Как сократить издержки при использовании ИИ14.06.2021 23:48

С технологиями машинного обучения искусственный интеллект (ИИ) становиться все умнее — по мере обработки большего объема данных. А недостатка в данных не предвидится: в 2020 г. их объем в мире вырос до 44 зеттабайт. Рассказываем о том, какие новейшие технологии в сфере ИИ разрабатываются прямо сейчас.

Одно из наиболее значимых препятствий для развития искусственного интеллекта — дефицит вычислительных мощностей, за который приходится платить временем и деньгами. Временные затраты на глубокое обучение модели могут составлять недели, а время стоит денег. Денег за месяцы и годы работы высокооплачиваемых инженеров и специалистов, а также сотен процессоров. Например, аренда 800 серверов в облаке Amazon даже на одну неделю будет стоить около 120 тыс. долларов. Вот почему столько ресурсов вкладывается в гонку трех компьютерных технологий, которые позволяют сократить время и расходы на искусственный интеллект и глубокое обучение.

Высокопроизводительные вычисления

Именно на этом сейчас сосредоточено основное внимание крупных компаний. Производители чипов используют мощности больших дата-центров. Google и Microsoft создают собственные чипы, чтобы сделать платформы глубокого обучения чуть быстрее или немного привлекательнее, чем у конкурентов. Hitachi фокусируется на быстром доступе к данным и простом управлении. Этого удается достичь с помощью таких инструментов, как VSP, HCI, Pentaho, Lumada и WekaIO.

«Постоянное расширение набора инструментов, функционал которых упрощает для клиентов работу с данными, — одна из наших приоритетных задач, — утверждает Алексей Никифоров, директор по технологиям Hitachi Vantara в России и СНГ. — Мы заботимся о технологическом развитии, используя лучшие практики для дополнения наших продуктов и решений».

Нейроморфные вычисления

Технологии нейроморфных вычислений имитируют строение нашей нервной системы. Это попытка скопировать когнитивные способности мозга для более быстрой и эффективной, чем доступная компьютерам, обработки информации. На данный момент Hitachi сотрудничает с Intel в разработке нейроморфных вычислений для повышения масштабируемости и гибкости периферийных вычислительных систем. В случае традиционной компьютерной архитектуры данные постоянно передаются между памятью и вычислительными элементами. Нейроморфные системы обучения позволяют минимизировать расстояние, которое приходится проходить данным, делая процесс их обработки гораздо более быстрым.

Высокопроизводительные, нейроморфные и квантовые вычисления позволяют сокращать время и затраты на ИИ

С нейроморфными вычислениями натренировать модели машинного обучения можно за счет использования лишь части необходимых данных. Эти модели способны изучать одну среду и применять полученные знания к другой. Это помогает им делать более точные прогнозы. Еще одно преимущество — такие модели гораздо более энергоэффективны, что открывает возможность для создания устройств меньшего размера.

Квантовые вычисления

Квантовые компьютеры доступны уже сейчас. D-Wave Systems продает квантовые компьютеры с 2015 г. Google и Microsoft на пути к коммерческому релизу квантовых компьютеров в течение следующих 2 или 3 лет — так же как и многие независмые организации и технологические институты.

Квантовый компьютер D-Wave Quantum Computer использует квантовые технологии для решения проблем комбинаторной оптимизации с использованием моделей статистической механики, которые имитируют поведение магнитного материала. Этот особый тип квантовых вычислений называется «квантовым отжигом». Вместо того, чтобы использовать дорогие квантовые техники, Hitachi разрабатывает дополнительный элемент, основанный на отжиге металооксидных полупроводников, которые симулирует модель Изинга на полупроводниковых схемах. В то время как квантовый компьютер требует специального охлаждения (-273 градуса по Цельсию), разработка Hitachi может работать в условиях обычного дата-центра.

«Главным вызовом при использовании решения является сведение бизнес-проблем клиентов до модели, за счет которой ее можно решить с помощью алгоритма имитации отжига, — считает Алексей Никифоров. — Его применение требует экспертизы в том, как представить реальные ситуации в терминах спинов, магнетических полей и связей, что оказывается крайне сложной задачей».

В лабораториях Центра социальных инноваций Hitachi разработан цикл шагов для более глубокого понимания бизнеса клиентов и построения моделей для решения проблем, с которыми они сталкиваются. В частности, четыре этапа данного цикла предполагают: проведение встречи с заказчиком для обсуждения его бизнес-проблем, формализацию этих проблем в виде, в которой возможно применение описанных технологий, совершение необходимых операций и рассмотрение результатов вместе с заказчиком для получения обратной связи и корректировки в случае необходимости.

Hitachi работает над разными подходами к решению проблемы дефицита вычислительных мощностей для более энерго- и экономически эффективных решений в области искусственного интеллекта. Высокопроизводительные, нейроморфные и квантовые вычисления — отличные кандидаты на сокращение времени и затрат в этой сфере.

Полный текст статьи читайте на CNews