Nowa era danych oznacza przyjęcie przewagi





W związku z Hewlett Packard Enterprise

Sztuczna inteligencja ma ogromne nadzieje, ale aby była skuteczna, musi uczyć się na ogromnych zestawach danych – a im bardziej zróżnicowana, tym lepiej. Ucząc się wzorców, narzędzia sztucznej inteligencji mogą odkrywać spostrzeżenia i pomagać w podejmowaniu decyzji nie tylko w zakresie technologii, ale także farmacji, medycyny, produkcji i nie tylko. Jednak dane nie zawsze mogą być udostępniane — bez względu na to, czy są identyfikowalne osobowo, zawierają informacje zastrzeżone, czy też byłoby to zagrożeniem bezpieczeństwa — aż do teraz.



To będzie nowa era. Mówi dr Eng Lim Goh, starszy wiceprezes i dyrektor ds. technologii sztucznej inteligencji w Hewlett Packard Enterprise. Świat zmieni się z miejsca, w którym scentralizowano dane, do czego przywykliśmy od dziesięcioleci, w taki, w którym musisz czuć się komfortowo, że dane są wszędzie.

Dane wszędzie oznaczają granicę, na której każde urządzenie, serwer i instancja w chmurze zbiera ogromne ilości danych. Według niektórych szacunków liczba podłączonych urządzeń na brzegu sieci wzrośnie do 50 miliardów do 2022 r. Zagadka: jak zapewnić bezpieczeństwo gromadzonych danych, ale także móc dzielić się nauką z danych, co z kolei pomaga nauczyć sztuczną inteligencję, by była mądrzejsza. Wejdź do nauki roju.

Uczenie się roju , czyli inteligencja roju, to sposób, w jaki roje pszczół lub ptaków poruszają się w odpowiedzi na ich środowisko. W odniesieniu do danych, jak wyjaśnia Goh, jest więcej komunikacji peer-to-peer, więcej współpracy peer-to-peer, więcej uczenia się peer-to-peer. A Goh kontynuuje: To jest powód, dla którego uczenie się roju będzie stawało się coraz ważniejsze, ponieważ… gdy środek ciężkości przesuwa się ze scentralizowanych do zdecentralizowanych danych.



Rozważmy ten przykład, mówi Goh. Szpital szkoli swoje modele uczenia maszynowego na zdjęciach rentgenowskich klatki piersiowej i widzi wiele przypadków gruźlicy, ale bardzo mało przypadków zapadnięcia się płuc. Tak więc ten model sieci neuronowej, po przeszkoleniu, będzie bardzo czuły na to, co wykrywa gruźlicę, a mniej na wykrywanie zapaści płuc. Goh kontynuuje, jednak w innym szpitalu otrzymujemy odwrotność. Tak więc naprawdę chcesz, aby te dwa szpitale połączyły swoje dane, aby powstały model sieci neuronowej mógł lepiej przewidywać obie sytuacje. Ale ponieważ nie możesz udostępniać tych danych, uczenie się roju pomaga zmniejszyć uprzedzenia obu szpitali.

A to oznacza, że ​​każdy szpital jest w stanie przewidywać wyniki, z dokładnością i ze zredukowanymi błędami, tak jakbyś zebrał wszystkie dane pacjentów na całym świecie w jednym miejscu i nauczył się z nich, mówi Goh.

I to nie tylko dane szpitali i pacjentów, które muszą być bezpieczne. Goh podkreśla, że ​​uczenie się w roju próbuje unikać dzielenia się danymi lub całkowicie zapobiegać dzieleniu się danymi z [modelem], w którym dzielisz się tylko spostrzeżeniami, dzielisz się wiedzą. I dlatego jest zasadniczo bezpieczniejszy.



Pokaż notatki i linki:

Pełny zapis:

Laur Ruma: Z MIT Technology Review jestem Laurel Ruma. A to jest Business Lab, program, który pomaga liderom biznesowym zrozumieć nowe technologie wychodzące z laboratorium i wprowadzane na rynek. Naszym dzisiejszym tematem są zdecentralizowane dane. Czy to z urządzeń, czujników, samochodów, urządzeń brzegowych, jeśli wolisz, ilość gromadzonych danych rośnie. Może być osobisty i musi być chroniony. Ale czy istnieje sposób na bezpieczne udostępnianie spostrzeżeń i algorytmów, aby pomóc innym firmom i organizacjom, a nawet badaczom szczepionek?

Dwa słowa dla ciebie: uczenie się rój.

