Een nieuw datatijdperk betekent het omarmen van de edge





In associatie met Hewlett Packard Enterprise

Kunstmatige intelligentie houdt een enorme belofte in, maar om effectief te zijn, moet het leren van enorme hoeveelheden gegevens - en hoe diverser, hoe beter. Door patronen te leren, kunnen AI-tools inzichten ontdekken en helpen bij het nemen van beslissingen, niet alleen op het gebied van technologie, maar ook op het gebied van farmaceutica, medicijnen, productie en meer. Gegevens kunnen tot nu toe echter niet altijd worden gedeeld - of het nu persoonlijk identificeerbaar is, eigendomsinformatie bevat, of dat dit een veiligheidsprobleem zou zijn.



Het wordt een nieuwe tijd. Zegt Dr. Eng Lim Goh, senior vice-president en CTO van kunstmatige intelligentie bij Hewlett Packard Enterprise. De wereld zal verschuiven van een wereld waarin je gegevens gecentraliseerd hebt, wat we al tientallen jaren gewend zijn, naar een wereld waarin je je op je gemak moet voelen als gegevens overal aanwezig zijn.

Overal gegevens betekent de rand, waar elk apparaat, elke server en elke cloudinstantie enorme hoeveelheden gegevens verzamelt. Volgens één schatting zal het aantal verbonden apparaten aan de edge toenemen tot 50 miljard in 2022. Het raadsel: hoe verzamelde gegevens veilig te houden, maar ook om lessen uit de gegevens te delen, wat op zijn beurt AI helpt om slimmer te zijn. Voer zwermleren in.

Zwerm leren , of zwermintelligentie, is hoe zwermen bijen of vogels bewegen in reactie op hun omgeving. Wanneer toegepast op gegevens Goh legt uit, is er meer peer-to-peer communicatie, meer peer-to-peer samenwerking, meer peer-to-peer leren. En Goh vervolgt: Dat is de reden waarom zwermleren steeds belangrijker zal worden naarmate … het zwaartepunt verschuift van gecentraliseerde naar gedecentraliseerde gegevens.



Beschouw dit voorbeeld eens, zegt Goh. Een ziekenhuis traint hun machine learning-modellen op thoraxfoto's en ziet veel gevallen van tuberculose, maar heel weinig gevallen van ingeklapte longen. Dus daarom zal dit neurale netwerkmodel, wanneer getraind, erg gevoelig zijn voor wat tuberculose detecteert en minder gevoelig voor het detecteren van longcollaps. Goh vervolgt, Maar in een ander ziekenhuis krijgen we het omgekeerde. Dus wat je echt wilt, is dat deze twee ziekenhuizen hun gegevens combineren, zodat het resulterende neurale netwerkmodel beide situaties beter kan voorspellen. Maar aangezien je die gegevens niet kunt delen, komt swarm learning om die vooringenomenheid van beide ziekenhuizen te helpen verminderen.

En dit betekent dat elk ziekenhuis de resultaten kan voorspellen, nauwkeurig en met minder vooringenomenheid, alsof je alle patiëntgegevens wereldwijd op één plek hebt verzameld en ervan hebt geleerd, zegt Goh.

En het zijn niet alleen ziekenhuis- en patiëntgegevens die veilig moeten worden bewaard. Goh benadrukt Wat zwermleren doet, is proberen dat delen van gegevens te vermijden, of het delen van gegevens volledig te voorkomen, tot [een model] waar je alleen de inzichten deelt, je de lessen deelt. En daarom is het fundamenteel veiliger.



Notities en links tonen:

Volledig transcript:

Laurel Ruma: Van MIT Technology Review, ik ben Laurel Ruma. En dit is Business Lab, de show die bedrijfsleiders helpt om nieuwe technologieën te begrijpen die uit het lab komen en op de markt komen. Ons onderwerp van vandaag is gedecentraliseerde data. Of het nu gaat om apparaten, sensoren, auto's, de edge, zo je wilt, de hoeveelheid verzamelde data groeit. Het kan persoonlijk zijn en moet worden beschermd. Maar is er een manier om inzichten en algoritmen veilig te delen om andere bedrijven en organisaties en zelfs vaccinonderzoekers te helpen?

Twee woorden voor jou: zwermleren.

