211service.com
Baidu's kunstmatige-intelligentie-supercomputer verslaat Google bij beeldherkenning
Update: op 1 juni 2015 wijzigde Baidu zijn technisch document op zijn systeem om toe te geven dat het de regels voor de ImageNet Challenge had overtreden die het bedrijf had gebruikt om te beweren dat het andere onderzoeksteams had verslagen. De organisatoren van de uitdaging hebben het gedrag van Baidu beoordeeld en uitgegeven een verklaring zeggen dat de resultaten ervan niet als direct vergelijkbaar moeten worden beschouwd met resultaten die door anderen zijn verkregen.
Het Chinese zoekbedrijf Baidu heeft deze computer gebouwd om zijn onderzoek naar kunstmatige intelligentie te versnellen.
De Chinese zoekgigant Baidu zegt dat het een krachtige supercomputer heeft uitgevonden die nieuwe kracht geeft aan een kunstmatige-intelligentietechniek, waardoor software meer kracht krijgt om spraak, afbeeldingen en geschreven taal te begrijpen.
De nieuwe computer, Minwa genaamd en gevestigd in Peking, heeft 72 krachtige processors en 144 grafische processors, ook wel GPU's genoemd. Eind maandag, Baidu vrijgelaten een krant beweren dat de computer was gebruikt om machine learning-software te trainen die een nieuw record vestigde voor het herkennen van afbeeldingen, en een eerdere score van Google versloeg.
Ons bedrijf leidt nu de race in computerintelligentie, zei Ren Wu, een Baidu-wetenschapper die aan het project werkt, sprekend op de Embedded Vision Summit op dinsdag. De rekenkracht van Minwa zou het waarschijnlijk tot de 300 krachtigste computers ter wereld plaatsen als het niet gespecialiseerd was voor diep leren, zei Wu. Ik denk dat dit de snelste supercomputer is die zich toelegt op deep learning, zei hij. We hebben veel macht in handen - veel groter dan onze concurrenten.
Rekenkracht is belangrijk in de wereld van deep learning, dat doorbraken heeft opgeleverd in spraak-, beeld- en gezichtsherkenning en de beeldzoek- en spraakherkenningsservices van Google en Baidu heeft verbeterd.
De techniek is een opgevoerde versie van een benadering die decennia geleden voor het eerst werd ontwikkeld, waarbij gegevens worden verwerkt door een netwerk van kunstmatige neuronen die informatie beheren op manieren die losjes zijn geïnspireerd door biologische hersenen. Deep learning omvat het gebruik van grotere neurale netwerken dan voorheen, gerangschikt in hiërarchische lagen, en ze te trainen met aanzienlijk grotere gegevensverzamelingen, zoals foto's, tekstdocumenten of opgenomen spraak.
Tot nu toe lijken grotere datasets en netwerken altijd beter te zijn voor deze technologie, zei Wu. Dat is een manier waarop het verschilt van eerdere technieken voor machinaal leren, die met grotere datasets een afnemend rendement begonnen te produceren. Zodra je je gegevens voorbij een bepaald punt had geschaald, zag je geen verbetering, zei Wu. Met deep learning blijft het maar stijgen. Baidu zegt dat Minwa het praktisch maakt om een kunstmatig neuraal netwerk te creëren met honderden miljarden verbindingen - honderden keren meer dan enig eerder gebouwd netwerk.
Een krant die maandag is vrijgegeven is bedoeld om een voorproefje te geven van wat Minwa's extra kracht kan doen. Het beschrijft hoe de supercomputer werd gebruikt om een neuraal netwerk te trainen dat een nieuw record vestigde op een standaardbenchmark voor beeldherkenningssoftware. De ImageNet Classification Challenge, zoals het wordt genoemd, omvat het trainen van software op een verzameling van 1,5 miljoen gelabelde afbeeldingen in 1.000 verschillende categorieën, en die software vervolgens vragen om wat het heeft geleerd te gebruiken om 100.000 afbeeldingen te labelen die het nog niet eerder heeft gezien.
Software wordt vergeleken op basis van hoe vaak de top vijf gissingen voor een bepaalde afbeelding het juiste antwoord missen. Het systeem dat op de nieuwe computer van Baidu was getraind, was slechts 4,58 procent van de tijd fout. Het vorige beste was 4,82 procent, gerapporteerd door Google in maart. Een maand daarvoor, Microsoft had gemeld het behalen van 4,94 procent, en werd daarmee de eerste met een betere gemiddelde menselijke prestatie van 5,1 procent.
Wu zei dat Minwa het mogelijk had gemaakt om het systeem te trainen op afbeeldingen met een hogere resolutie. Het maakte ook het gebruik van een techniek mogelijk die de oorspronkelijke 1,2 miljoen trainingsbeelden in twee miljard veranderde door ze te vervormen, om te draaien en hun kleuren te veranderen. Het gebruik van die grotere trainingsset verbeterde de nauwkeurigheid door te voorkomen dat het systeem te gefixeerd raakt op de exacte details van de trainingsbeelden, zei Wu. Het resulterende systeem zou beter moeten zijn in het verwerken van foto's uit de echte wereld, zei hij.
Zoals die kleine overwinningsmarges op de ImageNet-uitdaging doen vermoeden, is deep learning nu klaar voor grotere uitdagingen dan beeldherkenning, zoals het interpreteren van video of het beschrijven van afbeeldingen in zinnen (zie Google's Brain-Inspired Software Describes What It Sees in Complex Images ). Wu zei dat de onderzoekers van Baidu niet alleen nadenken over hoe ze Minwa nog groter kunnen maken en gebruiken voor video en tekst, maar ook werken aan manieren om hun getrainde neurale netwerken te verkleinen, zodat ze op mobiele apparaten kunnen werken.
Hij liet een video zien van een prototype smartphone-app die verschillende hondenrassen kan herkennen, met behulp van een verkorte versie van een diepgaand lerend netwerk dat is getraind op een voorganger van Minwa. Als je weet hoe je de rekenkracht van de GPU's van een telefoon kunt benutten, kun je het direct herkennen aan de beeldsensor, zei hij.