Moim gościem jest dr Eng Lim Goh, starszy wiceprezes i dyrektor ds. technologii sztucznej inteligencji w Hewlett Packard Enterprise. Przed objęciem tego stanowiska był CTO przez większość swoich 27 lat w Silicon Graphics, obecnie firmie HPE. Dr Goh został odznaczony medalem NASA za wyjątkowe osiągnięcia technologiczne za pracę nad sztuczną inteligencją na Międzynarodowej Stacji Kosmicznej. Pracował również nad wieloma projektami badawczymi nad sztuczną inteligencją, od wyścigów F1, przez boty pokerowe, po symulacje mózgu. Dr Goh posiada szereg patentów i miał publikację na okładce Nature. Ten odcinek Business Lab jest produkowany we współpracy z Hewlett Packard Enterprise. Witaj doktorze Goh.

Dr. Eng Lim Goh: Dziękuje za gościnę.



Laur: Tak więc rozpoczęliśmy nową dekadę globalną pandemią. Pilna potrzeba znalezienia szczepionki pozwoliła na większą wymianę informacji między naukowcami, rządami i firmami. Na przykład Światowa Organizacja Zdrowia upubliczniła sekwencję mRNA szczepionki Pfizer, aby pomóc naukowcom. Jak myślisz o takich możliwościach wynikających z pandemii?

Eng Lim: W nauce, medycynie i innych, dzielenie się odkryciami jest ważną częścią postępu nauki. Więc tradycyjnym sposobem są publikacje. Rzecz w tym, że za rok, półtora roku od Covid-19 nastąpił gwałtowny wzrost publikacji związanych z COVID-19. Jeden agregator miał na przykład zamówienie 300 000 takich dokumentów związanych z COVID-19. Ze względu na ilość danych trudno jest uzyskać to, czego potrzebujesz.

Tak więc wiele firm, organizacji zaczęło budować te narzędzia do przetwarzania języka naturalnego, narzędzia AI, aby umożliwić zadawanie bardzo konkretnych pytań, nie tylko wyszukiwanie słów kluczowych, ale bardzo konkretne pytania, dzięki którym można uzyskać odpowiedź, której potrzebujesz. ten zbiór dokumentów. Naukowiec mógłby zapytać lub badacz mógłby zapytać, jaka jest energia wiązania białka szczytowego SARS-CoV-2 z naszym receptorem ACE-2? I może być jeszcze bardziej konkretny i powiedzieć, chcę to w jednostkach kcal na mol. I system przeszedłby. System NLP przejrzałby ten zbiór dokumentów i znalazłby odpowiedź na to pytanie, a nawet wskazałby obszar dokumentów, gdzie może być odpowiedź. Więc to jest jeden obszar. Aby pomóc w udostępnianiu, możesz zbudować narzędzia AI, które pomogą przejrzeć tę ogromną ilość wygenerowanych danych.

Innym obszarem udostępniania jest udostępnianie danych z badań klinicznych, jak już wspomniałeś. Na początku ubiegłego roku, zanim rozpoczęły się jakiekolwiek badania kliniczne szczepionki SARS-CoV-2, otrzymaliśmy dane z badań klinicznych szczepionki przeciwko żółtej gorączce. A jeszcze dokładniej, dane dotyczące ekspresji genów od ochotników biorących udział w badaniu klinicznym. A jednym z celów jest to, czy możesz przeanalizować dziesiątki tysięcy tych genów wyrażanych przez ochotników i pomóc przewidzieć, dla każdego ochotnika, czy otrzyma on skutki uboczne tej szczepionki i czy poda dobra odpowiedź przeciwciał na tę szczepionkę? Buduj więc narzędzia prognostyczne, udostępniając te dane z badań klinicznych, aczkolwiek anonimowe i w ograniczony sposób.

Laur: Kiedy mówimy o przetwarzaniu języka naturalnego, myślę, że dwa wnioski, które wyciągnęliśmy z tego bardzo konkretnego przykładu, to: można zbudować lepsze narzędzia sztucznej inteligencji, aby pomóc naukowcom. A także pomaga budować narzędzia i modele predykcyjne.

Eng Lim: Tak, absolutnie.

Laur: Tak więc, jako konkretny przykład tego, nad czym pracowałeś przez ostatni rok, Nature Magazine opublikował niedawno artykuł o tym, jak wspólne podejście do wglądu w dane może pomóc tym interesariuszom, zwłaszcza podczas pandemii. Czego dowiedziałeś się podczas tej pracy?