Mijn gast is Dr. Eng Lim Goh, senior vice-president en CTO van kunstmatige intelligentie bij Hewlett Packard Enterprise. Voorafgaand aan deze functie was hij het grootste deel van zijn 27 jaar CTO bij Silicon Graphics, nu een HPE-bedrijf. Dr. Goh ontving NASA's Exceptional Technology Achievement Medal voor zijn werk aan AI in het internationale ruimtestation. Hij heeft ook gewerkt aan tal van onderzoeksprojecten op het gebied van kunstmatige intelligentie, van F1-races tot pokerbots tot hersensimulaties. Dr. Goh heeft een aantal patenten en had een publicatie op de omslag van Nature staan. Deze aflevering van Business Lab is geproduceerd in samenwerking met Hewlett Packard Enterprise. Welkom Dr. Goh.

dr. Eng Lim Goh: Bedankt dat ik hier mocht zijn.



Laurier: We zijn dus een nieuw decennium begonnen met een wereldwijde pandemie. De urgentie van het vinden van een vaccin heeft gezorgd voor meer informatie-uitwisseling tussen onderzoekers, overheden en bedrijven. De Wereldgezondheidsorganisatie heeft bijvoorbeeld de mRNA-sequentie van het Pfizer-vaccin openbaar gemaakt om onderzoekers te helpen. Hoe denk je over kansen als deze die voortkomen uit de pandemie?

Engels Lim: In de wetenschap en geneeskunde en anderen is het delen van bevindingen een belangrijk onderdeel van het bevorderen van de wetenschap. Dus de traditionele manier is publicaties. Het punt is dat er in een jaar, anderhalf jaar van covid-19 een golf van publicaties is geweest met betrekking tot covid-19. Eén aggregator had bijvoorbeeld de bestelling van 300.000 van dergelijke documenten met betrekking tot covid-19 die er zijn. Door de hoeveelheid data wordt het moeilijk om te krijgen wat je nodig hebt.

Dus een aantal bedrijven, organisaties, begonnen met het bouwen van deze natuurlijke taalverwerkingstools, AI-tools, zodat u zeer specifieke vragen kunt stellen, niet alleen zoeken naar trefwoorden, maar zeer specifieke vragen, zodat u het antwoord kunt krijgen dat u nodig hebt van dit corpus van documenten die er zijn. Een wetenschapper zou kunnen vragen, of een onderzoeker zou kunnen vragen, wat is de bindingsenergie van het SARS-CoV-2 spike-eiwit aan onze ACE-2-receptor? En kan nog specifieker zijn en zeggen, ik wil het in eenheden van kcal per mol. En het systeem zou doorgaan. Het NLP-systeem zou dit corpus van documenten doornemen en met een specifiek antwoord op die vraag komen, en zelfs wijzen op het gebied van de documenten, waar het antwoord zou kunnen zijn. Dit is dus één gebied. Om te helpen bij het delen, zou je AI-tools kunnen bouwen om deze enorme hoeveelheid gegevens die is gegenereerd te verwerken.

Het andere deel van het delen is het delen van klinische onderzoeksgegevens, zoals u al zei. Begin vorig jaar, voordat een van de klinische onderzoeken met het SARS-CoV-2-vaccin was begonnen, kregen we de klinische onderzoeksgegevens van het gele koortsvaccin. En nog specifieker, de genexpressiegegevens van de vrijwilligers van de klinische proef. En een van de doelen is: kun je de tienduizenden van deze genen analyseren die door de vrijwilligers tot expressie worden gebracht en voor elke vrijwilliger helpen voorspellen of hij of zij bijwerkingen van dit vaccin zal krijgen en of hij of zij goede antilichaamrespons op dit vaccin? Dus het bouwen van voorspellende tools door deze klinische onderzoeksgegevens te delen, zij het geanonimiseerd en op een beperkte manier.

Laurier: Als we het hebben over natuurlijke taalverwerking, denk ik dat de twee afhaalpunten die we uit dat zeer specifieke voorbeeld hebben gehaald, zijn dat je betere AI-tools kunt bouwen om de onderzoekers te helpen. En dan helpt het ook bij het bouwen van voorspellende tools en modellen.

Engels Lim: Ja absoluut.

Laurier: Dus, als specifiek voorbeeld van waar je het afgelopen jaar aan hebt gewerkt, publiceerde Nature Magazine onlangs een artikel over hoe een gezamenlijke benadering van data-inzichten deze belanghebbenden kan helpen, vooral tijdens een pandemie. Wat ontdekte je tijdens dat werk?

