Різні режими використання Big Data призвели до необхідності створення архітектурних конструкцій, які наблизили б пам’ять за важливістю до обчислювальних ресурсів. Штучний інтелект і машинне навчання показують, як апаратне забезпечення і архітектура даних важливі для успішної установки і зручності роботи з ШІ-додатками на зовнішній платформі. Однак, ключове питання при цьому – де саме буде перебувати пам’ять.

Дослідження, проведене на замовлення компанії Micron Technology, показало, що 89% компаній-респондентів вважають важливим і навіть критичним те, щоб обчислювальні ресурси і пам’ять були архітектурно близькі один одному. Опитування, проведене Forrester Research, також показало, що пам’ять і сховища даних пов’язані з найбільш поширеними апаратними обмеженнями, з якими стикається вся індустрія штучного інтелекту в наші дні. Більше 75% респондентів визнають необхідність оновлення або реорганізації сховищ даних і пам’яті для усунення проблем з архітектурними конструкціями і прискорення роботи ШІ.

Штучний інтелект виконує безліч накопичувальних операцій з матрицею даних в нейронній мережі. Ці операції повторюються знову і знову, так з’являється більше вихідних даних для створення алгоритму. Для системи такий алгоритм є найкращим способом дії – так мережа вчиться працювати з даними. За словами віце-президента Micron Колма Лайсата (Colm Lysaght), через велику кількість даних вирішити проблему отримання необхідної робочої пам’яті досить просто ~ потрібно додати більше DRAM (динамічних запам’ятовуючих пристроїв). Таким чином, це змістить фокус продуктивності з необроблених обчислень туди, де розташовуються дані. Пам’ять і сховище – місця, де мешкають дані. Потрібно завантажити їх в CPU, а потім знову і знову виконувати роботу з цими наборами даних, радить фахівець.

За словами Лайсата, пошук шляхів зближення обчислень і пам’яті (при вдалому вирішенні) в кінцевому підсумку призведе до економії енергії, оскільки дані не будуть часто переноситися. Отже, підвищиться і продуктивність. Існує безліч підходів до створення архітектур, одним із прикладів є нейроморфні процесори – ці пристрої формують нейронну мережу і розбивають наявне число ядер на більшу кількість ядер, але меншого розміру.

Фактично, чим більше матриця даних, над якою працюють інженери, тим більше повинно бути ядер. Кожне з них має виконувати відносно просту операцію.

Розробкою нових архітектурних рішень сьогодні займаються багато компаній, в тому числі і компанія Crossbar Inc. Поряд з Gyrfalcon Technology Inc., mtes Neural Networks Co. (MtesNN) і RoboSensing Inc. вона сформувала SCAiLE (SCalable AI) – тематичний ШІ-консорціум, присвячений розробці прискореної, енергозберігаючої платформи AI. Представники Crossbar повідомили, що група дослідників об’єднає в своїх роботах передові технології апаратного прискорення, а саме резистивне ОЗП (ReRAM) і оптимізовані нейронні мережі для створення готових, енергоефективних ШІ-рішень. В ідеалі таке ПЗ, після короткого інструктажу від людини, має навчатися самостійно і мати здатність до розпізнавання.

Інженери підкреслили, що багато компаній хочуть випускати пристрої з ШІ (інтелектуальні динаміки, смарт-камери або телевізори), але не мають ні найменшого уявлення, як це зробити. Crossbar Inc – розробник ReRAM. Саме цей вид пам’яті робить зчитування даних ще простішим: будь-яка вхідна інформація, наприклад, текст, теги, координати або візуальні образи обробляється максимально швидко.

 

Читайте також:

Дрони – основні конкуренти корпоративного інструменту Big Data

Як Big Data та AI можна використовувати для просування і оптимізації торгівлі

Теги:
Коментарi