Eng Lim: Tak. Jest to ponownie związane z punktem dzielenia się, który przyniosłeś, jak dzielić się nauką, aby społeczność mogła szybciej się rozwijać. ten Natura publikacja, o której wspomniałeś, jej tytuł to Swarm Learning [dla zdecentralizowanego i poufnego klinicznego uczenia maszynowego]. Posłużmy się przykładem szpitala. Jest ten szpital i przyjmuje swoich pacjentów, pacjentów szpitala z pewnej grupy demograficznej. A jeśli chce zbudować model uczenia maszynowego do przewidywania w oparciu o dane pacjenta, na przykład dane ze skanu CT pacjenta, aby spróbować przewidzieć pewne wyniki. Problem z uczeniem się w odosobnieniu polega na tym, że zaczynasz ewoluować modele poprzez uczenie się danych pacjentów, które są nastawione na to, jakie dane demograficzne widzisz. Lub w inny sposób, nastawiony na rodzaj posiadanych urządzeń medycznych.

Rozwiązaniem tego problemu jest zbieranie danych z różnych szpitali, być może z różnych regionów lub nawet z różnych krajów. Następnie połącz wszystkie dane szpitali, a następnie wytrenuj model uczenia maszynowego na połączonych danych. Problem polega na tym, że prywatność danych pacjentów uniemożliwia udostępnianie tych danych. Uczenie się w roju ma na celu rozwiązanie tego problemu na dwa sposoby. Po pierwsze, zamiast zbierać dane z tych różnych szpitali, pozwalamy każdemu szpitalowi trenować swój model uczenia maszynowego na własnych prywatnych danych pacjentów. A potem od czasu do czasu pojawia się blockchain. To drugi sposób. Pojawia się blockchain i zbiera wszystkie informacje. podkreślam. Nauki, a nie dane pacjenta. Zbierz tylko informacje i połącz je z informacjami z innych szpitali w innych regionach i innych krajach, uśrednij je, a następnie wyślij z powrotem do wszystkich szpitali, zaktualizowane globalnie połączone uśrednione informacje.

A przez naukę rozumiem parametry np. wag sieci neuronowych. Parametry będące wagami sieci neuronowych w modelu uczenia maszynowego. Tak więc w tym przypadku żadne dane pacjenta nigdy nie opuszczają pojedynczego szpitala. To, co opuszcza szpital, to tylko nauki, parametry lub wagi sieci neuronowej. I tak, kiedy wysłałeś swoje lokalnie wyuczone parametry i to, co otrzymasz z łańcucha bloków, to globalne uśrednione parametry. A potem aktualizujesz swój model o średnią globalną, a następnie kontynuujesz naukę lokalnie. Po kilku cyklach dzielenia się wiedzą, przetestowaliśmy to, każdy szpital jest w stanie przewidywać, z dokładnością i ze zredukowanymi błędami, tak jakbyś zebrał wszystkie dane pacjentów globalnie w jednym miejscu i nauczył się z nich.

Laur: A powodem, dla którego stosuje się blockchain, jest to, że w rzeczywistości jest to bezpieczne połączenie między różnymi, w tym przypadku, maszynami, prawda?

Eng Lim: Istnieją dwa powody, tak, dlaczego używamy blockchain. Pierwszym powodem jest bezpieczeństwo. Po drugie, możemy zachować te informacje jako prywatne, ponieważ w prywatnym blockchainie dopuszczeni są tylko uczestnicy, główni uczestnicy lub certyfikowani uczestnicy. Teraz, nawet jeśli blockchain jest zagrożony, widoczne są tylko wagi lub parametry uczenia się, a nie prywatne dane pacjenta, ponieważ prywatne dane pacjenta nie znajdują się w łańcuchu bloków.

Drugim powodem korzystania z łańcucha bloków jest to, że jest nim w przeciwieństwie do posiadania centralnego opiekuna, który zbiera parametry wiedzy. Ponieważ po wyznaczeniu opiekuna, podmiotu, który gromadzi wszystkie te informacje, jeśli jeden ze szpitali zostanie tym opiekunem, to mamy do czynienia z sytuacją, w której wyznaczony opiekun ma więcej informacji niż reszta lub ma większe możliwości niż reszta. Niewiele więcej informacji, ale większe możliwości niż reszta. Aby więc mieć bardziej sprawiedliwy podział, używamy blockchain. A w systemie blockchain polega on na tym, że losowo wyznacza jednego z uczestników jako zbieracza, jako lidera, który zbiera parametry, uśrednia je i odsyła z powrotem. A w kolejnym cyklu losowo wyznaczany jest kolejny uczestnik.

Laur: Tak więc są tutaj dwa interesujące punkty. Po pierwsze, ten projekt się powiódł, ponieważ nie używasz tylko własnych danych. Możesz również zdecydować się na tę relację, aby wykorzystać wnioski z danych innych badaczy. Więc to zmniejsza stronniczość. Więc to jest jeden rodzaj dużego problemu rozwiązany. Ale także ta inna interesująca kwestia równości i tego, jak nawet algorytmy mogą być od czasu do czasu mniej sprawiedliwe. Ale kiedy masz w blockchain celowo losowy algorytm przypisujący przywództwo do zbierania informacji od każdego podmiotu, pomaga to również wyeliminować wszelkie możliwe uprzedzenia, prawda?