Engels Lim: Ja. Dit houdt, nogmaals, verband met het punt van delen dat je hebt gebracht, hoe je het geleerde kunt delen, zodat de gemeenschap sneller vooruitgang kan boeken. De Natuur publicatie die u noemde, de titel ervan is Swarm Learning [for Decentralized and Confidential Clinical Machine Learning]. Laten we het voorbeeld van het ziekenhuis gebruiken. Er is dit ziekenhuis, en het ziet zijn patiënten, de patiënten van het ziekenhuis, van een bepaalde demografie. En als het een machine learning-model wil bouwen om te voorspellen op basis van patiëntgegevens, bijvoorbeeld de CT-scangegevens van een patiënt, om te proberen bepaalde uitkomsten te voorspellen. Het probleem met op deze manier geïsoleerd leren is dat je modellen begint te ontwikkelen door dit leren van je patiëntgegevens, bevooroordeeld door de demografische gegevens die je ziet. Of op andere manieren, bevooroordeeld ten opzichte van het soort medische hulpmiddelen dat u heeft.

De oplossing hiervoor is het verzamelen van gegevens van verschillende ziekenhuizen, misschien uit verschillende regio's of zelfs verschillende landen. En dan alle data van deze ziekenhuizen combineren en vervolgens het machine learning-model trainen op de gecombineerde data. Het probleem hiermee is dat privacy van patiëntgegevens u verhindert om die gegevens te delen. Zwermleren komt binnen om dit op twee manieren te proberen op te lossen. Ten eerste: in plaats van gegevens van deze verschillende ziekenhuizen te verzamelen, laten we elk ziekenhuis zijn machine learning-model trainen op zijn eigen persoonlijke patiëntgegevens. En dan komt er af en toe een blockchain binnen. Dat is de tweede manier. Een blockchain komt binnen en verzamelt alle lessen. ik benadruk. De lessen, en niet de patiëntgegevens. Verzamel alleen de lessen en combineer deze met de lessen van andere ziekenhuizen in andere regio's en andere landen, middel ze en stuur ze vervolgens terug naar alle ziekenhuizen, de bijgewerkte wereldwijd gecombineerde gemiddelde lessen.

En met lessen bedoel ik bijvoorbeeld de parameters van de neurale netwerkgewichten. De parameters die de neurale netwerkgewichten zijn in het machine learning-model. Dus in dit geval verlaten geen patiëntgegevens ooit een individueel ziekenhuis. Wat het ziekenhuis verlaat, zijn alleen de lessen, de parameters of de gewichten van het neurale netwerk. En dus, wanneer u uw lokaal geleerde parameters opstuurt, en wat u terugkrijgt van de blockchain, zijn de globale gemiddelde parameters. En dan update je je model met het globale gemiddelde, en dan leer je weer lokaal. Na een paar cycli van deze uitwisseling van lessen, hebben we het getest, elk ziekenhuis kan voorspellen, met nauwkeurigheid en met verminderde vooringenomenheid, alsof je alle patiëntgegevens wereldwijd op één plek hebt verzameld en ervan hebt geleerd.

Laurier: En de reden dat blockchain wordt gebruikt is omdat het eigenlijk een beveiligde verbinding is tussen verschillende, in dit geval machines, toch?

Engels Lim: Er zijn twee redenen, ja, waarom we blockchain gebruiken. De eerste reden is de veiligheid ervan. En ten tweede: we kunnen die informatie privé houden omdat in een privé-blockchain alleen deelnemers, hoofddeelnemers of gecertificeerde deelnemers in deze blockchain zijn toegestaan. Nu, zelfs als de blockchain gecompromitteerd is, worden alleen de gewichten of de parameters van de lessen gezien, niet de privé-patiëntgegevens, omdat de privé-patiëntgegevens niet in de blockchain staan.

En de tweede reden om een ​​blockchain te gebruiken, is in tegenstelling tot het hebben van een centrale bewaarder die de parameters en de lessen verzamelt. Want als je eenmaal een bewaarder hebt aangesteld, een entiteit die al deze lessen verzamelt, en als een van de ziekenhuizen die bewaarder wordt, dan heb je een situatie waarin die aangestelde bewaarder meer informatie heeft dan de rest, of meer capaciteit heeft dan de rest. Niet zozeer meer informatie, maar meer mogelijkheden dan de rest. Dus om een ​​meer rechtvaardige verdeling te hebben, gebruiken we een blockchain. En in het blockchain-systeem benoemt het willekeurig een van de deelnemers als de verzamelaar, als de leider, om de parameters te verzamelen, het gemiddelde te nemen en terug te sturen. En in de volgende cyclus wordt willekeurig een andere deelnemer aangewezen.

