Разработка искусственного интеллекта
Искусственный интеллект (ИИ) проникает почти во все отрасли человеческой жизнедеятельности. От приложений, которые мы используем, таких как Google Maps, до автоматизации производства и параллельной парковки автомобилей, ИИ уже здесь, и он не исчезнет.
ИИ может стать новой нормой для систем, с которыми мы взаимодействуем и от которых зависим. Это означает, что это также станет нормой для разработчиков систем, которые хотят создавать современные и конкурентоспособные продукты. Но ИИ создает проблемы при проектировании для инженеров, традиционно обученных проектированию аналоговой и цифровой логики. К счастью, существуют устройства, библиотеки, средства обучения и средства разработки, которые помогут ускорить процесс обучения.
Расхождение в методах проектирования и терминологии
В то время как инженеры-проектировщики с классическим образованием используют нисходящий подход к архитектуре систем, подход к проектированию ИИ можно рассматривать с помощью метода двойного ромба, когда цели и задачи определяются в первом ромбе (изучить и определить). Генерация идей и поиск решений, которые работают, могут быть частью второго ромба (разработка и реализация). Первая задача – определить тип создаваемого ИИ. Узкоспециализированный ИИ изучает и выполняет определенные задачи. Разносторонний ИИ –это будущее ИИ. Машины могут думать, рассуждать, учиться и действовать независимо.
Машинное обучение – это разновидность ИИ, которая позволяет машинам учиться, а не получать инструкции. Google определяет машинное обучение как подобласть искусственного интеллекта, которая включает в себя методы разработки ИИ, заставляя компьютерные программы что-то делать без программирования сверхспецифических правил. В результате ИИ, основанный на цифровых и программных подходах к ИИ, можно рассматривать как набор статистических алгоритмов, которые находят закономерности в огромных объемах данных, а затем используют эти данные для прогнозирования. Рекламодатели и поставщики услуг используют эту технику, чтобы предложить, что посмотреть или что вы можете заинтересовать в покупке.
Виды обучения ИИ
Машинное обучение направлено на создание решений, поддерживающих высокий уровень точности. На данный момент поиск и применение шаблонов осуществляется четырьмя способами обучения: с учителем, без учителя, с подкреплением и глубокое обучение.
Обучение с учителем: при обучении с учителем машина предоставляет помеченные данные, чтобы сообщить устройству, что ему следует искать. Затем модель обучается распознавать шаблоны в немаркированных и необученных наборах данных. При этом используются алгоритмы классификации и алгоритмы регрессии, которые прогнозируют выходные значения на основе функций входных данных для построения модели на основе обучения признаков. Стандартное цифровое оборудование и процессоры могут быть запрограммированы для запуска эвристических алгоритмов, решающих эти проблемы.
Обучение без учителя. При данном виде обучения не помечаются входные данные. Машина просто ищет все закономерности в наборе данных. Для этого требуется меньше человеческих ресурсов, но может потребоваться больше времени для получения результатов, поддерживающих желаемый уровень точности. Но оно также может открывать новые и неожиданные вещи. Опять же, стандартное оборудование и методы программирования могут использоваться для реализации алгоритмов кластеризации и уменьшения размерности, которые обычно используются для обучающихся без учителя машин.
Обучение с подкреплением. Увлекательным подходом к машинному обучению является обучение с подкреплением. Данные обучения не предоставляются для запуска процесса обучения. Вместо этого алгоритмы процессора бросают в огонь, чтобы учиться методом проб и ошибок. Подобно методам изменения физиологического поведения, система поощрений и наказаний используется для того, чтобы направить его развитие в сторону желаемого поведения.
Глубокое обучение: глубокое обучение, пожалуй, лучший инструмент для ИИ и тот, который чаще всего привлекает внимание. Он отличается от трех других подходов тем, что использует сложную структуру нейронных сетей. Нейронные сети используют несколько уровней обработки для извлечения функций и тенденций более высокого уровня. Каждый слой называется нейроном, точкой подключения к сети, которая решает, следует ли заблокировать или передать сигнал на следующий более высокий уровень (на следующем изображении).
Глубокое обучение имитирует то, как люди получают определенные типы знаний. Оно характеризуется огромным количеством последовательных данных и полезно для самых сложных задач, таких как распознавание лиц, медицинская диагностика, языковые переводы, а также самоуправляемые и навигационные транспортные средства. Глубокое обучение снижает частоту ошибок на 41%, 27% и 25% при выполнении сложных задач, таких как классификация изображений, распознавание лиц и распознавание голоса, соответственно.