Eng Lim: Tak tak tak. Świetne podsumowanie, Laurel. Więc jest pierwsze odchylenie, które polega na tym, że jeśli uczysz się w odosobnieniu, szpital się uczy, model sieci neuronowej lub, ogólniej, model uczenia maszynowego, szpital uczy się w izolacji tylko na swoich prywatnych danych pacjenta, będą naturalnie stronniczy w stosunku do demografii, którą widzą. Na przykład mamy przykład, w którym szpital szkoli swoje modele uczenia maszynowego na prześwietleniach klatki piersiowej i widzi wiele przypadków gruźlicy. Ale bardzo mało przypadków zapadnięcia się płuc. Tak więc ten model sieci neuronowej, po przeszkoleniu, będzie bardzo czuły na to, co wykrywa gruźlicę, a mniej na wykrywanie, na przykład, zapaści płuc. Jednak w innym szpitalu otrzymujemy odwrotność. Tak więc naprawdę chcesz, aby te dwa szpitale połączyły swoje dane, aby powstały model sieci neuronowej mógł lepiej przewidywać obie sytuacje. Ale ponieważ nie możesz udostępniać tych danych, uczenie się roju pomaga zmniejszyć uprzedzenia obu szpitali.

Laur: W porządku. Mamy więc ogromną ilość danych. I rośnie wykładniczo w miarę rozszerzania się krawędzi, która jest tak naprawdę dowolnym urządzeniem, systemem lub czujnikiem generującym dane. Jak więc zdecentralizowane dane zmieniają sposób, w jaki firmy muszą myśleć o danych?

Eng Lim: Och, to głębokie pytanie. Szacuje się, że do przyszłego roku, do roku 2022, na krawędzi będzie 50 miliardów podłączonych urządzeń. A to szybko rośnie. Dochodzimy do punktu, w którym mamy średnio około 10 podłączonych urządzeń potencjalnie zbierających dane na osobę na tym świecie. W tej sytuacji środek ciężkości przesunie się z centrum danych będącego główną lokalizacją generującą dane do takiego, w którym środek ciężkości będzie znajdował się na krawędzi pod względem miejsca generowania danych. A to w ogromnym stopniu zmieni dynamikę przedsiębiorstw. W związku z tym zobaczysz potrzebę tych urządzeń, które są tam, gdzie ta ogromna ilość danych generowanych na krawędzi z tak dużą ilością tych urządzeń, że osiągniesz punkt, w którym nie będziesz mógł sobie pozwolić na backhaul lub przywrócenie wszystkich tych danych do chmury lub centrum danych.

Nawet z 5G, 6G i tak dalej. Wzrost ilości danych przewyższy to, znacznie przewyższy wzrost przepustowości nowych możliwości telekomunikacyjnych. W ten sposób dojdziesz do punktu, w którym nie będziesz miał innego wyboru, jak tylko przenieść inteligencję do krawędzi, aby móc zdecydować, jakie dane przenieść z powrotem do chmury lub centrum danych. Więc to będzie nowa era. Świat zmieni się z miejsca, w którym scentralizowano dane, do czego przywykliśmy od dziesięcioleci, w taki, w którym musisz czuć się komfortowo, że dane są wszędzie. A kiedy tak jest, musisz prowadzić więcej komunikacji peer-to-peer, więcej współpracy peer-to-peer, więcej uczenia się peer-to-peer.

I to jest powód, dla którego uczenie się roju będzie stawało się coraz ważniejsze w miarę postępu, ponieważ środek ciężkości przesuwa się z miejsca, w którym dane są scentralizowane, do takiego, w którym dane są wszędzie.

Laur: Czy mógłbyś opowiedzieć trochę więcej o tym, jak inteligencja roju jest bezpieczna z założenia? Innymi słowy, pozwala firmom dzielić się spostrzeżeniami z uczenia się danych z przedsiębiorstwami zewnętrznymi, a nawet w ramach grup w firmie, ale w rzeczywistości nie udostępniają rzeczywistych danych?