Laurier: Er zijn hier dus twee interessante punten. Een daarvan is dat dit project slaagt omdat u niet alleen uw eigen gegevens gebruikt. U kunt zich aanmelden voor deze relatie om ook de lessen uit de gegevens van andere onderzoekers te gebruiken. Dus dat vermindert vooroordelen. Dus dat is een soort groot probleem opgelost. Maar dan ook deze andere interessante kwestie van gelijkheid en hoe zelfs algoritmen van tijd tot tijd misschien minder rechtvaardig kunnen zijn. Maar als je een opzettelijk willekeurig algoritme in de blockchain hebt dat leiderschap toewijst voor het verzamelen van de lessen van elke entiteit, helpt dat ook om elke mogelijke vooringenomenheid weg te nemen, correct?

Engels Lim: Ja ja ja. Briljante samenvatting, Laurel. Er is dus de eerste vooringenomenheid, namelijk dat als je geïsoleerd leert, het ziekenhuis leert, een neuraal netwerkmodel of een machine learning-model, meer in het algemeen, van een ziekenhuis dat alleen geïsoleerd leert op basis van hun eigen persoonlijke patiëntgegevens. ze zullen van nature bevooroordeeld zijn ten opzichte van de demografie die ze zien. We hebben bijvoorbeeld een voorbeeld waarbij een ziekenhuis zijn machine learning-modellen traint op thoraxfoto's en veel tuberculosegevallen ziet. Maar heel weinig gevallen van ingeklapte longen. Dus daarom zal dit neurale netwerkmodel, wanneer getraind, erg gevoelig zijn voor wat tuberculose detecteert en minder gevoelig voor het detecteren van bijvoorbeeld longcollaps. In een ander ziekenhuis krijgen we echter het omgekeerde. Dus wat je echt wilt, is dat deze twee ziekenhuizen hun gegevens combineren, zodat het resulterende neurale netwerkmodel beide situaties beter kan voorspellen. Maar aangezien je die gegevens niet kunt delen, komt swarm learning om die vooringenomenheid van beide ziekenhuizen te helpen verminderen.

Laurier: Okee. We hebben dus een enorme hoeveelheid data. En het blijft exponentieel groeien naarmate de edge, die eigenlijk elk datagenererend apparaat, systeem of sensor is, zich uitbreidt. Dus hoe verandert gedecentraliseerde data de manier waarop bedrijven over data moeten denken?

Engels Lim: O, dat is een diepgaande vraag. Er is één schatting die zegt dat er volgend jaar, tegen het jaar 2022, 50 miljard verbonden apparaten aan de rand zullen zijn. En dit groeit snel. En we komen op een punt dat we gemiddeld ongeveer 10 verbonden apparaten hebben die potentieel gegevens verzamelen, per persoon, in deze wereld. In die situatie zal het zwaartepunt verschuiven van het datacenter dat de hoofdlocatie is die gegevens genereert naar een waar het zwaartepunt zich aan de rand zal bevinden in termen van waar gegevens worden gegenereerd. En dit zal de dynamiek voor ondernemingen enorm veranderen. Je zult daarom de behoefte zien aan deze apparaten die daar zijn waar deze enorme hoeveelheid gegevens aan de rand wordt gegenereerd met zoveel van deze apparaten die er zijn dat je een punt zult bereiken waarop je het je niet kunt veroorloven om al die gegevens terug te halen of terug te brengen niet meer naar de cloud of datacenter.

Zelfs met 5G, 6G enzovoort. De groei van data zal die groei overtreffen, die van de groei in bandbreedte van deze nieuwe telecommunicatiemogelijkheden ver overtreffen. Als zodanig bereik je een punt waarop je geen andere keuze hebt dan de intelligentie naar de rand te duwen, zodat je kunt beslissen welke gegevens je terug wilt verplaatsen naar de cloud of het datacenter. Het wordt dus een nieuwe tijd. De wereld zal verschuiven van een wereld waarin je gegevens gecentraliseerd hebt, wat we al tientallen jaren gewend zijn, naar een wereld waarin je je op je gemak moet voelen als gegevens overal aanwezig zijn. En als dat het geval is, moet u meer peer-to-peer-communicatie, meer peer-to-peer-samenwerking en meer peer-to-peer-leren doen.

