211service.com
AI-supercomputer gebouwd door datawarehouses af te tappen vanwege hun inactieve rekenkracht
Recente verbeteringen in spraak- en beeldherkenning zijn gekomen doordat bedrijven zoals Google grotere, krachtigere computers hebben gebouwd om machine learning-software uit te voeren. Nu een relatieve minnow, een particulier bedrijf genaamd Gevoelig met slechts ongeveer 70 werknemers, zegt het goedkoop nog grotere computersystemen te kunnen assembleren om kunstmatige-intelligentiesoftware aan te drijven.
De aanpak van het bedrijf is mogelijk niet geschikt voor alle soorten machine learning, een technologie die zo gevarieerd wordt gebruikt als gezichtsherkenning en financiële handel. Sentient heeft geen details gepubliceerd, maar zegt te hebben aangetoond dat het voldoende rekenkracht kan samenstellen om in sommige gevallen significante resultaten te produceren.
De kracht van Sentient komt van het verbinden van honderdduizenden computers via internet om samen te werken alsof ze één enkele machine zijn. Het bedrijf wil niet precies zeggen waar alle machines die het gebruikt zich bevinden. Maar velen zijn inactief in datacenters, de magazijnachtige faciliteiten die internetdiensten zoals websites en mobiele apps aandrijven, zegt Babak Hodjat, medeoprichter en hoofdwetenschapper bij Sentient. Het bedrijf betaalt een datacenteroperator om gebruik te maken van zijn reservemachines.
Datacenters hebben vaak een aanzienlijk aantal inactieve machines omdat ze zijn gebouwd om pieken in de vraag aan te kunnen, zoals een stormloop van verkopen op Black Friday. Sentient heeft software gemaakt die machines op verschillende plaatsen via internet met elkaar verbindt en ze aan het werk zet met machine learning-software alsof ze één zeer krachtige computer zijn. Die software is ontworpen om gegevens zoveel mogelijk versleuteld te houden, zodat waar Sentient aan werkt - misschien voor een klant - vertrouwelijk blijft.
Sentient kan tot wel een miljoen processorcores maandenlang aan hetzelfde probleem laten samenwerken, zegt Adam Beberg, hoofdarchitect voor distributed computing bij het bedrijf. De grootste machine learning-systemen van Google halen die schaal niet, zegt hij. Een Google-woordvoerder weigerde details over de infrastructuur van het bedrijf te delen en merkte op dat de resultaten die worden verkregen met behulp van machine learning belangrijker zijn dan de schaal van het computersysteem erachter. Google gebruikt machine learning op grote schaal, op gebieden zoals zoeken, spraakherkenning en advertentietargeting.
Beberg hielp mee met het idee om computers op verschillende plaatsen aan elkaar te koppelen om samen aan een probleem te werken (zie Innovators Under 35: 1999). Hij was een van de oprichters van Distributed.net, een project dat als een van de eersten dat idee op grote schaal demonstreerde. De technologie leidde tot inspanningen zoals:Seti@HomeenFolding@Home, waarin miljoenen mensen software installeerden zodat hun pc's konden helpen bij het zoeken naar buitenaards leven of konden bijdragen aan moleculair biologisch onderzoek.
Sentient is opgericht in 2007 en heeft meer dan $ 140 miljoen aan investeringsfinanciering ontvangen, waarvan iets meer dan $ 100 miljoen eind vorig jaar. Het bedrijf heeft zich tot nu toe gericht op het gebruik van zijn technologie voor het aandrijven van een machine-learningtechniek die bekend staat als evolutionaire algoritmen. Dat houdt in dat een oplossing voor een probleem wordt gekweekt uit een initiële populatie van veel licht verschillende algoritmen. De beste presteerders van de eerste generatie worden gebruikt om de basis te vormen voor de volgende, en in de loop van de opeenvolgende generaties worden de oplossingen steeds beter.
Sentient verdient momenteel enige inkomsten uit het uitvoeren van algoritmen voor financiële handel die zijn gemaakt door het evolutieproces maandenlang uit te voeren op honderdduizenden processors. Maar het bedrijf is nu van plan om zijn infrastructuur te gebruiken om diensten aan te bieden die gericht zijn op sectoren zoals de gezondheidszorg of online handel, zegt Hodjat. Bedrijven in die sectoren zouden Sentient theoretisch betalen voor die producten.
Wat dat zou kunnen zijn, wil hij niet meer zeggen. Sentient heeft samen met de Universiteit van Toronto en MIT onderzoek gedaan om software te maken die de ontwikkeling van sepsis bij IC-patiënten kan voorspellen op basis van gegevens zoals bloeddruk en andere vitale indicatoren, zegt Hodjat. De resultaten toonden aan dat de software 30 minuten kon waarschuwen voor het ontwikkelen van sepsis, met een nauwkeurigheid van ongeveer 90 procent, maar het bedrijf heeft besloten dat werk niet te commercialiseren, zegt hij.
Meer recent heeft Sentient geprobeerd zijn aanpak aan te passen om te werken met een soort kunstmatige intelligentie die deep learning wordt genoemd. Deze techniek heeft onlangs tot opvallende doorbraken geleid op gebieden als beeld- en spraakherkenning, en het is de belangrijkste focus geworden van het werk aan kunstmatige intelligentie bij bedrijven als Google, Facebook en Baidu (zie 10 Breakthrough Technologies 2013: Deep Learning). Enkele van de beste resultaten in deep learning komen van het uitvoeren van software op zeer krachtige, gespecialiseerde computers (zie Baidu's Artificial-Intelligence Supercomputer Beats Google bij Image Recognition).
Reza Zadeh , een consulting-professor aan de Stanford University die werkt aan het op grote schaal laten werken van machine learning, zegt dat het gebruik van een grote verzameling computers op verschillende plaatsen goed werkt voor sommige problemen, maar niet voor alle.
Het is het krachtigst wanneer een taak kan worden opgesplitst in kleine stukjes waaraan individuele computers kunnen werken zonder veel te hoeven communiceren via internet, dat relatief traag is. Maar sommige van de meest veelbelovende manieren om machine learning krachtiger te maken, vereisen verschillende processors om veel te communiceren, zegt Zadeh.
Google en Baidu hebben belangrijke resultaten gemeld bij het gebruik van deep learning voor spraak- en beeldherkenning door zeer grote datasets te gebruiken of grotere kunstmatige neurale netwerken te bouwen. Beide benaderingen vereisen constante gegevensstromen tussen verschillende processors, zegt Zadeh.
Berberg is het ermee eens dat deep learning moeilijker aan te passen is aan een systeem van honderdduizenden computers die via internet met elkaar verbonden zijn, maar zegt dat Sentient vooruitgang boekt. Er werken duizenden processors tegelijk aan deep learning, zegt hij.