Eng Lim: Tak. Zasadniczo, gdy chcemy uczyć się od siebie nawzajem, jednym ze sposobów jest udostępnianie danych, aby każdy z nas mógł uczyć się od siebie nawzajem. To, co robi uczenie się w roju, to próba uniknięcia dzielenia się danymi lub całkowite uniemożliwienie dzielenia się danymi z [modelem], w którym dzielisz się tylko spostrzeżeniami, dzielisz się wiedzą. I dlatego jest to zasadniczo bezpieczniejsze, korzystając z tego podejścia, w którym dane pozostają prywatne w lokalizacji i nigdy nie opuszczają tej prywatnej jednostki. Tym, co pozostawia tę prywatną jednostkę, są tylko wnioski. I w tym przypadku wagi sieci neuronowej lub parametry tych uczenia się.

Teraz są ludzie, którzy badają umiejętność wywnioskowania danych z wniosków, jest to wciąż w fazie badań, ale jesteśmy przygotowani, jeśli to kiedykolwiek zadziała. Oznacza to, że w łańcuchu blokowym wykonujemy homomorficzne szyfrowanie wag, parametrów, uczenia się. Przez homomorficzny rozumiemy, że kiedy wyznaczony lider zbiera wszystkie te wagi, a następnie je uśrednia, można je uśrednić w postaci zaszyfrowanej, aby jeśli ktoś przechwycił łańcuch bloków, zobaczył zaszyfrowane informacje. Sami nie widzą wiedzy. Ale jeszcze tego nie zaimplementowaliśmy, ponieważ nie uważamy tego za konieczne, dopóki nie zobaczymy, że możliwość inżynierii wstecznej danych z uczenia się staje się wykonalna.

Laur: Tak więc, gdy myślimy o zwiększeniu zasad i przepisów dotyczących danych, takich jak RODO i CCPA w Kalifornii, musi istnieć jakieś rozwiązanie problemów związanych z prywatnością. Czy uważasz, że uczenie się w roju jest jedną z tych możliwych opcji, gdy firmy zwiększają ilość posiadanych danych?

Eng Lim: Tak, jako opcja. Po pierwsze, jeśli istnieje potrzeba, aby urządzenia brzegowe uczyły się od siebie nawzajem, przydatne jest uczenie roju. Po drugie, kiedy się uczysz, nie chcesz, aby dane od każdej jednostki lub uczestnika nauki roju opuściły tę jednostkę. Powinien pozostać tam, gdzie jest. Pozostają tylko parametry i nauka. Widzisz to nie tylko w scenariuszu szpitalnym, ale widzisz to w finansach. Na przykład firmy obsługujące karty kredytowe nie chciałyby oczywiście udostępniać swoich danych klientów innej konkurencyjnej firmie obsługującej karty kredytowe. Wiedzą jednak, że lokalna nauka modeli uczenia maszynowego nie jest tak wrażliwa na dane o oszustwach, ponieważ nie widzą wszystkich rodzajów oszustw. Być może widzą jeden rodzaj oszustwa, ale inna firma obsługująca karty kredytowe może dostrzegać inny rodzaj oszustwa.

Swarm learning może być tutaj wykorzystane, gdzie każda firma obsługująca karty kredytowe zachowuje prywatność swoich danych klientów, bez udostępniania ich. Ale pojawia się blockchain i dzieli się wiedzą, nauką danych o oszustwach i zbiera wszystkie te wnioski, uśrednia je i przekazuje z powrotem wszystkim uczestniczącym firmom obsługującym karty kredytowe. To jest jeden przykład. Banki mogą zrobić to samo. Roboty przemysłowe też mogłyby zrobić to samo.

Mamy klienta z branży motoryzacyjnej, który ma dziesiątki tysięcy robotów przemysłowych, ale w różnych krajach. Dzisiejsze roboty przemysłowe postępują zgodnie z instrukcjami. Ale w robotach nowej generacji, wyposażonych w sztuczną inteligencję, będą się również uczyć lokalnie, na przykład, aby uniknąć pewnych błędów i ich nie powtarzać. To, co możesz zrobić, używając uczenia się w roju, polega na tym, że jeśli te roboty znajdują się w różnych krajach, w których nie możesz dzielić się danymi, danymi z czujników z lokalnego środowiska ponad granicami kraju, ale możesz dzielić się wiedzą na temat unikania tych błędów, uczenie się w roju może dlatego należy zastosować. Wyobraźcie sobie teraz rój robotów przemysłowych w różnych krajach, dzielących się wiedzą, aby nie powtarzać tych samych błędów.

Więc tak. W przedsiębiorstwie można zobaczyć różne zastosowania uczenia się w roju. Finanse, inżynieria i oczywiście opieka zdrowotna, o czym mówiliśmy.

Laur: Jak Twoim zdaniem firmy muszą zacząć inaczej myśleć o swojej rzeczywistej architekturze danych, aby zachęcić do dzielenia się tymi spostrzeżeniami, ale w rzeczywistości nie udostępniać danych?