En dat is de reden waarom zwermleren steeds belangrijker zal worden naarmate dit vordert, naarmate het zwaartepunt daar verschuift van een plek waar data gecentraliseerd is naar een plek waar data overal is.

Laurier: Kun je iets meer vertellen over hoe zwermintelligentie door het ontwerp beveiligd is? Met andere woorden, het stelt bedrijven in staat om inzichten uit data learning te delen met externe ondernemingen, of zelfs binnen groepen in een bedrijf, maar delen ze dan niet de daadwerkelijke data?

Engels Lim: Ja. Als we van elkaar willen leren, is een van de manieren waarop we de gegevens delen, zodat ieder van ons van elkaar kan leren. Wat zwermleren doet, is proberen dat delen van gegevens te vermijden, of het delen van gegevens volledig te voorkomen, tot [een model] waar je alleen de inzichten deelt, je de lessen deelt. En daarom is het met deze aanpak fundamenteel veiliger, waarbij gegevens privé blijven op de locatie en nooit die privé-entiteit verlaten. Wat die privé-entiteit overlaat, zijn alleen de lessen. En in dit geval weegt het neurale netwerk of de parameters van die lessen.

Nu zijn er mensen die de mogelijkheid onderzoeken om de data uit de learnings af te leiden, het is nog in de onderzoeksfase, maar we zijn voorbereid als het ooit werkt. En dat wil zeggen, in de blockchain doen we homomorfe codering van de gewichten, van de parameters, van de lessen. Met homomorf bedoelen we dat wanneer de aangestelde leider al deze gewichten verzamelt en ze vervolgens gemiddelden, je ze kunt middelen in de versleutelde vorm, zodat als iemand de blockchain onderschept, ze versleutelde lessen zien. Ze zien de lessen zelf niet. Maar dat hebben we nog niet geïmplementeerd, omdat we het nog niet nodig vinden totdat we zien dat het mogelijk wordt om de data uit de learnings te reverse-engineeren.

Laurier: En dus, als we nadenken over toenemende regels en wetgeving rond gegevens, zoals de AVG en de CCPA in Californië, moet er een oplossing zijn voor privacykwesties. Zie je swarm learning als een van die mogelijke opties als bedrijven de hoeveelheid data die ze hebben laten groeien?

Engels Lim: Ja, als optie. Ten eerste, als er behoefte is aan edge-apparaten om van elkaar te leren, is swarm learning daar handig voor. En nummer twee, terwijl je aan het leren bent, wil je niet dat de gegevens van elke entiteit of deelnemer aan zwermleren die entiteit verlaten. Het mag alleen blijven waar het is. En wat overblijft zijn alleen de parameters en de lessen. Dat zie je niet alleen in een ziekenhuisscenario, maar dat zie je ook in finance. Creditcardmaatschappijen zouden bijvoorbeeld hun klantgegevens niet willen delen met een andere concurrerende creditcardmaatschappij. Maar ze weten dat de learnings van de machine learning-modellen lokaal niet zo gevoelig zijn voor fraudegegevens omdat ze niet alle verschillende soorten fraude zien. Misschien zien ze één soort fraude, maar een andere creditcardmaatschappij ziet misschien een ander soort fraude.

Swarm learning kan hier worden gebruikt, waarbij elk creditcardbedrijf zijn klantgegevens privé houdt, en dat niet deelt. Maar een blockchain komt binnen en deelt de lessen, het leren van fraudegegevens, en verzamelt al die lessen, neemt het gemiddelde ervan en geeft het terug aan alle deelnemende creditcardmaatschappijen. Dit is dus een voorbeeld. Banken zouden hetzelfde kunnen doen. Industriële robots zouden hetzelfde kunnen doen.

We hebben een automotive klant die tienduizenden industriële robots heeft, maar in verschillende landen. Industriële robots volgen tegenwoordig instructies. Maar in de volgende generatie robots, met AI, zullen ze ook lokaal leren, bijvoorbeeld om bepaalde fouten te vermijden en niet te herhalen. Wat u kunt doen met behulp van zwermleren, is dat als deze robots zich in verschillende landen bevinden waar u geen gegevens kunt delen, sensorgegevens uit de lokale omgeving over landsgrenzen heen, maar u mag de lessen delen om deze fouten te vermijden, zwermleren kan daarom worden toegepast. Dus stel je nu een zwerm industriële robots voor, verspreid over verschillende landen, die lessen deelt, zodat ze niet dezelfde fouten herhalen.

