Imec yapay zekayı endüstrileştirmeyi nasıl umuyor?

Üniversitelerarası Mikroelektronik Merkezi (Imec), hem saf hem de uygulamalı araştırma yapan ve en önemlisi, sanayileşmeye hazır umut verici araştırmaları tespit eden ve bu teknolojiyi endüstride kullanıma hazırlayan dünyanın en büyük 10 araştırma ve teknoloji kuruluşundan (RTO) biridir.

Tüm bunları yapmak için Imec, önümüzdeki 10 yıl boyunca etkisi olacak teknolojik yenilikler üzerinde işbirliği yapmak için endüstriyel oyuncuları bir araya getiriyor. Ortaklar, yetenek ve fikri mülkiyetin yanı sıra maliyet ve riski paylaşır. Belçikalı RTO, hem Belçika’da hem de yurtdışında üniversite ortaklarıyla da çalışır ve Imec’teki bazı araştırmacıların da üniversitelerle bağlantısı vardır.

Konuyla ilgili bir durum Steven Latré, Imec’te yapay zeka (AI) araştırmalarına liderlik ediyor ve aynı zamanda Antwerp Üniversitesi’nde yarı zamanlı bir profesör. Öncelikli odak alanı, sağlık gibi yapay zekaya en çok ihtiyaç duyan sektörlerde çözümler sağlamak için sensör teknolojilerini ve çip tasarımını yapay zeka algoritmalarıyla birleştirmek.

Latré’ye göre yapay zeka, algoritmaların donanımın sağlayabileceğinden daha fazla bilgi işlem gücü talep ettiği kritik bir aşamaya yaklaşıyor. Imec’in yaptığı bazı işler bu darboğazı hafifletmeye yardımcı olabilir. Araştırma kuruluşunun gözü bu zorluklara sahip ve ayrıca yakın gelecekte endüstri üzerinde en fazla etkiye sahip olacağını düşündüğü üç alana odaklanıyor: bulut yapay zekası, uç yapay zeka ve sağlık hizmetlerinde yapay zeka.

Bulut AI

Makine öğrenimi algoritmaları, bilgi işlem kaynakları açısından çok açgözlü hale geliyor. Popüler sistemler, örneğin VER ONA ve Üretken Önceden Eğitimli Trafo 3 (GPT-3), çok fazla bilgisayar gücü gerektirir. DALL-E, doğal dil açıklamalarından dijital görüntüler oluştururken GPT-3, insan benzeri metinler üretmek için derin öğrenmeyi kullanır.

Latré, “Bu sistemlerde zeka miktarı çok yüksek ve güzel sonuçlar veriyorlar” diyor. “Bunun dezavantajı, ihtiyaç duydukları hesaplama miktarının şu anda gerçekten patlaması. Bilgi işlem gücü talebinin evrimine bakarsanız ve ardından bunu bilgisayar performansının gelişimiyle karşılaştırırsanız, çok yakında bir sorun olacağını görürsünüz.

“Yaklaşık 10 yıl öncesine kadar, bu tür AI modelleri, bilgi işlem gücüne olan taleplerini her iki yılda bir yaklaşık iki kat artırıyordu. Bu, her iki yılda bir gücü iki katına çıkan CPU’ların evrimi ile çok iyi uyum sağladı.”

“Ancak, son 10 yılda, işlemci gücüne olan talebin her yıl 10 kat arttığını gördük. Bu, bugün ne yaparsak yapalım, bundan iki yıl sonra hesaplama hızının iki katına çıkacağı, ancak yapay zekanın ihtiyaç duyacağı hesaplama miktarının 100 kat artacağı anlamına geliyor.”

Her biri artan zeka seviyelerine sahip, sayıları giderek artan devasa yapay zeka modelleri ile yapay zekadaki ilerleme çok yakında bir darboğaza girecek. Imec bu sorunu çözmenin yollarını araştırıyor ve araştırmacılar en iyi seçeneğin yazılım ve donanımın kesişim noktasında, iş yükünü kaldırabilecek ve algoritmalarla el ele gelişebilecek yeni bilgisayar sistemi mimarileri inşa etmek olduğunu düşünüyor.

