211service.com
Superkomputer AI zbudowany przez wykorzystanie hurtowni danych do ich bezczynnej mocy obliczeniowej
Ostatnie ulepszenia w zakresie rozpoznawania mowy i obrazu pojawiły się, gdy firmy takie jak Google budują większe i wydajniejsze systemy komputerów do obsługi oprogramowania do uczenia maszynowego. Teraz względna strzebla, prywatna firma o nazwie Odczuwający z zaledwie około 70 pracownikami, twierdzi, że może tanio montować nawet większe systemy komputerowe do zasilania oprogramowania sztucznej inteligencji.
Podejście firmy może nie pasować do wszystkich rodzajów uczenia maszynowego, technologii, która ma tak różnorodne zastosowania, jak rozpoznawanie twarzy i transakcje finansowe. Sentient nie opublikował szczegółów, ale twierdzi, że wykazał, że może zebrać wystarczającą moc obliczeniową, aby w niektórych przypadkach uzyskać znaczące wyniki.
Siła Sentient pochodzi z łączenia setek tysięcy komputerów przez Internet, aby działały razem, jakby były jedną maszyną. Firma nie powie dokładnie, gdzie znajdują się wszystkie maszyny, do których się podłącza. Ale wiele z nich jest bezczynnych w centrach danych, obiektach przypominających magazyny, które zasilają usługi internetowe, takie jak strony internetowe i aplikacje mobilne, mówi Babak Hodjat, współzałożyciel i główny naukowiec w firmie Sentient. Firma płaci operatorowi centrum danych za korzystanie z jego zapasowych maszyn.
Centra danych często mają znaczną liczbę nieaktywnych maszyn, ponieważ są one zbudowane tak, aby radzić sobie ze wzrostem popytu, takim jak gwałtowny wzrost sprzedaży w Czarny piątek. Sentient stworzył oprogramowanie, które łączy maszyny w różnych miejscach przez Internet i zmusza je do pracy z oprogramowaniem do uczenia maszynowego, tak jakby były jednym bardzo potężnym komputerem. To oprogramowanie jest zaprojektowane tak, aby dane były zaszyfrowane tak bardzo, jak to możliwe, aby to, nad czym pracuje Sentient – na przykład dla klienta – było poufne.
Sentient może połączyć nawet milion rdzeni procesorów pracujących razem nad tym samym problemem przez wiele miesięcy, mówi Adam Beberg, główny architekt przetwarzania rozproszonego w firmie. Największe systemy uczenia maszynowego Google nie osiągają takiej skali, mówi. Rzecznik Google odmówił udostępnienia szczegółów infrastruktury firmy i zauważył, że wyniki uzyskane za pomocą uczenia maszynowego są ważniejsze niż skala stojącego za nim systemu komputerowego. Google szeroko wykorzystuje uczenie maszynowe w obszarach takich jak wyszukiwanie, rozpoznawanie mowy i kierowanie reklam.
Beberg był pionierem idei łączenia komputerów w różnych miejscach w celu wspólnej pracy nad problemem (patrz Innovators Under 35: 1999 ). Był założycielem Distributed.net, projektu, który jako jeden z pierwszych zademonstrował tę ideę na dużą skalę. Jego technologia doprowadziła do takich działań, jak:Seti@HomeorazSkładanie@Dom, w którym miliony ludzi zainstalowały oprogramowanie, aby ich komputery PC mogły pomóc w poszukiwaniu obcego życia lub wnieść wkład w badania biologii molekularnej.
Firma Sentient została założona w 2007 roku i otrzymała ponad 140 milionów dolarów na finansowanie inwestycji, z czego nieco ponad 100 milionów pod koniec zeszłego roku. Firma do tej pory koncentrowała się na wykorzystaniu swojej technologii do zasilania techniki uczenia maszynowego znanej jako algorytmy ewolucyjne. Wiąże się to z wyhodowaniem rozwiązania problemu z początkowej populacji wielu nieco różnych algorytmów. Najlepsi wykonawcy pierwszej generacji są wykorzystywani jako podstawa następnej, a przez kolejne generacje rozwiązania stają się coraz lepsze.
Sentient uzyskuje obecnie pewne dochody z obsługi algorytmów obrotu finansowego stworzonych przez uruchamianie ewolucyjnego procesu miesiącami na setkach tysięcy procesorów. Ale firma planuje teraz wykorzystać swoją infrastrukturę do oferowania usług skierowanych do takich branż, jak opieka zdrowotna czy handel online, mówi Hodjat. Firmy z tych branż teoretycznie zapłaciłyby Sentientowi za te produkty.
Nie powie nic więcej o tym, co to może być. Sentient przeprowadził badania z University of Toronto i MIT, aby stworzyć oprogramowanie, które może przewidywać rozwój sepsy u pacjentów OIOM na podstawie danych, takich jak ciśnienie krwi i inne wskaźniki życiowe, mówi Hodjat. Wyniki pokazały, że oprogramowanie może dać 30-minutowe ostrzeżenie przed rozwojem sepsy z około 90-procentową dokładnością, ale firma zdecydowała się nie komercjalizować tej pracy.
Niedawno Sentient próbował dostosować swoje podejście do pracy z rodzajem sztucznej inteligencji zwanej głębokim uczeniem. Technika ta przyniosła ostatnio uderzające przełomy w takich obszarach, jak rozpoznawanie obrazu i mowy, i stała się głównym przedmiotem prac nad sztuczną inteligencją w firmach takich jak Google, Facebook i Baidu (patrz 10 Przełomowe technologie 2013: Głębokie uczenie ). Niektóre z najlepszych wyników w głębokim uczeniu pochodzą z uruchamiania oprogramowania na bardzo wydajnych, wyspecjalizowanych komputerach (zobacz Baidu's Artificial-Intelligence Supercomputer Beats Google at Image Recognition ).
Reza Zadeh , profesor konsultingu na Uniwersytecie Stanforda, który pracuje nad wprowadzeniem uczenia maszynowego do działania na dużą skalę, mówi, że korzystanie z dużej kolekcji komputerów w różnych miejscach dobrze sprawdza się w przypadku niektórych problemów, ale nie wszystkich.
Jest najpotężniejszy, gdy zadanie można podzielić na małe części, nad którymi mogą pracować poszczególne komputery bez konieczności komunikowania się przez Internet, który jest stosunkowo powolny. Jednak niektóre z najbardziej obiecujących sposobów zwiększania wydajności uczenia maszynowego wymagają różnych procesorów, aby dużo komunikować się, mówi Zadeh.
Google i Baidu odnotowały znaczące wyniki w zakresie wykorzystania głębokiego uczenia do rozpoznawania mowy i obrazów przy użyciu bardzo dużych zbiorów danych lub budowania większych sztucznych sieci neuronowych. Oba podejścia wymagają stałego przepływu danych między różnymi procesorami, mówi Zadeh.
Berberg zgadza się, że uczenie głębokie jest trudniejsze do dostosowania do systemu setek tysięcy komputerów połączonych przez Internet, ale mówi, że Sentient robi postępy. Mówi, że ma tysiące procesorów pracujących nad głębokim uczeniem jednocześnie.