211service.com
AI mikroshēma, kas palīdz datoriem izprast attēlus
Spēcīga pieeja mākslīgajam intelektam varētu būt viedtālruņi.
Pētnieki no Purdjū universitātes strādā, lai komercializētu mikroshēmas dizainus, lai palīdzētu mobilajiem procesoriem izmantot AI metodi, kas pazīstama kā dziļā mācīšanās. Lai gan padziļinātās mācīšanās spējas ir iedvesmojušas uzņēmumus, tostarp Google, Facebook un Baidu, investēt tehnoloģijā, līdz šim tā ir aprobežojusies ar lielām jaudīgu datoru kopām. Kad Google izstrādāja programmatūru, kas iemācījās atpazīt kaķus no YouTube videoklipiem, eksperimentam bija nepieciešami 16 000 procesoru (skatiet Self-Taught Software ).
Spēja īstenot padziļinātu mācīšanos kompaktākos un energoefektīvākos veidos varētu radīt viedtālruņus un citas mobilās ierīces, kas spēj saprast attēlu un video saturu. Eugenio Kulurciello , Purdue profesors, kurš strādā pie projekta. Decembrī plkst Neironu informācijas apstrādes sistēmu konference Nevadā grupa demonstrēja, ka kopprocesors, kas savienots ar parasto viedtālruņa procesoru, varētu palīdzēt tai palaist dziļas apmācības programmatūru. Programmatūra spēja noteikt sejas vai iezīmēt ielas ainas daļas. Kopprocesora dizains tika pārbaudīts ar FPGA — pārkonfigurējamu mikroshēmu, kuru var ieprogrammēt, lai pārbaudītu jaunu aparatūras dizainu, neradot ievērojamus izdevumus par pilnīgi jaunas mikroshēmas izgatavošanu.
Prototips ir daudz mazāk jaudīgs nekā tādas sistēmas kā Google kaķu detektors, taču tas parāda, kā jaunas aparatūras formas varētu ļaut plašāk izmantot dziļās mācīšanās jaudu. Tas ir nepieciešams, saka Kulurciello. Iespējams, jums ir vairāku tūkstošu attēlu kolekcija, ko jūs nekad vairs neskatīsit, un mums nav labas tehnoloģijas visa šī satura analizēšanai.
Viņš saka, ka tādas ierīces kā Google Glass varētu arī gūt labumu no spējas izprast bagātīgos attēlus un videoklipus, ko tās uzņem. Personas attēlus un videoklipus var meklēt, izmantojot tekstu — piemēram, sarkana automašīna vai saulaina diena ar mammu. Tāpat varētu izstrādāt jaunas lietotnes, kas darbojas, kad tās atpazīst konkrētus cilvēkus, objektus vai ainas.
Padziļinātās mācīšanās programmatūra darbojas, filtrējot datus, izmantojot hierarhisku, daudzslāņu simulētu neironu tīklu, kas ir atsevišķi vienkārši, bet var izrādīt sarežģītu darbību, ja tie ir savienoti kopā (skatiet Padziļināta mācīšanās). Datori ir neefektīvi šo tīklu darbināšanā, jo tie ļoti atšķiras no parastās programmatūras.
Purdue līdzprocesora dizains ir specializēts, lai galvenokārt palaistu daudzslāņu neironu tīklus un liktu tiem strādāt pie attēlu straumēšanas. Testos prototips ir izrādījies aptuveni 15 reizes efektīvāks nekā grafiskā procesora izmantošana vienam un tam pašam uzdevumam, un Culurciello uzskata, ka sistēmas uzlabojumi varētu padarīt to 10 reizes efektīvāku nekā tagad.
Narajans Šrinivasa , Boeing un General Motors kopīgi piederošās pētniecības laboratorijas HRL Laboratories neironu un jauno sistēmu centra direktors saka, ka ir lietderīgi izmantot kopprocesoru, lai palīdzētu efektīvāk ieviest dziļās mācīšanās tīklus. Tas ir tāpēc, ka parastajos datoros procesors un tā atmiņa atrodas atsevišķās aparatūras daļās. Turpretim dziļās mācīšanās stila neironu tīklu darbības un reālos neironu tīklus iedvesmo atmiņa un apstrāde. Narajana pētījums ir vērsts uz šīs problēmas risināšanu, izmantojot ekstrēmāku risinājumu – mikroshēmu projektēšanu ar silīcija neironiem un sinapsēm, kas atdarina reālās smadzenes (skat. Thinking in Silicon).
Purdue grupas risinājums neatspoguļo tik būtisku datoru mikroshēmu darbības pārdomāšanu. Tas var ierobežot to, cik efektīvi to dizaini var darbināt dziļās mācīšanās neironu tīklus, kā arī atvieglot to izmantošanu reālajā pasaulē. Culurciello jau ir izveidojis uzņēmumu, sauc TeraDeep , lai komercializētu savus dizainus.
Ideja ir tāda, ka mēs pārdodam IP, lai to ieviestu, lai liels ražotājs, piemēram, Qualcomm, Samsung vai Apple, varētu pievienot šo funkcionalitāti savam procesoram, lai viņi varētu apstrādāt attēlus, saka Culurciello. Jans Lekuns , padziļinātas mācīšanās pionieris Ņujorkas Universitātē, kurš nesen sāka vadošais Facebook pētījums šajā jomā , ir uzņēmuma padomnieks.