© grzegorz kula dreamstime.com
Technologie |
Qualcomm o tym, jak algorytmika wpływa na efektywność energetyczną AI
Sieci neuronowe są coraz skuteczniejsze, szybsze i dokładniejsze, dzięki czemu sprawdzają się w coraz liczniejszych dziedzinach. Jednak sieci CNN, na których opiera się DNN, cierpią na zbytnią ‘zasobożerność’. Nowe algorytmy i technika uczenia Qualcomma zdaje się to przezwyciężać.
Projektujesz elektronikę? Zarezerwuj 4 października 2018 roku na największą w Polsce konferencję dedykowaną projektantom, Evertiq Expo Kraków 2018. Przeszło 60 producentów i dystrybutorów komponentów do Twojej dyspozycji, ciekawe wykłady i świetna, twórcza atmosfera. Jesteś zaproszony, wstęp wolny: kliknij po szczegóły. © EvertiqTryliony połączonych ze sobą urządzeń, a w nich AI, które wspomaga nas w codziennej pracy w wielu dziedzinach – to wizja i obietnica Qualcomm Technologies, jaką niedawno firma złożyła swoim klientom i partnerom. Z tego też powodu, wysiłki Qualcomm są kierowane w stronę rozwoju technologicznego właśnie w zakresie AI i sieci neuronowych. Aby AI mogło skutecznie działać w wielu połączonych ze sobą urządzeniach, często niewielkich i mobilnych, koniecznym jest poprawienie efektywności energetycznej przetwarzania w układach, strukturach i sieciach AI. W ośrodkach badawczych Qualcomm duży nacisk kładzie się właśnie na ten element. Postaramy się Państwu pokazać przykład tych prac rozwojowych, jednocześnie pokazując, jak wielką rolę odgrywają w tym miejscu algorytmy AI. Inteligencja/dżul AI jest napędzane przez silny rozwój głębokich sieci neuronowych (DNN - „deep neutral networks”). Jednakże zauważalna jest też znacząca poprawa dokładności w wykładniczym wzrośnie zużycia energii. Zgodnie z postępującym trendem, w 2025 roku możemy liczyć się z liczbą parametrów wagowych sięgającą 100 trylionów. Jest to liczba porównywalna z liczbą synaps w ludzkim mózgu. Mózg ten daje nam też dużą nadzieję, że jesteśmy w stanie jeszcze wiele poprawić. Wszakże ludzki mózg jest nawet 100-krotnie bardziej wydajny (w kwestii zużywania energii), niż najlepsze nawet obecne rozwiązania sprzętowe i krzemowe. To ważne. Qualcomm wierzy, że w niedługim czasie zmieni się to, jak mierzymy jakość AI. Wkrótce miernikiem jakości (benchmarkiem) stanie się ilość inteligencji jaką generuje dane rozwiązanie, w stosunku do liczby dżuli, jaką wymaga by móc efektywnie pracować. Takie rozumowanie wynikać ma z dwóch zasadniczych elementów:
- Kwestie ekonomiczne – ogólna efektywność ekonomiczna wymaga bowiem, by AI była energooszczędna. Istotną rzeczą jest bowiem to, by wartość wytworzona przez AI przekraczała koszty jej pracy.
- Mobilność – możliwość uruchamiania funkcji i modułów AI w niewielkich, lekkich, mobilnych urządzeniach wymaga, by rozwiązania AI nie zużywały wiele energii. Funkcje AI trafiać będą też np. do smartfonów, a nikt nie chciałby, by przez to urządzenie pracowało krócej. Dotyczy to też wielu innych dziedzin i aplikacji, w szczególności robotyki: dronów, robotów produkcyjnych czy też samochodów autonomicznych (w tym zyskujących na popularności i znaczeniu pojazdów elektrycznych). Ważnym jest także wpasowanie się w zyskującą na popularności ideę „always-on”.