每天都有来自全球研究人员，数据科学家和开发人员的深度学习（DL）最新进展的报道。鲜为人知的是企业采用GPU加速技术推动人工智能的动力。从生态系统支持的指数增长到强大的解决方案开发，许多公司正在转向使用NVIDIA GPU来加速他们的AI之旅。

以下是转变背后的五个主要趋势。在Strata Data Conference上了解这些主题。

1）对GPU的强大生态系统支持

在过去几年中，GPU加速生态系统合作伙伴的名单呈指数级增长。现在，NVIDIA的Inception初创孵化计划中有超过3200家创业公司，比2017年增加近一倍。

数字是巨大的，但真实的故事是生态系统支持的力量。仅举几例：

Anaconda是一个GPU加速的python数据科学平台，现在有600万开发人员，最近宣布专注于GPU和容器使用。

FastData是第一款GPU加速流媒体解决方案，它获得了500万美元的资金，用于加速其高性能计算软件的采用。

SQream是GPU加速的分析解决方案，筹集了2650万美元，以降低企业访问和分析大规模数据存储的障碍。

2）增加客户采用GPU加速

10大消费者互联网公司中的10家，前10大汽车制造商中的10家，以及10家领先医院中的9家都采用了GPU技术。

中国电子商务JD.com 在Tesla P40 GPU上使用NVIDIA的DeepStream SDK和TensorRT来识别和过滤1,000个直播的全高清视频频道，以获得更适合家庭的内容。

汽车制造商BMW采用H2O.ai机器学习算法（XGBoost）和卷积神经网络来支持车辆工程和售后服务。

在梅奥诊所医疗中心使得能够利用GPU加速超声诊断癌症。

电子商务，汽车和医疗保健行业是看到GPU转型的顶级行业。其他行业正在迅速加入这个行列。

作为一家位于印度尼西亚的企业集团，力宝集团成立于1950年，现在利用Kinetica，一个GPU加速的洞察引擎和数据库，来做出明智的运营和产品决策。

本地数据提供商Skyhook使用MapD（一种GPU加速的极端分析平台）每天运行5-10亿次交易，或每秒约10万次交易，以获得更好的基于位置的服务。

金融服务PayPal使用H2O.ai来检测欺诈模式并防止买方和卖方的勾结，看到6倍的加速和90％的准确性提高。

3）跨越分析和深度学习世界的更多解决方案

上面提到的PayPal不仅使用GPU加速的机器学习来解决其问题，而且还使用DL方法来确定要实现哪些欺诈检测模型。

Datalogue是一种支持GPU的DL数据准备解决方案，它注意到数据科学家通常花费80％以上的时间来准备数据。他们的平台加速了提取，转换和加载过程的每一步。这有助于数据科学家摄取任何数据存储和数据类型，使用快速GPU加速神经网络智能地对数据进行分类，并以组织中任何人所需的任何格式加入和输出。

通过GPU加速的深度学习，公司不再受限于仅使用不到5％的数据。数据科学家可以花费不到5％的时间准备数据，95％的人从事科学研究。

4）从研究到生产的更快旅程

创新技术正在以前所未有的速度从研究模式转向全面部署。

生成对抗网络（GAN）是一种神经网络技术，是一个很好的例子。自2014年Ian Goodfellow首次提出GAN概念以来，我们已经看到许多使用GAN的用例在数据集稀缺时帮助综合深度学习训练数据。

GAN可用于生成逼真的高分辨率图像，以创建具有更多角色和故事情节的复杂游戏。它们可用于创造逼真的名人面孔，在娱乐行业中具有潜在的应用。斯坦福大学的学生正在使用GAN生成图像并与实时数据进行比较，因此机器人可以找到正确的行走路径。

公司也在汲取趋势并采用最佳实践来解决他们自己的问题：

Glidewell Laboratories是一家牙科产品制造商，使用GAN制造定制牙科帽，以确保牙冠能够贴合在相邻和相对的牙齿之间，并起到咬和咀嚼的作用。

Vue.ai，硅谷时装公司，转向甘斯生成服装和训练网络，来观察哪些看起来像服装模型上，以节省成本雇用昂贵的机型为高品质的照片拍摄。

Satrec倡议是一种支持DL的卫星平台，它使用GAN生成卫星图像，以便更好地进行飞机分析。

医疗成像医疗保健公司Subtle Medical使用GAN培训儿科患者的MRI，以加快诊断速度。

5）集成解决方案正在解决人工智能基础设施的挑战

上面提到的许多合作伙伴和客户早期意识到GPU的重要性，并投资于部署AI解决方案所需的基础架构。拥抱深度学习的公司很快就会发现自己正在考虑通过强大的计算，快速的网络和高效的存储进行扩展。

对于许多人来说，设计，部署和支持AI基础设施是一项漫长而复杂的工作。他们可能没有大规模管理AI工作负载所需的设计知识，系统集成专业知识或操作环境。