211service.com
Een AI-chip om computers te helpen afbeeldingen te begrijpen
Een krachtige benadering van kunstmatige intelligentie zou naar smartphones kunnen komen.
Onderzoekers van Purdue University werken aan het commercialiseren van ontwerpen voor een chip om mobiele processors te helpen gebruik te maken van de AI-methode die bekend staat als deep learning. Hoewel de kracht van deep learning bedrijven als Google, Facebook en Baidu heeft geïnspireerd om in de technologie te investeren, is dit tot nu toe beperkt gebleven tot grote clusters van krachtige computers. Toen Google software ontwikkelde die katten leerde herkennen uit YouTube-video's, had het experiment 16.000 processors nodig (zie Autodidactische software).
Als deep learning op compactere en energiezuinigere manieren kan worden geïmplementeerd, kan dit ertoe leiden dat smartphones en andere mobiele apparaten de inhoud van afbeeldingen en video kunnen begrijpen, zegt Eugenio Culurciello , een professor bij Purdue die aan het project werkt. In december, bij de Neurale informatieverwerkingssystemen conferentie in Nevada toonde de groep aan dat een co-processor die is aangesloten op een conventionele smartphoneprocessor, kan helpen bij het uitvoeren van deep learning-software. De software was in staat om gezichten te detecteren of delen van een straatbeeld te labelen. Het ontwerp van de co-processor is getest op een FPGA, een herconfigureerbare chip die kan worden geprogrammeerd om een nieuw hardware-ontwerp te testen zonder de aanzienlijke kosten van het fabriceren van een geheel nieuwe chip.
Het prototype is veel minder krachtig dan systemen zoals de kattendetector van Google, maar het laat zien hoe nieuwe vormen van hardware het mogelijk kunnen maken om de kracht van deep learning breder te benutten. Daar is behoefte aan, zegt Culurciello. Je hebt waarschijnlijk een verzameling van enkele duizenden afbeeldingen waar je nooit meer naar kijkt, en we hebben geen goede technologie om al deze inhoud te analyseren.
Apparaten zoals Google Glass kunnen ook profiteren van de mogelijkheid om de overvloedige foto's en video's die ze maken te begrijpen, zegt hij. De afbeeldingen en video's van een persoon kunnen worden doorzocht met tekst, bijvoorbeeld rode auto of zonnige dag met mama. Evenzo zouden nieuwe apps kunnen worden ontwikkeld die actie ondernemen wanneer ze bepaalde mensen, objecten of scènes herkennen.
Deep learning-software werkt door gegevens te filteren via een hiërarchisch, meerlagig netwerk van gesimuleerde neuronen die afzonderlijk eenvoudig zijn, maar complex gedrag kunnen vertonen wanneer ze aan elkaar worden gekoppeld (zie Deep Learning). Computers zijn inefficiënt in het runnen van die netwerken omdat ze heel anders zijn dan conventionele software.
Het co-processorontwerp van Purdue is gespecialiseerd om bovenal meerlagige neurale netwerken te laten draaien en ze aan het werk te zetten op streaming-beelden. In tests is het prototype ongeveer 15 keer zo efficiënt gebleken als het gebruik van een grafische processor voor dezelfde taak, en Culurciello gelooft dat verbeteringen aan het systeem het 10 keer efficiënter kunnen maken dan het nu is.
Narayan Srinivasa , directeur van het centrum voor neurale en opkomende systemen bij HRL Laboratories, een onderzoekslaboratorium dat gezamenlijk eigendom is van Boeing en General Motors, zegt dat het zinvol is om een co-processor te gebruiken om deep learning-netwerken efficiënter te implementeren. Dat komt omdat in conventionele computers een processor en zijn geheugen zich in afzonderlijke stukjes hardware bevinden. De werking van neurale netwerken in diepe leerstijl en de echte neurale netwerken waarop ze zijn geïnspireerd, verstrengelen daarentegen het geheugen en de verwerking. Narayans eigen onderzoek richt zich op het aanpakken van dat probleem met een extremere oplossing: het ontwerpen van chips met siliciumneuronen en synapsen die die van echte hersenen nabootsen (zie Thinking in Silicon).
De oplossing van de Purdue-groep vertegenwoordigt niet zo'n fundamentele heroverweging van hoe computerchips werken. Dat kan beperken hoe efficiënt hun ontwerpen deep learning neurale netwerken kunnen gebruiken, maar het maakt het ook gemakkelijker om ze in de praktijk te gebruiken. Culurciello is al een bedrijf begonnen, genaamd TeraDeep , om zijn ontwerpen te commercialiseren.
Het idee is dat we het IP verkopen om dit te implementeren, zodat een grote fabrikant als Qualcomm of Samsung of Apple deze functionaliteit aan hun processor zou kunnen toevoegen, zodat ze afbeeldingen kunnen verwerken, zegt Culurciello. Yann LeCun , een pionier op het gebied van deep learning aan de New York University die onlangs is begonnen leidend onderzoek van Facebook op dit gebied , is adviseur van het bedrijf.