Dus ja. In ondernemingen zie je verschillende toepassingen van zwermleren. Financiën, techniek en natuurlijk in de gezondheidszorg, zoals we hebben besproken.

Laurier: Hoe denk je dat bedrijven anders moeten gaan denken over hun feitelijke data-architectuur om de mogelijkheid aan te moedigen om deze inzichten te delen, maar niet om de data daadwerkelijk te delen?

Engels Lim: Eerst en vooral moeten we ons op ons gemak voelen met het feit dat apparaten die gegevens verzamelen zich snel zullen verspreiden. En ze zullen aan de rand zijn waar de gegevens voor het eerst terechtkomen. Wat is de rand? De rand is waar u een apparaat heeft en waar de gegevens voor het eerst elektronisch belanden. En als je je er bijvoorbeeld volgend jaar 50 miljard van voorstelt, en in één schatting groeit, dan moeten we er rekening mee houden dat data overal zullen zijn. En om uw organisatie te ontwerpen, ontwerp de manier waarop u gegevens gebruikt, ontwerp de manier waarop u toegang krijgt tot gegevens met dat concept in gedachten, dat wil zeggen, overgaan van een concept dat we gewend zijn, dat wil zeggen dat gegevens meestal worden gecentraliseerd, naar een waar gegevens is overal. Dus de manier waarop u toegang krijgt tot gegevens moet nu anders zijn. Je kunt er nu niet aan denken om eerst alle gegevens te aggregeren, alle gegevens op te halen, alle gegevens van de edge naar een centrale locatie te backhaulen en er vervolgens mee aan de slag te gaan. Mogelijk moeten we overschakelen naar een scenario waarin we met de gegevens werken en van de gegevens leren terwijl de gegevens er nog zijn.

Laurier: Dus we spraken een beetje over gezondheidszorg en productie. Hoe zie je ook de grote ideeën van slimme steden en autonome voertuigen die passen bij de ideeën van zwermintelligentie?

Engels Lim: Ja ja ja. Dit zijn twee grote, grote items. En zeer vergelijkbaar ook, je denkt aan een slimme stad, het zit vol met sensoren, vol met verbonden apparaten. Denk je aan autonome auto's, volgens een schatting komt het neer op ongeveer 300 sensorapparaten in een auto, die allemaal gegevens verzamelen. Een vergelijkbare manier van denken, gegevens zullen overal zijn en in realtime worden verzameld op deze edge-apparaten. Voor slimme steden kunnen het straatverlichting zijn. We werken met één stad met 200.000 straatverlichting. En ze willen elk van deze straatlantaarns slim maken. Met slim bedoel ik het vermogen om beslissingen aan te bevelen of zelfs beslissingen te nemen. Je komt op een punt waarop je, zoals ik al eerder zei, niet alle gegevens altijd naar het datacenter kunt terugsturen en beslissingen kunt nemen nadat je de aggregatie hebt gedaan. Vaak moet u beslissingen nemen waar de gegevens worden verzameld. En daarom moet het slim zijn aan de rand, nummer één.

En als we die stap verder gaan dan handelen op instructies of handelen op neurale netwerkmodellen die vooraf zijn getraind en vervolgens naar de edge zijn gestuurd, ga je een stap verder, en dat wil zeggen, je wilt dat de edge-apparaten ook leren op hun eigen gegevens uit de verzamelde gegevens. Wetende dat de verzamelde gegevens echter vertekend zijn door wat ze alleen zien, zal zwermenleren op een peer-to-peer manier nodig zijn om deze apparaten van elkaar te laten leren.

Deze onderlinge verbondenheid, de peer-to-peer onderlinge verbondenheid van deze edge-apparaten, vereist dus dat we de manier waarop we over computergebruik denken, heroverwegen of veranderen. Neem bijvoorbeeld twee zelfrijdende auto's. Om te beginnen noemen we ze connected cars. Twee verbonden auto's, de een voor de ander met 300 meter of 300 meter. Die vooraan, met veel sensoren erin, bijvoorbeeld in de schokdempers, voelt een kuil. En het kan eigenlijk die gevoelde gegevens bieden dat er een kuil komt naar de auto's erachter. En als de achterliggende auto's inschakelen om deze automatisch te accepteren, verschijnt die kuil op het dashboard van de auto achter. En de achterligger betaalt misschien 0,10 cent voor die informatie aan de voorligger.