“Bu sistemlerin bir şekilde çalışacağı, ancak hepsini yapmak için çok yavaş olacağı başka bir AI kışı geçirme riskiyle karşı karşıyayız. Şimdi bu konuda hiçbir şey yapmazsak olacağı bu.”

Steven Latre, Imec

Yapay zekanın eğitim aşaması, bilgi işlem ihtiyaçlarının çok hızlı arttığı alanlardan sadece biridir. Bu aşamada, makine öğrenimi sistemleri çok büyük etiketli veri kümelerini sıkıştırır ve sinir ağları geliştirir. Ama orada bitmiyor. Yapay zeka sistemlerinin geliştirilmesi ve devreye alınmasındaki diğer aşamalarda da bilgi işlem gücüne yönelik artan bir talep ortaya çıkıyor.

Eğitim aşamasında oluşturulan modeller, çok sayıda nöron ve parametre ile çok büyüktür. Bu modeller haftanın yedi günü, günde 24 saat çalışan bir uygulamada dağıtıldığında, bilgi işlem gücü gereksinimleri, eğitim aşamasında ihtiyaç duyulana benzer olacaktır. Talep her yıl 10 kat artacak.

Latr, “Bunu DALL-E ve GPT-3 tipi ortamlarda zaten görüyoruz” diyor.Bu. “Bilgisayarınıza indirip sadece play tuşuna basıp onunla oynadığınız bir şey değiller. Beş yıl önce, bunu yapabilirdin. Bugün yapamazsın.

“20 yıl önceki derin öğrenme eleştirisine bakarsanız, insanlar bunun işe yaramadığını söylemiyor, sadece yeterince somut bir şey inşa etmek için çok yavaş olduğunu söylüyorlardı. Bilgi işlem gücü bu algoritmaları barındıracak kadar büyüdü, ancak aynı sorun bundan beş veya 10 yıl sonra ortaya çıkacak. Bu sistemlerin işe yarayacağı, ancak hepsini yapmak için çok yavaş olacağı başka bir AI kışı geçirme riskiyle karşı karşıyayız. Şimdi bu konuda hiçbir şey yapmazsak olacağı şey bu.”

Bulut AI performansını artırmak için Imec, tasarımcıların yeni nesil süper bilgisayarları oluşturmasına olanak tanıyacak yeni bilgisayar sistemi mimarileri, teknolojiler inşa ediyor – böylece hesaplama performansı AI algoritmalarının gereksinimlerini yakalayabilir ve onlara. Latrartan bu talebi karşılamanın yolunun donanım veya yazılıma ayrı ayrı odaklanın, ancak ikisi üzerinde birlikte çalışın.

Kenar AI

Imec’in üzerinde çalıştığı ikinci konu ise Edge AI. Bulutta devasa bilgi işlem kaynaklarına sahip olmak önemli olmakla birlikte, akıllı telefonlarda veya giyilebilir cihazlarda mevcut modellerin gücünün bir kısmına sahip olmak da önemlidir ve modeller kişiselleştirilmelidir.

Latr, “Egzersiz yapmamda bana sürekli olarak yardımcı olan bir yapay zeka sistemi düşünün” diyor.Bu. “Bir Apple Watch sistemi, tüm yaşam tarzımı cihazın kendisinde ölçebilir ve bana kişiselleştirilmiş öneriler verebilir. Bu zaten çok karmaşık bir AI modeli gerektiriyor, ancak şimdi buna benim için kişiselleştirilmiş olduğu gerçeğini ekleyin ve işler daha da karmaşık hale geliyor.”

Bazı yönlerden, uç AI ile ilgili zorluklar, bulut AI ile ilgili zorluklara benzer – ancak bazı önemli farklılıklar vardır. Enerji tüketimi, uç cihazlarda daha büyük bir endişe kaynağıdır. Bulutta olabildiğince fazla enerji yakamazsınız. Sonuçta, uç teknoloji çok küçük pillerle çalışır, bu da farklı türde makine öğrenimi gerektirdiği anlamına gelir.

