趋势1：提高深度神经网络架构的泛化和准确性

采用基于深度学习的解决方案来解决企业级问题是由某些关键因素驱动的，例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中的快节奏创新。与诸如SVM，幼稚贝叶斯和随机林等古典算法相比，它们承诺更高的准确性和更好的泛化特征。然而，对大量标记数据的需求和GPU计算的成本仍然是对深度学习的主流采用的两个挑战。转移基于学习的模型，使克服了巨大的入门克服了标记数据和GPU缺乏足够可用性的局限性。解决计算机视觉中某些复杂问题，NLP和语音域具有变换器等架构的可行性。

Infosys与一家大型科技公司合作，将其现有系统转换为基于某些预配置的历史规则和策略来调节用户上传的内容，并策略到基于AI的审核。AI模型的培训是用一个非常有限的基于传输学习的深度神经网络架构的标签数据培训，用于审查，分类和隔离从用户上传的表单到达的任何有毒内容。

作为盛名的全球网球锦标赛的一部分，Infosys使用有限的品牌标志图像培训了基于转移学习的计算机视觉模型，建立了特定品牌可见的时间和时间框架。同样，对于编译关键时刻，播放器动作识别，例如挥手向人群挥手，以类似的方法完成。

以下部分有几个例子示出了Infosys部署了基于转移基于学习的语音，愿景和文本的技术，以在监督模型培训期间克服标记的数据缺陷挑战。在某些情况下，Infosys还使用了诸如逻辑回归的传统AI算法，SVM来推动早期结果，然后使用这些结果来训练基于深度学习的AI模型，以提高泛化和准确性。