對於國防、情報和安全單位來說，消化海量資料是一件日漸吃重的工作。
他們需要快速分析陸空情況，以評估戰場、確保環境，以及決定何時與如何部署人員或人道援助項目。
人工智慧技術或許是一項關鍵技術，以協助這些單位消化從多個來源接二連三湧入的資料。
這些單位開始求助於搭配 GPU 的深度學習技術，加上能高速在粗糙原始資料中辨識相關內容和模式，好從這些資料中取得更深入的見解。.
GPUs：現代人工智慧技術的引擎
NVIDIA 解決方案架構師 Jon Barker 日前在地理空間情報論壇（GEOINT Symposium）年會上，對來自國防、情報和國土安全界的眾多人士表示「GPU 是現代人工智慧技術的引擎」（請見《透過 GPU 加快人工智慧運算速度：嶄新的運算模型，Accelerating AI with GPUs: A New Computing Model，Accelerating AI with GPUs: A New Computing Model》一文）。
這項活動的主辦單位為美國地理空間情報基金會，而美國地理空間情報基金會是推廣地圖和海圖等地理空間情報（GEOINT）工作的非營利機構。
Barker 介紹嵌入式 GPU 系統上的深度學習技術如何以超越人類能力的速度和精準度，在高解析度空拍圖中偵察、分類和追蹤物體。
他說在出現人道主義危機之際，強化軍事目標辨識、繪製基礎建設地圖、搜救任務和提供援助的能力，讓這項技術有更多的應用範圍。
將深度學習技術用於救援
使用深度學習技術代表利用大量受過訓練的影像，其中不同種類的物體（像是車輛或建築物）皆已加上標籤。
這些影像用以訓練人工智慧網路，以在前所未見新的影像範例中準確偵察物體。
Barker 說透過數十億個可訓練的參數，辨識準確率在去年超過 95%，而在2010年僅接近 70%。
2015年微軟的研究人員使用 GPU，在知名影像辨識基準標竿 ImageNet 刷新紀錄。
微軟的152層神經網路（較第二名又深了近五倍）在1,000個預設的類別中正確分類影像，創下高於96% 的正確率。
使用 GPUs 打造強大的神經網路，成就出人工智慧復興時代，進而出現這些突破性的進展。
GPUs 還帶來了優秀的運算速度。對於國防單位來說，可是不能浪費任何一點時間。
一具 AlexNet 網路結構模型上使用四顆 NVIDIA Tesla M40 GPU 加速器的伺服器，將ImageNet 資料組的訓練時間縮減為一天，而使用雙 CPU 的伺服器需要近兩週的訓練時間。
GPU 架構也具備充足的調整彈性，以配合這些單位面對的各種情境。
各項開放源碼工具和 cuDNN 等函式庫可用於協助量身設計資源，在實際出發前於有限時間、緊湊預算的情況下分配國防前線單位，還能預測結果。
在我們近期推出的網路研討會錄影內容裡，提供更多關於「深度學習技術用於國防單位的最新進展」的相關消息，請點擊這裡。