Imec, uygulama ve sensörler hakkında ne kadar çok şey bilirseniz, AI modelinizi o kadar verimli hale getirebileceğiniz pratik yaklaşımını benimser. Enerji tüketimini azaltmak için yapılabilecek pek çok optimizasyon var ve bu, genel bilgi işlem hizmetlerini gerçekleştirmesi gereken bulut yapay zekasının tam aksine.

AI topluluğu, uç uygulamalar için belirli algoritmalar oluşturmakta gecikirken, Imec bunun bir odak alanı olarak kabul edilecek kadar önemli olduğunu düşünüyor ve şu anda üzerinde çalışıyor.

Latr, “Sensörlerle sıkı entegrasyona gerçekten bakıyoruz” diyorBu. “Sahip olduğunuz sensörlerin türünü ve geliştirmek istediğiniz uygulama türünü biliyorsanız, yapay zeka hesaplama modelini buna uyacak şekilde tasarlayabilirsiniz. Büyük bir araştırma kuruluşu olarak sahip olduğumuz avantajlardan biri, bu entegre yaklaşım için gereken uzmanlık yelpazesine sahip olmamızdır.”

Imec zaten bazı temel teknolojilere ve becerilere sahip. Yıllardır sensörler üretiyor, sensörlere göre uyarlanmış algoritmalara sahip ve belirli AI bilgisayar çipleri – mevcut nesil derin öğrenme çip türleri – oluşturuyor. Ayrıca insan beyninin nasıl çalıştığını taklit eden nöromorfik çipleri araştırıyor. Ne de olsa beyin, hiçbir modern AI algoritmasının bile dokunamadığı görevleri gerçekleştirmek için çok az enerji kullanır.

sağlık hizmetlerinde yapay zeka

Imec’in üçüncü odak alanı sağlık hizmetleridir. Hızla büyüyen bir alan, kişiselleştirilmiş tıptır – sensörlere dayanan ve AI’nın genellikle sensörler tarafından üretilen çok miktarda ham veriden içgörü üretmek için doğru teknoloji olduğu kişisel tedavilerdir. Ancak bu durumda belirli bir AI türü gereklidir – ve iki nedenden dolayı.

İlk neden, bir insanın eğitim verilerine bakması ve bir makine öğrenimi modeline beslenmesi gereken etiketleri tanımlaması önemsiz bir konu olsa da, bir yapay zekanın etiketleri kendi başına bulması çok zordur. Ancak sağlık uygulamalarında, bir sistemin, insanların kategorileri tanımlayamadığı verilerde kalıplar bulması gerekir. Bu, tamamen farklı bir yapay zeka türü olan denetimsiz öğrenmeyi gerektirir.

Yapay zekanın kişiselleştirilmiş tıp için farklı olmasının ikinci nedeni, sadece görüntü tanımadan fazlasını gerektirmesidir. Yapay zeka modellerinin sağlık hizmetlerinde kullanılabilmesi için, diğer üç yönün çok yüksek düzeyde mevcut olması gerekir: açıklanabilirlik, güvenilirlik ve mahremiyet.

Açıklanabilirlik, insanların bir AI modelinin kararlarını nasıl verdiğini anlamasını mümkün kılmakla ilgilidir. Eğitim aşaması, anlaşılması imkansız olan devasa sinir ağları üretir. Yapay zekanın sağlık hizmetlerinde kullanılabilmesi için daha fazla açıklanabilir olması gerekiyor.

Latr, “Görselleştirmeler genellikle bir algoritmanın belirli bir karara nasıl ulaştığını açıklamak için kullanılır” diyor.Bu. “Örneğin, bir fotoğraftaki hangi öğelerin AI sistemi için önemli olduğunu görselleştiren bir ısı haritasını düşünün. Çoğu zaman bu görselleştirmeler o kadar net bir şekilde yorumlanamaz. Bu nedenle, daha yeni araştırmalar, yapay zekanın bir karara nasıl ulaştığını anlaşılır bir şekilde açıklamasına yardımcı olmak için dili kullanmaya daha fazla odaklanıyor.”

