概述

讓機器學習變得更快、效率更高

機器學習 (ML) 是一種資料導向方法,可協助企業利用以歷史和即時資料訓練的演算法,獲得洞見、有資料為依據的決策,並將任務自動化。

優點

機器學習的效益

資料導向決策

機器學習模型可分析大量資料,尋找模式、趨勢及洞見,實現更完善、更快速及更準確的決策。

重複作業的自動化

機器學習可自動處理例行程序,例如分類電子郵件、掃描文件、核准交易或偵測異常情況,節省時間和資源。

持續改進

機器學習模型可以隨時間提升,隨著接觸到越來越多的資料,變得更聰明、更準確,無須手動重新程式設計。

增強預測能力

機器學習可依據過去的資料預測未來的活動,協助企業及個人主動規劃。

使用場景及成功案例

適用於更聰明、更高效率裝置的機器學習應用

  • Datacenter AI
    資料中心人工智慧
  • Smartphone
    消費者裝置
  • Smart Homes icon
    智慧家庭
  • Industrial icon
    工業
  • Smartphone
    行動裝置人工智慧

以傳統機器學習及深度學習模型提供可擴充的人工智慧推論

Google Axion CPU 採用 Arm Neoverse 技術,可在各種工作負載大規模加速人工智慧推論。從 XGBoost 等結構化資料模型、使用 BERT 的自然語言處理 (NLP) 到使用 ResNet50 的電腦視覺,Axion 展示 Arm 在經典機器學習及深度學習使用場景中的效能領先地位。

Datacenter AI

探索 Google 如何使用 Arm 架構 Axion CPU 為 BERT (NLP)、XGBoost (表格資料) 及 ResNet-50 (電腦視覺) 最佳化推論,為企業人工智慧提供效能、效率及擴充性。

由裝置內機器學習支援的語音介面

Arm 在記憶體與功耗受限的消費性裝置中,透過在裝置內執行機器學習模型實現自然語音互動,協助提升隱私權、減少延遲,無須持續連線至雲端。

Consumer Technologies

瞭解 Sensory 如何使用 Arm 機器學習技術開發回應迅速的私人語音助理。

以邊緣機器學習打造更智慧的家庭自動化

Arm 架構機器學習為智慧家庭裝置驅動即時的本機處理能力,實現臉部辨識、動作偵測及智慧氣候控制等功能,無須傳送資料至雲端。

Smart Homes

瞭解 Grovety 如何使用 Arm 技術打造智慧的視覺邊緣裝置,協助強化家庭安全性及回應能力。

以機器學習實現預測性維護

Arm 機器學習解決方案可協助工業裝置監控感測器,並在發生故障前及早預測,協助減少停機時間、延長設備使用壽命,並提高營運效率。

Industrial

探索 Arm 架構 Raspberry Pi 5 如何在工業環境中支援即時分析及預測性維護。

行動裝置上的生成式與傳統人工智慧

Arm 處理器可直接在行動裝置上支援生成式及傳統人工智慧作業,實現內容摘要及智慧助理等功能,同時維持隱私及盡可能減少延遲。

Smartphones

瞭解 Arm 如何在行動裝置的 CPU 上實現即時語音及文字摘要等裝置內生成式人工智慧體驗。

運算平台

適用於機器學習及深度學習工作負載的異質化運算

現代機器學習及深度學習工作負載可受益於異質化運算平台,藉由結合 CPU、GPU 及 NPU,在邊緣、嵌入式及雲端環境有效處理傳統推論任務,以及訓練複雜的模型等等。

適用於人工智慧工作負載的異質化運算

人工智慧工作負載需要一個異質化運算平台,可彈性運用各種處理引擎 (例如 CPU、GPU 及 NPU),專為不同使用場景量身打造,範圍涵蓋邊緣裝置、自主系統乃至於雲端環境。

透過軟體及生態系支援推動人工智慧

若要擴大人工智慧商機,開發人員需要取得最快速的人工智慧部署方法,以及最適合特定工作負載的最佳效能。

資源

最新消息及資源

  • 最新消息及部落格
  • 開發人員
  • 模擬指南
  • Podcast
  • 報告
MIT Technology Review Insides

推動無縫且可擴展的 AI 發展

隨著人工智慧的發展,機器學習工作負載正在突破運算極限。這篇來自《MIT Technology Review》的文章深入探討科技生態系統如何實現無縫、可擴展的 AI。

CPU 推論

Arm KleidiCV 將電腦視覺速度加速 4 倍

KleidiCV 與 OpenCV 整合後,開發人員可在行動裝置提升高達 4 倍的電腦視覺應用效能。

Developer icon
學習路徑

使用 Arm 學習機器學習

存取實作教學課程、實驗室及學習路徑,使用 Arm 架構平台與工具建立機器學習技能。

Developer icon
機器學習資源

在 Arm Cortex-M 裝置上開始使用機器學習

探索逐步指南,協助在使用 Cortex-M 處理器的資源受限嵌入式裝置建構及部署機器學習模型。

模擬指南

想要為裝置加入機器學習?

探索平台配置、硬體、軟體與生態系的重要性。掌握機器學習的基礎知識,探索機會與挑戰,並且學習入門知識。

Podcast icon
Podcast

使用科技追蹤及保護野生動植物

探索傳統機器學習及感測器技術如何協助研究人員監控野生動物的行為,並透過更智慧、資料導向的洞見推動保育。

Podcast icon
Podcast

適用於野生動植物保育的人工智慧

瞭解從傳統機器學習到深度學習的人工智慧模型,如何透過模式辨識、預測建模及即時分析,促成更有效的野生動植物保育。

從邊緣到雲端的人工智慧

人工智慧處理的未來:異質化運算

這份《MIT Technology Review》研究報告使用 AWS、Meta 及 Samsung 的洞見,探索全新運算範例如何提供無縫的人工智慧體驗。

保持聯繫

訂閱最新動態即可掌握最新消息、個案研究與洞見。

電子報訂閱