Овладение новым типом логики
Вместо логических вентилей, которые ищут функциональные возможности И, ИЛИ и НЕ, нейронные сети можно рассматривать как логическую систему, использующую вентили большинства и меньшинства. Мажоритарный вентиль создаст активный выход, когда большинство входов находятся на рабочем уровне. Вентили меньшинства будут демонстрировать активное состояние, когда активны меньшинство входов. Нейронная группа этих типов логических элементов может быть наслоена для обнаружения и фильтрации шаблонов в больших наборах данных. Говорят, что глубокое обучение функционирует подобно человеческому мозгу, который принимает огромное количество сенсорной информации, обрабатывает и фильтрует ее в форму, пригодную для использования в реальном времени.
Системы контролируемого, неконтролируемого и усиленного обучения могут быть реализованы с использованием стандартных элементов цифровых схем, но требуют бездонных пулов памяти и хранилища, а также высокоскоростных входящих и исходящих коммуникаций. Но глубокое обучение представляет проблему с этим подходом. Проблема в том, что проектирование очень сложных систем на уровне вентилей – это неэффективный по времени и затратам способ реализации экспоненциально более сложных систем. Несколько процессорных ядер могут создать виртуально смоделированную многоуровневую сеть на основе большинства и меньшинства, но любые смоделированные системы всегда будут намного медленнее, чем настоящий аппаратный подход. Настоящей машине глубокого обучения потребуются очень плотные, гибкие и гибкие нейронные сети и системы.
В авангарде систем разработки ИИ
Многие работают над этим с разными подходами. В одном случае тонкопленочные массивы резистивных синапсов только для чтения разрабатываются как запрограммированная сеть, которая может содержать предварительно захваченные данные и знания. Другой подход – массив программируемых синапсов и усилителей, служащих электрическими нейронами. Производители интегральных схем, такие как Intel®, Qualcomm, NVidia, Samsung, AMD, Xilinx, IBM, STM Micro, NXP, Media Tek, Hi Silicon, Lightspeeur и Rockchip, предлагают или планируют предоставить высокотехнологичные микросхемы нейронных сетей, IP и системы разработки.
Используются как цифровые многоядерные подходы, так и нейросинаптические многоуровневые архитектуры. Существуют даже цифровые самообучающиеся чипы, такие как Loihi 2 от Intel, который называет себя нейроморфным устройством и позиционируется как первый в мире самообучающийся чип. Nvidia строит более крупные и быстрые кластеры графических процессоров под названием GPX-2, в которых используются энергонезависимые переключатели, обеспечивающие производительность в два петафлопса.
Подробное описание всех устройств и технологий искусственного интеллекта и глубокого обучения выходит за рамки данной обзорной статьи, но есть способы начать работу прямо сейчас. Комплекты разработки представляют собой одноплатные компьютеры и модули, которые поддерживаются различными IP-модулями и библиотеками ИИ, которые используют некоторые из упомянутых технологий ИИ и глубокого обучения. Например, Seeed 110991205 с использованием Rockchip RK399 представляет собой цифровой многоядерный подход с поддержкой стандартных цифровых интерфейсов ввода/вывода и устройств, а также с демонстрацией приложений и примерами кода. В продаже есть еще усовершенствованное решение от IBM с его нейроморфным ASIC True North на основе программы DARPA SyNAPSE. Оно содержит 4096 ядер и реализует 268 миллионов программируемых синапсов с использованием 5,4 миллиардов транзисторов. Впечатляет его сверхнизкая мощность 70 мВт, что, по утверждению IBM, составляет 1/100 000 удельной мощности обычных процессоров.
Выводы
Создаваемые партнерские отношения, такие как внедрение STMicroelectronics библиотек машинного обучения TensorFlow от Google, готовы обеспечить быструю разработку, обучение и развертывание обучающихся машин на основе ИИ. Они быстро станут большей частью нашей жизни. Аналогичным образом IBM заключила партнерское соглашение с NVidia POWER9, чтобы предоставить ускорители на базе графических процессоров и FPGA, поддерживающие OpenCAPI 3.0 и PCI-Express 4.0, чтобы работать с высокоскоростными шинами для передачи данных.
Мы уже используем ИИ, иногда даже не осознавая этого. Одним из примеров являются приложения GPS, которые динамически направляют нас в обход дорожных препятствий. Эти наводящие на размышления объявления и предложения о том, что смотреть или слушать, являются еще одним примером. Еще одним примером являются беспилотные автомобили и автомобили с параллельной парковкой. При плавной интеграции в наш образ жизни это может быть полезным способом служить человеку.
© digitrode.ru