng hạn như hỗ trợ nâng cao trong việc phát triển và cải tiến sản phẩm, tối ưu hóa quy trình và quy trình làm việc chức năng, và tối ưu hóa bán hàng, trong số những yếu tố khác, đã thúc đẩy các doanh nghiệp trong các ngành đầu tư vào các ứng dụng học sâu. Hơn nữa, các phương pháp học máy mới nhất đã cải thiện đáng kể độ chính xác của các mô hình và các lớp mạng nơ-ron mới đã được phát triển cho các ứng dụng, như phân loại hình ảnh và dịch văn bản.

• Ví dụ: hãy xem xét bản phát hành mới của PyTorch, khuôn khổ học máy mã nguồn mở của Facebook. Được phát hành vào tháng 10 năm 2019, khung mới, PyTorch 1.3, bao gồm một số dự án mã nguồn mở ấn tượng dành cho các nhà nghiên cứu và nhà phát triển học sâu. Các tính năng mới khác bao gồm hỗ trợ thử nghiệm cho việc triển khai thiết bị di động, lượng tử hóa chế độ háo hức ở số nguyên 8-bit và khả năng đặt tên cho các tenxơ. Một trong những sự phát triển được chú ý là CRYPTEN, một nền tảng nghiên cứu dựa vào cộng đồng mới được thiết kế để giải quyết một yếu tố quan trọng thách thức người dùng triển khai các nền tảng học tập và máy học sâu, tức là tính bảo mật.
• Một số phát triển hiện đang thúc đẩy học sâu. Theo SAS, những cải tiến trong thuật toán đã thúc đẩy hiệu suất của các phương pháp học sâu. Khối lượng dữ liệu ngày càng tăng đã hỗ trợ cho việc xây dựng mạng lưới thần kinh với nhiều lớp sâu, bao gồm truyền dữ liệu trực tuyến từ internet vạn vật (IoT) và dữ liệu văn bản từ phương tiện truyền thông xã hội và ghi chú của bác sĩ. Một lượng đáng kể sức mạnh tính toán là cần thiết để giải quyết các vấn đề học sâu, xem xét bản chất lặp đi lặp lại của các thuật toán học sâu — độ phức tạp của chúng tăng lên khi số lượng lớp tăng lên. Phần cứng chạy các thuật toán học sâu cũng cần hỗ trợ khối lượng lớn dữ liệu cần thiết để đào tạo mạng.
• Những tiến bộ về tính toán của các đơn vị xử lý đồ họa (GPU) và điện toán đám mây phân tán đã mang lại sức mạnh tính toán đáng kinh ngạc cho người dùng. Sự phát triển này được dẫn dắt bởi các nhà cung cấp phần cứng, chẳng hạn như NVIDIA, Intel và AMD, cùng với những nhà cung cấp khác, họ đã cải thiện tốc độ tính toán giữa các tính năng khác và làm cho chúng tương thích với các nền tảng mã nguồn mở được sử dụng nhiều nhất, chẳng hạn như Tensorflow, Bộ công cụ nhận thức ( Microsoft), Chainer, Caffe và PyTorch, trong số những người khác. Do đó, 'khả năng học sâu nguồn mở' ngày càng trở nên phổ biến trong các doanh nghiệp. Các khuôn khổ mã nguồn mở này cho phép người dùng xây dựng các mô hình học máy một cách hiệu quả và nhanh chóng.
• Vào tháng 5 năm 2020, NEUCHIPS Corp., một công ty điện toán Trí tuệ nhân tạo tham gia vào các giải pháp tăng tốc cho miền cụ thể, đã ra mắt công cụ khuyến nghị học sâu đầu tiên trên thế giới - RecAccelTM - có thể thực hiện 500.000 suy luận mỗi giây. Chạy PyTorch DLRM mã nguồn mở, RecAccelTM hoạt động tốt hơn GPU suy luận và CPU cấp máy chủ lần lượt là 65X và 28X. Nó được trang bị bộ nhớ băng thông cao và một hệ thống con dung lượng cực cao để nhúng tra cứu bảng và một FPGA tính toán song song cực lớn để suy luận mạng nơ-ron. RecAccelTM đã sẵn sàng để thích ứng với trung tâm dữ liệu thông qua giao diện máy chủ PCIe Gen3, 
• Vào tháng 7 năm 2020, Tencent AI Lab và một nhóm các nhà khoa học sức khỏe cộng đồng Trung Quốc đã công bố một mô hình dựa trên học sâu có thể dự đoán nguy cơ bệnh nhân COVID-19 phát triển bệnh hiểm nghèo. Quy trình này đã được công bố trên tạp chí Nature Communications. Nó đã sửa đổi phương pháp mà phòng thí nghiệm sử dụng mô hình dựa trên một nhóm thuần tập gồm 1.590 bệnh nhân từ 575 trung tâm y tế ở Trung Quốc, với xác nhận thêm từ 1.393 bệnh nhân. Những gã khổng lồ công nghệ khác cũng đang thực hiện các dự án tương tự để ngăn chặn loại virus chết người. Sử dụng học sâu, Alibaba đã xây dựng một công cụ để các tổ chức dự đoán sự lây lan của COVID-19, với tỷ lệ chính xác gần như 90%. Phân tích cấu trúc virus được thực hiện bởi thuật toán nguồn mở của Baidu, thuật toán này tuyên bố quá trình này nhanh hơn 120 lần so với phương pháp truyền thống. 

