突破性进展固然存在，步伐也在加快，但现在启动人工智能的企业也不会落后。
虽然还没有重大成果，但《哈佛商业评论》近期的一份研究 (英文) 表明，改进业务流程的简单项目比雄心勃勃的转型项目更易于成功。
在与客户的合作中，英特尔也发现了这一点。在该领域获得成功的客户在初始阶段都会利用现有基础设施来推动较小规模的概念验证(PoC)。当前基于英特尔® 至强® 处理器的数据中心对于企业来说就是一个绝佳机会，借助这一灵活、通用的基础，他们能以富有竞争力的总体拥有成本证明人工智能的价值。当需要纵向扩展时，可以设法调优计算、软件优化和处理器内存带宽组合，这些对人工智能性能至关重要。
英特尔在与客户合作开发人工智能时发现，在该领域获得成功的客户在初始阶段都会利用现有基础设施来推动较小规模的概念验证。
从小起步，逐步扩展，迈向成功
一家法国癌症研究组织 (英文) 的小规模自然语言处理 (NLP) 试点项目得出了一组变革性的初步结果和经验，并将其作为扩大应用范围的基础。
在 UNICANCER 开发解决方案之前，30 人团队花六个月时间审查患者记录，挑选适合临床试验的患者。该试点项目对 2400 万份记录和 125 万名患者产生的数据进行研究，并根据这些经验对新数据和以前未发现的数据进行分类。该组织认为，这套系统可将整个流程所需的时间缩短至一天。
现在，该团队希望深化搜索功能、完善用户界面、进一步优化性能并增加用户与位置数量，从而扩展在基于高性能英特尔® 至强® 处理器的集群上运行的解决方案。
一家法资癌症研究组织寻求通过人工智能(AI)试点项目来确定适合参加临床试验的患者，他们认为该系统能够在一天之内完成通常需要 30 个人历经 6 个月才能完成的任务。
高速自动化
在图像识别应用中发现另一个示例，证明人工智能项目可从初步概念验证起步，纵向扩展并产生变革性影响。
同样，在医疗服务行业，放射科医师每天要对患者的扫描图进行临床判断，筛查癌症症状。然而，在不考虑图像质量或旋转的情况下，他们很难描述他们如何在任意与患者相关的图像中识别所有类型的癌症。这正是深度学习图像识别系统可以学习和自动执行的工作，只要提供足够多的数据，系统就能以超快的速度和准确度处理图像并标记潜在癌症。11
观看：人工智能(AI)正在转变企业执行图像识别自动化处理的方式，以构建更优秀的业务解决方案和降低运营成本。
基于深度学习的图像识别系统可以学习恶性肿瘤识别流程及执行自动化处理，使系统能够标记潜在的恶性肿瘤，从而提高拯救生命的速度和准确性。
决定人工智能性能的三大技术因素2
人工智能的性能受计算、软件优化和处理内存带宽的共同影响，数据中心的英特尔® 架构可在现有硬件基础上提供您所需的人工智能。
英特尔数据科学团队在向健康和生命科学事业部的图像分类报告 (英文) 中说称：
“凭借对更大内存空间的支持，基于 CPU 的深度学习系统能够满足在大图像中训练神经网络并适应批量图像规模的相关内存需求……我们已证明，对于实际显微镜检查分类任务，基于 CPU 的系统可处理超过 40GB 的内存空间。”
在软件方面，通过为众多广受欢迎的人工智能框架 (英文) 优化深度学习库，英特尔让数据科学家和开发人员能够在英特尔硬件上使用自己的首选工具。这些框架包括 TensorFlow*、Theano* 等。
此外，BigDL (英文) 是 Spark* 的分布式深度学习库，可直接在现有 Spark 或 Apache Hadoop* 集群上运行。BigDL 可将预训练的 Torch* 模型加载到 Spark 框架中，通过有效横向扩展，在大数据规模上执行数据分析。
您的组织准备好迎接人工智能了吗？
英特尔正在与许多希望部署人工智能的组织合作，其对硬件和软件的持续优化意味着几乎任何企业都可以使用人工智能。
无论您身处人工智能之旅的哪个阶段，英特尔的广泛硬件和软件产品组合都有丰富的工具包，可帮助您立即为人工智能工作负载构建最经济高效的部署架构。
企业既有 IT 基础设施在 AI 应用上的潜能很强，随着 CPU 在流行深度学习框架上的持续优化和提供更多的软件工具，只需对它稍做升级，即可充分释放潜能。
英特尔® 技术的功能和优势取决于系统配置，可能需要启用硬件、软件或激活服务。随着系统配置的变化，性能也会发生变化。没有任何计算机系统能保证绝对安全。请咨询您的系统制造商或零售商，或访问 www.intel.cn 获取更多信息。