趋势1:利用深度神经网络架构提高泛化和准确率

采用基于深度学习的解决方案来解决企业级问题是由一些关键因素驱动的，如图形处理单元计算(GPU)的可用性、大标记数据的可用性以及新的深度学习算法的快节奏创新。与支持向量机(SVM)、朴素贝叶斯(Naive Bayes)和随机森林(Random Forest)等经典算法相比，它们具有更高的精度和更好的泛化特征。然而，对大量标记数据的需求和GPU计算的成本仍然是深度学习主流应用面临的两大挑战。基于迁移学习的模型，在克服标签数据和GPU缺乏足够可用性的局限性方面取得了巨大的进展。解决计算机视觉、自然语言处理和语音领域的某些复杂问题已成为可行的架构，如变形金刚。

印孚瑟斯与一家大型科技公司合作，将其现有系统(根据预先配置的历史规则和政策对用户上传的内容进行审核)改造为基于人工智能的审核。人工智能模型使用一组非常有限的标签数据进行训练，用于基于监督迁移学习的深度神经网络架构，用于视觉和文本识别、分类和分离来自用户上传表单的任何有毒内容。

作为一项著名的全球网球锦标赛的一部分，Infosys训练了一种基于迁移学习的计算机视觉模型，使用一组有限的品牌标识图像，以确定特定品牌可见的时间和时间段。同样地，在编译关键时刻时，玩家动作识别(游戏邦注:如向人群挥手)也采用了类似的方法。

以下几节给出了几个例子，在这些例子中，Infosys为语音、视觉和文本部署了基于迁移学习的技术，以克服在有监督的模型训练期间的标记数据不足问题。在某些情况下，Infosys还使用传统的人工智能算法，如逻辑回归、支持向量机(SVM)来驱动早期结果，然后使用这些结果来训练基于深度学习的人工智能模型，以提高泛化和准确性。