Scope of the report

The study covers the revenues from hardware, software, and services, driven by deep learning. The hardware segment includes the demand study for central processing units (CPUs), field-programmable gate arrays (FPGAs), application-specific integrated circuits (ASICs), graphics processing units (GPUs), networking products, and data storage devices. Cloud-based platforms for deep learning applications, such as image recognition, signal recognition, and data processing, are also covered in the study. Other Applications will include Natural Language Processing, Speech Recognition, Product Recommendations, and Predictive Maintenance.

Report scope can be customized per your requirements. Click here.

Xu hướng thị trường chính

Bán lẻ dự kiến ​​sẽ nắm giữ cổ phần đáng kể

• Ngành bán lẻ đã có sự thay đổi mạnh mẽ về cơ sở hoạt động trong thời gian gần đây, với nhiều thương hiệu đáng chú ý đã chọn giảm số lượng dịch vụ tại chỗ để chuyển sang dịch vụ trực tuyến. Để các nhà bán lẻ duy trì khả năng tồn tại, họ cần đáp ứng kỳ vọng của khách hàng, hành động phù hợp hoặc có nguy cơ mất lòng trung thành. Việc áp dụng các công nghệ đang phát triển để biến điều này thành hiện thực cũng trở nên quan trọng đối với các nhà bán lẻ. Học sâu cho phép các nhà bán lẻ tự động hóa trải nghiệm của khách hàng và hợp lý hóa các quy trình theo cách cho đến nay vẫn chưa được biết đến. Ví dụ: phân tích giá kệ trong các tình huống trực tuyến có thể giúp đưa ra các đề xuất hữu ích về hàng hóa và phân loại nhanh chóng, cho phép khách hàng đưa ra lựa chọn chính xác, với nhiều hỗ trợ hơn, nhanh hơn.
• Các nhà bán lẻ trực tuyến như Walmart đang bắt đầu sử dụng AI để nhận các đề xuất sản phẩm từ khách hàng, nhưng hầu như chỉ tận dụng hết tiềm năng mà công nghệ có thể mang lại. Bằng cách sử dụng học sâu, các nhà bán lẻ thực sự có thể khai thác sức mạnh của AI trong việc tối ưu hóa trải nghiệm người dùng và tự động hóa các tác vụ tốn thời gian. Ví dụ: các nhà bán lẻ trực tuyến có thể sử dụng Học sâu để tự động gắn thẻ dữ liệu trực quan nhằm cải thiện nhiều khía cạnh của trải nghiệm người dùng. Họ có thể sử dụng AI để tinh chỉnh tìm kiếm và trả lại kết quả tốt hơn cho các truy vấn tìm kiếm hoặc nâng cao chất lượng hình ảnh sản phẩm, đặc biệt là ảnh sản phẩm chất lượng thấp bằng cách sử dụng tăng cường màu sắc. Trong tương lai, các nhà bán lẻ có thể nhanh chóng thu thập dữ liệu và phân tích thông tin tự động bằng cách sử dụng công nghệ Deep Learning.
• Một nghiên cứu của Snowflake Computing Harvard Business Review chỉ ra rằng các nhà bán lẻ chọn đưa ra quyết định dựa trên dữ liệu đã tồn tại lâu hơn. Không nghi ngờ gì nữa, bán lẻ đang nhanh chóng trở nên cực kỳ theo định hướng dữ liệu. Theo cùng một nghiên cứu, 89% nhà bán lẻ coi việc nâng cao hiểu biết sâu sắc hơn về kỳ vọng của khách hàng là một mục tiêu quan trọng. Các mô hình mà Học sâu trong bán lẻ sử dụng đủ tinh vi và tiên tiến để xử lý những thách thức mà mô hình học máy gặp phải. Ví dụ, học sâu trong các mô hình ứng dụng bán lẻ đủ thông minh để hiểu rằng việc phát hành điện thoại thông minh với màn hình lớn hơn có thể ăn đứt doanh số bán hàng của máy tính bảng. Trong trường hợp thiếu dữ liệu, học sâu về bán lẻ có thể học hỏi từ các mẫu cho dù một mặt hàng không bán được hoặc đã hết hàng.
• Vào tháng 1 năm 2020, Johnson Controls thông báo rằng danh mục giải pháp bán lẻ của họ, Sensormatic Solutions và Intel Corporation, đã hợp tác để cung cấp các giải pháp hỗ trợ AI có thể mở rộng cho các nhà bán lẻ. Trong tương lai, danh mục AI của Giải pháp Cảm biến sẽ dựa trên nền tảng của Intel. Giải pháp Sensormatic cũng sẽ tận dụng Bộ công cụ phân phối OpenVINO của Intel và các mô hình Intel để cung cấp các giải pháp của mình. Trí tuệ thị giác AI sẽ hiển thị hành vi được nhắm mục tiêu để cải thiện hoạt động của cửa hàng và trải nghiệm của người mua sắm. Nó bao gồm xử lý hình ảnh, mô hình học sâu và camera AI được phát triển với Intel để đánh giá khả năng đáp ứng của các cộng sự đối với khách hàng và đo lường phương pháp mà khách hàng tương tác với hàng hóa và hơn thế nữa.

To understand key trends, Download Sample Report