A IMPORTÂNCIA DOS ACELERADORES DE HARDWARE EM PROJETOS QUE USAM INTELIGÊNCIA ARTIFICIAL
DOI:
https://doi.org/10.22407/1984-5693.2021.v13.p.27-34Palavras-chave:
Aceleradores de hardware, inteligência artificial, longo tempo de treino.Resumo
A aplicação da inteligência artificial permite automatizar processos de uma forma nunca vista antes e criar soluções muito mais operacionais. Essa automatização é desejada em diversos projetos com aplicações em muitas áreas. Os projetos de pesquisa do Instituto Federal do Rio de Janeiro poderiam usar essa inteligência artificial em suas metodologias para automatizar os procedimentos, o que permitiria mais eficiência e alcançando assim melhores resultados. Contudo a falta de maquinário adequado para trabalhar com inteligência artificial compromete tal abordagem de operação. Esse trabalho mostra uma comprovação de como o maquinário pode inviabilizar operações com inteligência artificial por apresentar dados gerados em um estudo de caso. No estudo, a falta de maquinário adequado limitou a eficiência da inteligência artificial em 62% de acurácia.
Referências
BUCK, I. GPU Computing: Programming a Massively Parallel Processor. International Symposium on Code Generation and Optimization (CGO'07). San Jose: CA 2007, p. 17-17. doi: 10.1109/CGO.2007.13. Disponível em:<http://ieeexplore.ieee.org/stamp/stamp.jsptp=&arnumber=4145100&isnumber=4145090>.
CADAMBI, S; DURDANOVIC, I et al.. A Massively Parallel FPGA-Based Coprocessor for Support Vector Machines. 17th IEEE Symposium on Field Programmable Custom Computing Machines. Napa: CA. 2009, 115-122. doi: 10.1109/FCCM.2009.34. Disponível em <http://ieeexplore.ieee.org/stamp/stamp.jsptp=&arnumber=5290941&isnumber=5290880>.
FRENKEL, C; LEFEBVRE, M; LEGAT J; BOL, D. A 0.086-mm2 12.7-pJ/SOP 64k-Synapse 256-Neuron Online-Learning Digital Spiking Neuromorphic Processor in 28-nm CMOS. IEEE Transactions on Biomedical Circuits and Systems 13(1), 2019, 145-158. doi:10.1109/TBCAS.2018.2880425 Disponível em<http://ieeexplore.ieee.org/stamp/stamp.jsptp=&arnumber=8528875&isnumber=8626744>.
GU, R; SHEN, F; HUANG, Y. A parallel computing platform for training large scale neural networks", 2013. IEEE International Conference on Big Data. Silicon Valley: CA. 2013, 376-384. doi:10.1109/BigData.2013.6691598Disponível em<http://ieeexplore.ieee.org/stamp/stamp.jsptp=&arnumber=6691598&isnumber=6690588>.
HENNESSY, JL; PATTERSON, DA. Computer Architecture: A Quantitative Approach. 3rd Edition, Morgan Kaufmann Publishers (Elsevier). Burlington, 2002. ISBN:1-55860-596-7.
LEE, J; HD; DAVARI, H; SINGH, J; PANDHARE V. Industrial Artificial Intelligence for industry 4.0 - based manufacturing systems. Manufacturing Letters 18, 2018, 20-23. https://doi.org/10.1016/j.mfglet.2018.09.002.Disponívelem<http://www.sciencedirect.com/science/article/pii/S2213846318301081.
OH, HJ; MUELLER, SM et al. A fully pipelined single-precision floating-point unit in the synergistic processor element of a CELL processor. IEEE Journal of Solid State Circuits 41(4),2006,759771.doi:10.1109/JSSC.2006.870924.Disponívelem<http://ieeexplore.ieee.org/stamp/stamp.jsptp=&arnumber=1610620&isnumber=33823>.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2021 Revista Eletrônica Perspectivas da Ciência e Tecnologia - ISSN: 1984-5693
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Autores que submetem trabalhos a esta conferência aceitam que esta revista, bem como todo e qualquer trabalho publicado nela, estão sob licença Creative Commons 4.0 do tipo: CC BY - NC