Eng Lim: Przede wszystkim musimy czuć się komfortowo z faktem, że urządzenia gromadzące dane będą się mnożyć. I będą znajdować się na krawędzi, na której najpierw lądują dane. Jaka jest krawędź? Krawędź to miejsce, w którym masz urządzenie, a dane trafiają najpierw drogą elektroniczną. A jeśli wyobrazimy sobie na przykład 50 miliardów z nich w przyszłym roku i będzie ich rosło, według jednego oszacowania, musimy czuć się komfortowo z faktem, że dane będą wszędzie. Aby zaprojektować swoją organizację, zaprojektuj sposób, w jaki korzystasz z danych, zaprojektuj sposób, w jaki uzyskujesz dostęp do danych, mając na uwadze tę koncepcję, tj. przejście od tego, do którego jesteśmy przyzwyczajeni, czyli danych przez większość czasu scentralizowanych, do takiego, w którym dane jest wszędzie. Więc sposób, w jaki uzyskujesz dostęp do danych, musi być teraz inny. Nie możesz teraz myśleć o najpierw agregacji wszystkich danych, pobraniu wszystkich danych, przeniesieniu wszystkich danych z brzegu do scentralizowanej lokalizacji, a następnie pracy z nimi. Być może będziemy musieli przejść do scenariusza, w którym operujemy na danych, ucząc się na podstawie danych, gdy dane są nadal dostępne.

Laur: Rozmawialiśmy więc trochę o opiece zdrowotnej i produkcji. Jak wyobrażasz sobie również wielkie idee inteligentnych miast i autonomicznych pojazdów, które pasują do idei inteligencji roju?

Eng Lim: Tak tak tak. To są dwa duże, duże przedmioty. I bardzo podobnie, myślisz o inteligentnym mieście, jest ono pełne czujników, pełne podłączonych urządzeń. Jeśli myślisz o samochodach autonomicznych, według jednego oszacowania jest to około 300 czujników w samochodzie, które zbierają dane. Podobny sposób myślenia o tym, dane będą wszędzie i zbierane w czasie rzeczywistym na tych urządzeniach brzegowych. W przypadku inteligentnych miast mogą to być latarnie uliczne. Współpracujemy z jednym miastem z 200 000 latarniami ulicznymi. I chcą, aby każda z tych lamp ulicznych była inteligentna. Przez mądrość rozumiem umiejętność rekomendowania decyzji, a nawet podejmowania decyzji. Dochodzisz do punktu, w którym, jak powiedziałem wcześniej, nie możesz przez cały czas przesyłać wszystkich danych do centrum danych i podejmować decyzji po zakończeniu agregacji. Wiele razy musisz podejmować decyzje, gdzie zbierane są dane. I dlatego wszystko musi być sprytne na krawędzi, numer jeden.

A jeśli zrobimy ten krok dalej niż działanie zgodnie z instrukcjami lub działanie na modelach sieci neuronowych, które zostały wstępnie przeszkolone, a następnie wysłane do urządzenia brzegowego, zrobisz krok dalej, czyli chcesz, aby urządzenia brzegowe również uczyły się własne na podstawie zebranych danych. Jednak wiedząc, że zebrane dane są zorientowane na to, co tylko widzą, uczenie się w roju będzie potrzebne w sposób peer-to-peer, aby te urządzenia uczyły się od siebie.

Tak więc te wzajemne powiązania, wzajemne powiązania peer-to-peer tych urządzeń brzegowych, wymagają od nas przemyślenia lub zmiany sposobu, w jaki myślimy o informatyce. Weźmy na przykład dwa autonomiczne samochody. Na początek nazywamy je połączonymi samochodami. Dwa połączone samochody, jeden przed drugim o 300 jardów lub 300 metrów. Ten z przodu, z wieloma czujnikami, na przykład w amortyzatorach, wyczuwa dziurę. I faktycznie może zaoferować te wyczuwane dane, że do samochodów z tyłu dochodzi dziura. A jeśli samochody z tyłu włączą się, aby automatycznie je zaakceptować, ta dziura pojawi się na desce rozdzielczej samochodu z tyłu. A samochód z tyłu płaci może 0,10 centa za tę informację samochodowi z przodu.

W ten sposób dochodzi do sytuacji, w której udostępnianie peer-to-peer odbywa się w czasie rzeczywistym, bez konieczności wysyłania wszystkich danych najpierw z powrotem do jakiejś centralnej lokalizacji, a następnie wysyłania z powrotem nowych informacji do samochodu z tyłu. Więc chcesz, aby był to peer-to-peer. Coraz częściej nie twierdzę, że jest to jeszcze zaimplementowane, ale daje to wyobrażenie o tym, jak myślenie może się zmienić w przyszłości. Dużo więcej wymiany peer-to-peer i dużo więcej uczenia się peer-to-peer.

