公用设施资产健康：随着全球能源消耗的持续增长，电力传输资产的数量预计也将增长。这一预测分析模型被训练用于提高公用设施的服务可靠性。通过英特尔®oneAPI数据分析库（Intel® oneAPI Data Analytics Library），它使用经英特尔优化的XGBoost算法，基于34项属性和超过1,000万个数据点，对电线杆的使用状况进行建模¹。数据类型包括资产使用年限、机械性能、地理空间数据、检查报告、制造商、先前的维修和维护历史以及断电记录。该预测性资产维护模型会不断学习新提供的数据，如新的电线杆制造商、断电和其他条件变化。

视觉质量控制：质量控制是所有制造业务中的必需环节。计算机视觉技术的挑战在于它们在训练过程中往往需要大量的图像算力，且需要随着新产品的推出频繁地重新训练。这一AI视觉质量控制模型是用包括英特尔^®PyTorch优化版的英特尔®AI Analytics Toolkit和英特尔®发行版OpenVINO™工具套件训练而成，二者均由oneAPI提供技术支持。针对跨CPU、GPU和其它基于加速器的架构的计算机视觉工作负载，与现有的未经英特尔优化²的埃森哲视觉质量控制套件相比，这一模型的的训练和推理速度分别提高了20%和55%。利用计算机视觉技术和SqueezeNet分类算法，这一AI视觉质量控制模型可通过超参数调优和优化检测药品缺陷，准确率达95%。

客服机器人：对话式聊天机器人已成为支持整个企业发展的关键服务。用于对话式聊天机器人交互的AI模型是规模庞大且高度复杂的。这款参考套件包含了进行意图分类（intent classification）和命名实体识别（named-entity recognition）的深度学习自然语言处理模型，使用BERT和PyTorch。英特尔®PyTorch扩展包（Intel® Extension for PyTorch）和英特尔®发行版OpenVINO™工具对该模型进行了优化，实现了跨异构的更高性能，与现有的未经英特尔优化³的埃森哲客服机器人套件相比，推理速度提高了45%，同时，还让开发者通过最少的代码改动就能重新使用模型开发代码进行训练和推理。

智能文档索引：企业每年需要处理和分析数百万份文档，许多半结构化和非结构化文档都需要手动操作。AI可以自动处理和分类这些文档，以提高速度并降低人力成本。此款套件使用支持向量分类（SVC）模型，并通过oneAPI技术支持下的Intel®发行版Modin和英特尔®Scikit-learn扩展包（Intel® Extension for Scikit-learn）进行了优化。与现有的未经英特尔优化⁴的埃森哲智能文档索引工具包相比，这些工具将将数据预处理、训练和推理的时间分别提高了46%、96%和60%，能以65%的准确率审阅和分析文档。

标签: