ВЫБОР РЕДАКЦИИ

Перспективы развития микроконтроллеров с краевым искусственным интеллектом

Проблемы разработки программно-управляемого аппаратного обеспечения

Искусственный интеллект – перспективы развития

Наступление эры искусственного интеллекта реального масштаба времени

Искусственный интеллект и увеличение интереса к краевым вычислениям

Бесшовная связь – становой хребет Четвертой промышленной революции

Использование биометрии в Сухопутных войсках США

Вопросы развития краевых вычислений

Машинное обучение открывает новые возможности FPGA

Материалы Симпозиума SEMI по промышленной политике

Современное состояние и перспективы развития рынка САПР

Teraki совершает «квантовый скачок» в сфере больших данных

Бум стартапов во Франции

Материалы Симпозиума SEMI по промышленной политике

Вопросы развития краевых вычислений

Экономические аспекты развития технологий искусственного интеллекта

О перспективах рынка потребительской электроники

Средства искусственного интеллекта учатся распознавать звуки

Превосходство КНР в области искусственного интеллекта: правда или миф?

Некоторые проблемы развития памяти с высокой пропускной способностью

Создание Общества по проблемам методик глубокого обучения для систем со сверхмалым энергопотреблением

Ближайшее будущее развития искусственного интеллекта

Ближайшее будущее развития искусственного интеллекта

Выпуск 20 (6694) от 16 октября 2019 г.
РУБРИКА: МИКРОЭЛЕКТРОНИКА

Работа искусственного интеллекта (ИИ), который позволяет компьютерам выполнять определенные задачи, такие как распознавание изображений и обработка естественного языка, пока еще мало похожа на работу человеческого мозга. В самом деле, человеческий мозг развивался в течение последних трех миллионов лет, а искусственные нейронные сети – ​ядро ИИ – ​существуют всего несколько десятилетий и далеко не столь совершенны, как серое вещество человека. Однако ожидается, что в будущем ИИ станет выполнять задачи, сопоставимые с возможностями человеческого интеллекта, – ​правда, для этого необходимо найти новые пути для ускорения его эволюции. Цикл зрелости технологий корпорации Gartner (Hype Cycle) демонстрирует графическую оценку внедрения различных технологий, связанных с ИИ.

Выяснение того, какие типы памяти лучше всего подходят для конкретных функций ИИ, и поиск наилучших способов интеграции различных решений памяти – ​часть процесса эволюции ИИ. С этой точки зрения ИИ сталкивается с двумя основными ограничениями памяти: емкость и энергоэффективность. Высокая потребность в энергии затрудняет масштабирование ИИ за пределами центров обработки данных с большими энергоресурсами. В частности, это касается краевых и облачных вычислений, где приложения ИИ имеют наибольший потенциал и ценность.

Самые передовые исследования сегодня ведутся в области доменных архитектур, обеспечивающих создание и работу энергосберегающего оборудования. Тем не менее область, которая откроет путь для наиболее значительных улучшений и где должен быть сосредоточен максимум усилий, – ​это технология памяти.


Продвижение ИИ в область краевых вычислений

За последние полвека сочетание общественного и частного интереса способствовало появлению ИИ, а в последнее время и моделей глубокого обучения, которые благодаря своим исключительным возможностям восприятия стали одной из самых распространенных форм ИИ. Типичная модель глубокого обучения должна сначала пройти обучение на массивных наборах данных (обычно в ЦОД на серверах, использующих графические процессоры), чтобы настроить параметры сети (дорогой и длительный процесс), прежде чем ее можно будет развернуть для осуществления собственных логических выводов на основе входных данных (от датчиков, камер и т. д.). Для запоминания столь многих параметров требуются такие огромные объемы памяти, что становится необходимым использование памяти вне кристалла. Следовательно, большая часть затрат энергии во время обучения обусловлена неэффективным перераспределением гигантских объемов данных между внешними ДОЗУ и внутренними СОЗУ (на что зачастую уходит более 50% от общего потреб-ления энергии). После завершения обучения модели параметры сети должны подходить для выполнения задач логического вывода в других средах.

До недавнего времени приложения ИИ ограничивались ЦОД из-за их большого энергопотребления и требований к пространству. Однако в последние несколько лет наблюдается растущий спрос на масштабные модели ИИ с коротким временем ожидания и низкой стоимостью, в силу чего эти приложения все чаще работают в сфере краевых вычислений, а именно в Интернете вещей и на мобильных устройствах, где мощность и производительность сильно ограничены (рис. 1).



Рисунок 1. ИИ на основе краевых вычислений

* Курирование данных (data curation) – организация и интеграция данных, собранных из различных источников. Включает в себя аннотацию, публикацию и представление данных таким образом, что они сохраняют свою ценность в течение долгого времени, оставаясь доступными для повторного использования и сохранения.


Это приводит к быстрому расширению экосистемы аппаратного обеспечения, которая поддерживает новейшие приложения для задач формирования логического вывода. Кроме того, начинается использование распределенного обучения (например, модели обучения Google). Эти новые архитектуры главным образом основаны на приложениях распознавания речи и классификации изображений.

Растущий спрос в сочетании с растущей сложностью моделей глубокого обучения является неустойчивым – ​в том смысле, что образуется также растущий разрыв между потребностями компаний в показателях рассеивания мощности, времени ожидания, размерах и тем, на что способна ныне доступная память. В связи с замедлением действия «закона Мура» и «закона Деннарда», вызывающим обострение проблем с технологиями ИС ЗУ, полупроводниковая промышленность должна диверсифицироваться за счет новых технологий памяти, решить проблему смены парадигмы и удовлетворить спрос на дешевое и эффективное аппаратное обеспечение ИИ.


Возможности новых типов памяти

Область ИИ – ​это плодородная почва для инновационных технологий памяти с уникальными совершенствующимися характеристиками, предоставляющими новые возможности как в ЦОД, так и на периферии. Новые технологии памяти могут удовлетворить спрос на емкость ИС ЗУ, что позволит периферийным устройствам выполнять задачи глубокого обучения локально, увеличивая плотность расположения элементов памяти и улучшая шаблоны доступа к данным. Благодаря этому потребность в передаче данных в «облако» и из него сводится к минимуму. Способность выполнять задачи восприятия на месте, с высокой точностью и энергоэффективностью, – ​ключ к дальнейшему развитию ИИ.

Эта тенденция привела к значительным инвестициям в альтернативные технологии памяти, в том числе флэш-память NAND-типа, 3D XPoint (Optane Intel), память на эффекте изменения фазового состояния (phase-change memory, PCM), резистивные ОЗУ (ReRAM), энергонезависимые ОЗУ (MRAM) и другие, обладающие потенциалом в сфере энергоэффективности и энергонезависимости. В то же время, облегчая реализацию ИИ в сфере краевых вычислений, такая память может позволить облачным средам более эффективно выполнять глубокое обучение и осуществлять формулирование логических выводов. Дополнительные преимущества включают потенциальные улучшения надежности и скорости обработки данных. Эти усовершенствования в технологиях ИС ЗУ позволят обойти текущие ограничения аппаратного обеспечения в сфере краевых вычислений.

В частности, некоторые новые технологии памяти благодаря присущим им специфическим или уникальным качествам предлагают явные преимущества для ряда приложений ИИ. Например, ReRAM и PCM весьма перспективны для приложений формирования логических выводов в силу существенно большего быстродействия по сравнению с флэш-памятью. MRAM, помимо высокой скорости работы, обладают сверхвысокой износостойкостью, поэтому могут конкурировать с СОЗУ и дополнять эти схемы, а также со временем заменить флэш-память. Даже на ранних этапах развития новые технологии памяти демонстрируют огромный потенциал в области ИИ. Человечество стоит на пороге значительных достижений, которые затронут многие аспекты повседневной жизни людей и обеспечат появление новых эффективных бизнес-моделей [1].


Главные тенденции развития ИИ по циклу зрелости корпорации Gartner

Цикл зрелости корпорации Gartner показывает, как осуществляется внедрение ИИ в различных организациях. По данным Gartner, в период между 2018 и 2019 гг. процент организаций, использующих ИИ, вырос с 4 до 14%. Сегодня ситуация отличается от той, что была несколько лет назад, когда не существовало альтернативы созданию собственных решений в области машинного обучения. Наибольший спрос сейчас предъявляется на автоматизированное машинное обучение машин и интеллектуальные приложения; такие подходы, как «платформа как услуга» или облачные сервисы ИИ, тоже популярны.

Разговорный ИИ (conversational AI) по-прежнему остается в центре внимания исследователей, что объясняется всемирным успехом Amazon Alexa, Google Assistant и других подобных приложений. Тем временем продолжают появляться новые технологии, такие как дополненный интеллект и объясняемый ИИ.

Цикл зрелости корпорации Gartner по ИИ рассматривает поток инноваций и тенденций в этой области, а также определяет направления развития технологии. Масштабируемость ИИ – ​следующий рубеж развития в ближайшем будущем.

В этом году в графике технологической зрелости корпорации Gartner представлено много новых технологий, но лишь немногие имеют ценность или цель, которая полностью понятна (рис. 2). Вероятно, еще меньшее число этих технологий получит широкое распространение. Чтобы оценить ценность и риски ИИ, ИТ-директорам необходимо установить реалистичные ожидания в отношении ИИ.



Источник: Gartner

Рисунок 2. Главные тенденции развития ИИ в соответствии с циклом зрелости технологии, введенным корпорацией Gartner


Дополненный интеллект

Дополненный интеллект – ​это ориентированная на человека модель партнерства людей и ИИ с целью повышения когнитивных способностей. Основное внимание уделяется вспомогательной роли ИИ в развитии человеческого потенциала.

ИИ, взаимодействуя с людьми, улучшая и поддерживая имеющиеся у них знания и навыки, сокращает количество ошибок, выполняет рутинную работу и может повысить качество взаимодействия с клиентами, обслуживания граждан и ухода за пациентами. Цель дополненного интеллекта – ​повысить эффективность автоматизации, дополняя ее человеческим подходом и здравым смыслом для управления рисками автоматизации принятия решений.


Чат-боты

Чат-боты – ​это «лицо» ИИ, они влияют на все области, где существует взаимодействие с людьми. Например, у производителя автомобилей KIA есть чат-бот, который общается со 115,0 тыс. пользователей в неделю. А в приложении Winebot Margot немецкой сети супермаркетов-дискаунтеров Lidl даются рекомендации о том, какое вино покупать, и советы по приготовлению пищи.

Чат-боты могут быть текстовыми, голосовыми или их комбинацией и полагаться на сценарии ответов с участием нескольких человек. Стандартные приложения работают в отделах кадров, ИТ-службах поддержки и самообслуживании. При этом обслуживание клиентов – ​та сфера, где чат-боты уже оказывают наибольшее влияние, особенно если они изменяют способ взаимодействия с клиентами. Переход от принципа «пользователь изучает интерфейс» к подходу «чат-робот изучает то, что хочет пользователь» становится все более важным для решения задачи адаптации, повышения производительности и обучения на рабочем месте.


Машинное обучение

Машинное обучение может решить различные проблемы бизнеса, такие как персонализированное обслуживание клиентов, рекомендации по цепочке поставок, динамическое ценообразование, медицинская диагностика или легализация денежных средств. Для извлечения знаний и моделей из данных здесь используются математические модели. Уровень освоения технологий машинного обу-чения растет по мере того как организации сталкиваются с экспоненциальным ростом объемов данных и достижений в вычислительной инфраструктуре.

В настоящее время машинное обучение используется во многих отраслях и сферах деятельности с целью стимулировать развитие и найти новые варианты решения бизнес-задач. Так, American Express использует аналитику данных и алгоритмы машинного обучения, чтобы обнаружить мошенничество практически в реальном масштабе времени и избежать потенциальных многомиллионных убытков. Volvo анализирует данные, чтобы спрогнозировать возможный срок выхода деталей из строя или дату профилактического или текущего обслуживания транспортного средства, что повышает его безопасность.


Этические и правовые нормы использования ИИ

Организации, осваивающие ИИ, не должны пренебрегать вопросами управления. Им следует знать о потенциальных нормативных и репутационных рисках. Управление ИИ – ​это создание политики, направленной на борьбу с предубеждениями, связанными с ИИ, дискриминацией и другими негативными последствиями ИИ.

Для качественного управления ИИ аналитикам и ИТ-руководителям требуется сосредоточиться на трех областях: доверие, прозрачность и разнообразие. Им будет необходимо сконцентрироваться на решении вопроса с доверием к источникам данных и результатам применения ИИ, чтобы обеспечить его успешное освоение. Также нужно определить требования прозрачности для источников данных и алгоритмов, чтобы снизить риски и повысить доверие к ИИ. Наконец, для соблюдения условий этичности и точности ИИ следует обеспечить разнообразие данных, алгоритмов и точек зрения.


Интеллектуальные приложения

Большинство организаций предпочитают применять ИИ с его широкими возможностями в корпоративных приложениях. Интеллектуальные приложения – ​это корпоративные приложения со встроенными или интегрированными технологиями ИИ, предназначенные для поддержки или замены человеческой деятельности с помощью интеллектуальной автоматизации, анализа данных и формирования рекомендаций по повышению производительности и принятию решений.

Сегодня поставщики корпоративных приложений встраивают технологии ИИ в свою продукцию, а также внедряют возможности платформенных решений на базе ИИ – ​от планирования корпоративных ресурсов до управления взаимоотношениями с клиентами, управления человеческим капиталом и повышения производительности труда. Заказчикам готового программного обеспечения следует требовать от своих поставщиков включения в маршрутные карты развития продукции информации о внедрении ИИ в форме расширенной аналитики, интеллектуальных процессов и расширенного пользовательского опыта [2].


Walker Andy. AI’s Memory Problem. EE Times, August 20, 2019: https://www.eetimes.com/author.asp?section_id=36&doc_id=1335050

Goasduff Laurence. Top Trends on the Gartner Hype Cycle for Artificial Intelligence, 2019. Gartner, September 12, 2019: https://www.gartner.com/smarterwithgartner/top-trends-on-the-gartner-hype-cycle-for-artificial-intel


МНЕНИЕ ЭКСПЕРТА

Никита Куликов

В настоящее время под термином «искусственный интеллект» (ИИ) понимается совокупность технологий и методов, например, таких как машинное обучение, распознавание изображений и пр. При этом по отдельности они далеко не всегда могут являться элементами ИИ.

Сложно сформулировать четкое определение ИИ в привязке к реальным технологиям и методам, а не к обобщенной теории, как это было принято ранее, да и неактуально в связи с тем, что некоторые технологии, описываемые как часть ИИ, уже вплотную подошли к барьерам, которые раньше считались фантастическими и недостижимыми.

С другой стороны, ИИ – ​это не столько технологии, сколько родовое понятие, нечто обобщенное, и в таком случае на всех уровнях обсуждения следует уйти от нынешней расплывчатой формулировки и предложить более конкретную и отвечающую современным реалиям цифровой экономики.


ЧИТАЙТЕ ТАКЖЕ

Выпуск 24/25 (6748/6749) от 23 декабря 2021 г. г.
Выпуск 24/25 (6748/6749) от 23 декабря 2021 г. г.