Laur: Kiedy pomyślisz o tym, jak długo pracujemy w branży technologicznej, aby pomyśleć, że fraza peer-to-peer jako fraza powróciła, gdzie kiedyś oznaczała ludzi, a nawet komputery, które udostępniają różne informacje przez Internet. Teraz to urządzenia i czujniki dzielą się ze sobą bitami informacji. Coś w rodzaju innej definicji peer-to-peer.

Eng Lim: Tak. Myślenie się zmienia. I peer, słowo peer, peer-to-peer, co oznacza, że ​​kojarzy się z bardziej sprawiedliwym dzieleniem się. To jest powód, dla którego w niektórych z tych przypadków potrzebny jest blockchain, aby nie było centralnego opiekuna, który uśredniałby wiedzę i łączył wiedzę. Więc chcesz prawdziwego środowiska peer-to-peer. I właśnie po to jest zbudowane uczenie się w roju. A teraz powodem tego nie jest to, że uważamy, że peer-to-peer to kolejna wielka rzecz i dlatego powinniśmy to zrobić. To z powodu danych i rozprzestrzeniania się tych urządzeń, które zbierają dane.

Wyobraź sobie dziesiątki miliardów takich urządzeń, a każde z tych urządzeń staje się mądrzejsze i zużywa mniej energii, aby być tak inteligentnym, i przechodzi z takiego, w którym postępuje zgodnie z instrukcjami lub wnioskuje z przekazanego im wstępnie wytrenowanego modelu sieci neuronowej. taki, w którym mogą nawet przejść do samodzielnej nauki. Ale wiedząc, że tych urządzeń jest ich tak dużo, każde z nich widzi tylko niewielką część. Małe jest wciąż duże, jeśli połączy się je wszystkie, 50 miliardów. Ale każdy z nich widzi tylko niewielką część danych. A zatem, jeśli po prostu uczą się w odosobnieniu, będą silnie stronniczy w stosunku do tego, co widzą. W związku z tym musi istnieć sposób, w jaki mogą dzielić się swoją wiedzą bez konieczności udostępniania swoich prywatnych danych. A zatem uczenie się rój. W przeciwieństwie do przesyłania wszystkich danych z 50 miliardów urządzeń brzegowych z powrotem do tych lokalizacji w chmurze (lokalizacje centrów danych), aby mogły przeprowadzić połączoną naukę.

Laur: Co z pewnością kosztowałoby więcej niż ułamek centa.

Eng Lim: O tak. Jest takie powiedzenie, przepustowość, za którą płacisz. Opóźnienie, dla którego się pocisz. Więc to jest koszt. Przepustowość to koszt.

Laur: Więc jako ekspert w dziedzinie sztucznej inteligencji, skoro Cię tu mamy, czym najbardziej Cię ekscytuje w nadchodzących latach? Co widzisz, o czym myślisz, że to będzie coś wielkiego w ciągu najbliższych pięciu, dziesięciu lat?

Eng Lim:

Dziękuję, Laurel. Nie postrzegam siebie jako eksperta w dziedzinie sztucznej inteligencji, ale osobę, która ma zadania i jest podekscytowana pracą z klientami nad przypadkami użycia sztucznej inteligencji i uczeniem się od nich. Różnorodność tych różnych przypadków użycia sztucznej inteligencji i uczenie się od nich — niektóre wiodące zespoły bezpośrednio pracują nad projektami i nadzorują niektóre projekty. Ale pod względem ekscytacji może wydawać się przyziemna. To znaczy, ekscytującą częścią jest to, że widzę sztuczną inteligencję. Zdolność inteligentnych systemów do uczenia się i adaptacji, a w wielu przypadkach wspomagania podejmowania decyzji przez ludzi. A w innych, bardziej ograniczonych przypadkach, podejmuj decyzje wspierające ludzi. Sztuczna inteligencja rozprzestrzenia się we wszystkim, co robimy, w wielu rzeczach, które robimy – niektóre rzeczy, które powinniśmy ograniczyć – ale w wielu rzeczach, które robimy.