Je krijgt dus een situatie waarin je deze peer-to-peer-uitwisseling in realtime krijgt, zonder dat je al die gegevens eerst naar een centrale locatie hoeft te sturen en vervolgens de nieuwe informatie naar de achterliggende auto te sturen. Dus je wilt dat het peer-to-peer is. Dus meer en meer, ik zeg niet dat dit al is geïmplementeerd, maar dit geeft je een idee van hoe het denken in de toekomst kan veranderen. Veel meer peer-to-peer delen en veel meer peer-to-peer leren.

Laurier: Als je bedenkt hoe lang we in de technologie-industrie hebben gewerkt om te denken dat peer-to-peer als een uitdrukking terugkomt, waar het vroeger betekende dat mensen of zelfs computers verschillende stukjes informatie via internet deelden. Nu zijn het apparaten en sensoren die stukjes informatie met elkaar delen. Een andere definitie van peer-to-peer.

Engels Lim: Ja. Het denken verandert. En peer, het woord peer, peer-to-peer, wat betekent dat het de connotatie heeft van een meer rechtvaardige verdeling. Dat is de reden waarom in sommige van deze gevallen een blockchain nodig is, zodat er geen centrale bewaarder is om het geleerde te middelen, om het geleerde te combineren. U wilt dus een echte peer-to-peer-omgeving. En daar is zwermleren voor gebouwd. En nu de reden daarvoor, het is niet omdat we vinden dat peer-to-peer het volgende grote ding is en daarom zouden we het moeten doen. Het is vanwege gegevens en de verspreiding van deze apparaten die gegevens verzamelen.

Stel je voor dat er tientallen miljarden van zijn, en al deze apparaten worden slimmer en verbruiken minder energie om zo slim te zijn en gaan van een apparaat waar ze instructies volgen of afleiden uit het vooraf getrainde neurale netwerkmodel dat ze hebben gekregen, naar een waar ze zelfs zelf kunnen leren. Maar wetende dat er zo veel van deze apparaten zijn, ziet elk van hen slechts een klein deel. Klein is nog steeds groot als je dat allemaal combineert, 50 miljard. Maar elk van hen ziet slechts een klein deel van de gegevens. En daarom, als ze alleen maar in afzondering leren, zullen ze sterk bevooroordeeld zijn ten opzichte van wat ze zien. Als zodanig moet er een manier zijn waarop ze hun lessen kunnen delen zonder hun privégegevens te hoeven delen. En dus zwermleren. In plaats van al die gegevens van de 50 miljard edge-apparaten terug te sturen naar deze cloudlocaties, de datacenterlocaties, zodat ze het gecombineerde leren kunnen doen.

Laurier: Wat zeker meer dan een fractie van een cent zou kosten.

Engels Lim: O ja. Er is een gezegde, bandbreedte, je betaalt voor. Latency, daar zweet je voor. Het zijn dus kosten. Bandbreedte is kosten.

Laurier: Dus waar ben je als expert in kunstmatige intelligentie, terwijl we je hier hebben, het meest enthousiast over in de komende jaren? Wat zie je dat je denkt dat iets groots gaat worden in de komende vijf, tien jaar?

Engels Lim:

Dank je, Laurel. Ik zie mezelf niet als een expert in AI, maar als een persoon die de taak krijgt en enthousiast is om met klanten te werken aan AI-use cases en van hen te leren. De diversiteit van deze verschillende AI-gebruikscasussen en ervan leren - sommige leidende teams werken rechtstreeks aan de projecten en houden toezicht op sommige projecten. Maar in termen van opwinding, lijkt het misschien alledaags. En dat wil zeggen, het opwindende is dat ik AI zie. Het vermogen van slimme systemen om te leren en zich aan te passen, en in veel gevallen beslissingsondersteuning te bieden aan mensen. En in andere, meer beperkte gevallen, beslissingen nemen ter ondersteuning van mensen. De verspreiding van AI zit in alles wat we doen, in veel dingen die we doen – bepaalde dingen die we misschien moeten beperken – maar in veel dingen die we doen.

