Wydajniejsze uczenie maszynowe może zmienić paradygmat sztucznej inteligencji

Yaopai

W styczniu Google uruchomił nową usługę o nazwie Cloud AutoML , która może zautomatyzować niektóre trudne aspekty projektowania oprogramowania do uczenia maszynowego. Podczas pracy nad tym projektem badacze firmy musieli czasami uruchamiać jednocześnie aż 800 układów graficznych, aby wytrenować swoje potężne algorytmy.

W przeciwieństwie do ludzi, którzy potrafią rozpoznać filiżanki kawy po zobaczeniu jednego lub dwóch przykładów, sieci AI oparte na symulowanych neuronach muszą zobaczyć dziesiątki tysięcy przykładów, aby zidentyfikować obiekt. Wyobraź sobie, że próbujesz nauczyć się rozpoznawać w ten sposób każdy element w swoim środowisku, a zaczynasz rozumieć, dlaczego oprogramowanie AI wymaga tak dużej mocy obliczeniowej.

Charles Bergan, wiceprezes ds. inżynierii w Qualcomm, powiedział tłumowi, że gdyby naukowcy mogli projektować sieci neuronowe, które można by wytrenować do wykonywania określonych zadań na podstawie zaledwie kilku przykładów, przewróciłoby to cały paradygmat. Przegląd technologii MIT konferencji EmTech China na początku tego tygodnia.

Powiązana historia

Powiązana historia

Bergan powiedział, że gdyby sieci neuronowe stały się zdolne do jednorazowego uczenia się, uciążliwy proces wprowadzania ryz danych do algorytmów w celu ich uczenia stałby się przestarzały. Może to mieć poważne konsekwencje dla branży sprzętowej, ponieważ zarówno obecni giganci technologiczni, jak i start-upy koncentrują się obecnie na opracowywaniu mocniejszych procesorów zaprojektowanych do obsługi dzisiejszych algorytmów sztucznej inteligencji intensywnie korzystających z danych.

Oznaczałoby to również znacznie wydajniejsze uczenie maszynowe. Podczas gdy sieci neuronowe, które można trenować przy użyciu małych zestawów danych, nie są jeszcze rzeczywistością, prowadzone są już badania nad zmniejszaniem algorytmów bez utraty dokładności, powiedział na konferencji Bill Dally, główny naukowiec w Nvidii.

Badacze Nvidii stosują proces zwany przycinaniem sieci, aby zmniejszyć i zwiększyć wydajność sieci neuronowej poprzez usunięcie neuronów, które nie wpływają bezpośrednio na wydajność. Istnieją sposoby treningu, które mogą znacznie zmniejszyć złożoność treningu, powiedział Dally.

ukryć