To znaczy, użyjmy tylko najbardziej podstawowych przykładów. Jak może wyglądać ten postęp. Weźmy włącznik światła. Na początku, nawet do dzisiaj, najbardziej podstawowym włącznikiem światła jest taki, w którym jest ręczny. Człowiek idzie naprzód, włącza włącznik i zapala się światło. I rzuca wyłącznik, a światło gaśnie. Następnie przechodzimy do następnego poziomu. Jeśli chcesz analogii, wyższy poziom, gdzie zautomatyzujemy ten przełącznik. Umieściliśmy zestaw instrukcji na tym przełączniku za pomocą miernika światła i ustawiliśmy instrukcje, aby powiedzieć, że jeśli oświetlenie w tym pokoju spadnie do 25% jego wartości szczytowej, włącz. Więc w zasadzie wydaliśmy instrukcję z czujnikiem, aby iść z nim, do przełącznika. A potem przełącznik jest teraz automatyczny. A potem, gdy oświetlenie w pomieszczeniu spada do 25% szczytowej wartości oświetlenia, włącza się światło. Więc teraz przełącznik jest zautomatyzowany.

Teraz możemy nawet pójść o krok dalej w tej automatyzacji, czyniąc przełącznik inteligentnym, który może mieć więcej czujników. A następnie poprzez kombinacje czujników podejmuj decyzje, czy włączyć światło. Aby sterować wszystkimi tymi czujnikami, zbudowaliśmy model sieci neuronowej, który został wstępnie przeszkolony oddzielnie, a następnie przesłany do przełącznika. W tym miejscu jesteśmy dzisiaj. Przełącznik jest teraz inteligentny. Inteligentne miasto, inteligentne oświetlenie uliczne, autonomiczne samochody i tak dalej.

Czy jest jeszcze inny poziom poza tym? Jest. I wtedy przełącznik nie tylko postępuje zgodnie z instrukcjami, albo nie ma tylko wytrenowanego modelu sieci neuronowej, aby decydować, w jaki sposób połączyć wszystkie różne dane z czujników, aby zdecydować, kiedy włączyć światło w bardziej precyzyjny sposób. Przechodzi dalej do miejsca, w którym się uczy. To jest kluczowe słowo. Uczy się na błędach. Jaki byłby przykład? Przykładem może być, w oparciu o model sieci neuronowej, który został wcześniej wytrenowany, pobrany do przełącznika ze wszystkimi ustawieniami. Włącza światło. Ale kiedy wchodzi człowiek, człowiek mówi, że tym razem nie potrzebuję tu światła, człowiek wyłącza światło. Wtedy przełącznik uświadamia sobie, że faktycznie podjął decyzję, która nie spodobała się człowiekowi. Więc po kilku z nich zaczyna się dostosowywać, uczyć się z nich. Dostosuj się tak, abyś mógł włączyć światło do zmieniających się ludzkich upodobań. To kolejny krok, w którym chcesz, aby urządzenia brzegowe, które gromadzą dane na brzegu, uczyły się z nich.

Wtedy oczywiście, jeśli pójdziesz dalej, wszystkie przełączniki w tym biurze lub w mieszkaniu uczą się od siebie. To będzie nauka roju. Więc jeśli następnie rozszerzysz przejście na tostery, lodówki, samochody, roboty przemysłowe itd., zobaczysz, że robiąc to, wyraźnie zmniejszymy zużycie energii, zmniejszymy ilość odpadów i poprawimy wydajność. Ale kluczem musi być dla ludzkiego dobra.

Laur: A jaki wspaniały sposób na zakończenie naszej rozmowy. Dziękuję bardzo za dołączenie do nas w Business Lab.

Eng Lim: Dziękuję Laurze. Bardzo doceniane.

Laur: Był to dr Eng Lim Goh, starszy wiceprezes i dyrektor ds. technologii sztucznej inteligencji w Hewlett Packard Enterprise, z którym rozmawiałem z Cambridge w stanie Massachusetts, siedziby MIT i MIT Technology Review, z widokiem na rzekę Charles. To tyle w tym odcinku Business Lab, jestem twoim gospodarzem, Laurel Ruma. Jestem dyrektorem Insights, działu custom publishing w MIT Technology Review. Powstaliśmy w 1899 roku w Massachusetts Institute of Technology. Możesz nas znaleźć w druku, w Internecie i na corocznych wydarzeniach na całym świecie. Więcej informacji o nas i programie znajdziesz na naszej stronie internetowej technologyreview.com. Program jest dostępny wszędzie tam, gdzie zdobędziesz swoje podcasty. Jeśli podobał Ci się ten odcinek, mamy nadzieję, że poświęcisz chwilę, aby nas ocenić i zrecenzować. Business Lab to produkcja MIT Technology Review. Ten odcinek został wyprodukowany przez Collective Next. Dziękuję za słuchanie.

Ten odcinek podcastu został wyprodukowany przez Insights, dział zajmujący się treściami niestandardowymi MIT Technology Review. Nie został wyprodukowany przez redakcję MIT Technology Review.

ukryć