Ik bedoel, laten we gewoon de meest elementaire voorbeelden gebruiken. Hoe deze progressie zou kunnen zijn. Laten we een lichtschakelaar nemen. In de begindagen, zelfs tot op de dag van vandaag, is de meest elementaire lichtschakelaar een handmatige schakelaar. Een mens gaat vooruit, zet de schakelaar aan en het licht gaat aan. En gooit de schakelaar uit, en het licht gaat uit. Dan gaan we door naar het volgende niveau. Als je een analogie wilt, meer next level, waar we die omschakeling automatiseren. We hebben een set instructies op die schakelaar met een lichtmeter gezet en de instructies ingesteld om te zeggen, als de verlichting in deze kamer tot 25% van zijn piek daalt, schakel hem dan in. Dus eigenlijk gaven we een instructie met een bijbehorende sensor, naar de schakelaar. En dan gaat de overstap nu automatisch. En als de verlichting in de kamer daalt tot 25% van zijn piek, van de piekverlichting, schakelt hij de lichten in. Dus nu is de overstap geautomatiseerd.

Nu kunnen we zelfs een stap verder gaan in die automatisering, door de schakelaar slim te maken, in die zin dat hij meer sensoren kan hebben. En neem vervolgens door de combinaties van sensoren beslissingen of het licht moet worden ingeschakeld. En om al deze sensoren te besturen, hebben we een neuraal netwerkmodel gebouwd dat afzonderlijk is voorgetraind en vervolgens naar de switch is gedownload. Dit is waar we vandaag zijn. De overstap is nu slim. Slimme stad, slimme straatverlichting, zelfrijdende auto's, enzovoort.

Is er een ander niveau dan dat? Er is. En dat is wanneer de schakelaar niet alleen instructies volgt of niet alleen een getraind neuraal netwerkmodel heeft om te beslissen op een manier om alle verschillende sensorgegevens te combineren, om te beslissen wanneer het licht op een meer precieze manier moet worden ingeschakeld. Het gaat verder naar een waar het leert. Dat is het sleutelwoord. Het leert van fouten. Wat zou het voorbeeld zijn? Het voorbeeld zou zijn, gebaseerd op het neurale netwerkmodel dat het heeft, dat vooraf was getraind, gedownload naar de switch, met alle instellingen. Het doet het licht aan. Maar als de mens binnenkomt, zegt de mens dat ik het licht hier deze keer niet nodig heb, de mens doet het licht uit. Dan realiseert de schakelaar zich dat hij eigenlijk een beslissing heeft genomen die de mens niet leuk vond. Dus na een paar hiervan begint het zichzelf aan te passen, leer hiervan. Pas zichzelf aan zodat je een licht kunt laten branden op de veranderende menselijke voorkeuren. Dat is de volgende stap waar je wilt dat edge-apparaten die data verzamelen aan de edge daarvan leren.

Als je dan nog verder gaat, leren alle schakelaars in dit kantoor of in een wooneenheid natuurlijk van elkaar. Dat wordt zwermleren. Dus als je de overstap vervolgens uitbreidt naar broodroosters, koelkasten, auto's, industriële robots enzovoort, zul je zien dat we hierdoor het energieverbruik duidelijk zullen verminderen, afval zullen verminderen en de productiviteit zullen verbeteren. Maar de sleutel moet zijn, voor het welzijn van de mens.

Laurier: En wat een prachtige manier om ons gesprek te beëindigen. Heel erg bedankt voor je deelname aan het Business Lab.

Engels Lim: Bedankt Laurel. Zeer gewaardeerd.

Laurier: Dat was Dr. Eng Lim Goh, senior vice-president en CTO van kunstmatige intelligentie bij Hewlett Packard Enterprise, met wie ik sprak vanuit Cambridge, Massachusetts, de thuisbasis van MIT en MIT Technology Review, met uitzicht op de Charles River. Dat was het voor deze aflevering van Business Lab, ik ben je gastheer, Laurel Ruma. Ik ben de directeur van Insights, de custom publishing-divisie van MIT Technology Review. We zijn in 1899 opgericht aan het Massachusetts Institute of Technology. En je kunt ons elk jaar in print, op het web en op evenementen over de hele wereld vinden. Ga voor meer informatie over ons en de show naar onze website op technologyreview.com. De show is overal beschikbaar waar je je podcasts vandaan haalt. Als je deze aflevering leuk vond, hopen we dat je even de tijd wilt nemen om ons te beoordelen en te beoordelen. Business Lab is een productie van MIT Technology Review. Deze aflevering is geproduceerd door Collective Next. Bedankt voor het luisteren.

Deze podcastaflevering is geproduceerd door Insights, de afdeling voor aangepaste inhoud van MIT Technology Review. Het is niet geproduceerd door de redactie van MIT Technology Review.

zich verstoppen