O zaman güven gelir. AI modelleri bir girdi alır ve çıktıdan ne kadar emin olduklarına bakılmaksızın her zaman bir çıktı üretir. Kesinlik derecesi genellikle sağlanmaz. Ancak sağlık uygulamalarında amaç, doktorları kısmen bir bilgisayarla değiştirmektir. Algoritma, bir doktorun daha sonra kullanabileceği tıbbi tavsiyeler verir. Bunun işe yaraması için yapay zekanın bir doktor kadar güvenilir olması gerekiyor, bu da şüphesini ifade etmesi gerektiği anlamına geliyor.

Latré, “Yapay zekanın zaten çok iyi durumda olduğu pek çok vaka var – belki de vakaların %99’unda” diyor. “Fakat başarısız olduğu vakaların %1’inde sefil bir şekilde başarısız oluyor. Sağlıkta istediğiniz kesinlikle bu değil.”

“AI’nın zaten çok iyi durumda olduğu pek çok vaka var – belki de vakaların %99’unda. Ancak başarısız olduğu vakaların %1’inde sefil bir şekilde başarısız oluyor. Sağlıkta istediğiniz kesinlikle bu değil”

Steven Latre, Imec

Gizliliğe gelince, farklı veri kaynaklarını birleştirmek ve büyük bir fark yaratabilecek şekillerde gizli bilgileri bulmak için büyük bir fırsat var. Kan sonuçları, giyilebilir bir cihaz tarafından üretilen egzersiz ve stres düzeyi bilgileriyle birleştirilebilir. Bu aynı zamanda genetik veriler ve diğer tıbbi kayıtlarla birleştirilebilir. Tüm bu bilgileri birleştirerek kişiye özel tedavi geliştirilebilir.

Tüm bu veriler bir kişiyle bağlantılıdır ve farklı yerlerde bulunur – bir doktorun ofisinde, bulutta veya giyilebilir bir cihazda. Veri analizi açısından, tüm bu bilgileri merkezi bir veritabanında birleştirmek güzel olurdu. Ancak mahremiyet açısından bu bir felaket olur.

Imec, verileri gizliliği ihlal etmeden kullanmanın yollarını araştırıyor. Bir araştırma alanı üzerinde Sağlamtarafından icat edilen bir terim Tim Berners-Lee, World Wide Web’in mucidi. Solid projesi, Massachusetts Institute of Technology’de Berners-Lee tarafından yönetiliyor.

Latr, “Bu konsepti oluşturma konusunda çok fazla uzmanlığa sahibiz” diyor.Bu. “Solid, bir vatandaş olarak tüm verilerinize erişebildiğiniz kişiselleştirilmiş bir veri kasasıdır. Kimin neye erişeceğini kontrol edebilir ve bu erişimi tekrar iptal edebilirsiniz.

Imec’te, makine öğrenimi düzeyinde, bunun da ötesinde gizliliği korumaya odaklanıyoruz. Kendiniz için verilerle kişiselleştirilmiş veri kasalarına ve belki klinisyende ve belki de genom merkezinde bir veri tabanına sahipsiniz. Cevaplamaya çalıştığımız soru şu: Tüm bu farklı kalıpları öğrenebilen, ancak verileri merkezileştirmeden, onu veri ihlallerine karşı savunmasız hale getirecek bir makine öğrenimi sistemini nasıl kurabiliriz?”

Bu kavram denir birleşik öğrenme. Makine öğrenimi AI modeli, farklı kaynaklardan gelen verileri bir araya getirmeden her veri kümesinden öğrenerek veritabanından veritabanına gider. Imec, en iyi yaklaşımın, zekayı sensöre yaklaştıran uç AI ile birleşik öğrenmeyi birleştirmek olduğuna inanıyor.

Birçok zorluk devam ediyor, ancak LatrBu en önemli işin saf araştırmanın meyvelerini sanayiye götürmede yattığına inanıyor. “Son beş yılda teorik bir perspektiften çok sayıda atılım gerçekleştirdik” diyor. “Yakın gelecekte atılımlar gördüğüm yer uygulama düzeyinde. Bu, teorik atılımların endüstri tarafından kullanılabilecek bir şeye dönüştürülmesini içerir.”

Read Previous

ABD-Çin çip savaşı BT liderlerini nasıl etkileyecek?

Read Next

TIP 5G, özel 5G ağ ekonomisini dönüştürmenin yolunu açmayı planlıyor

Leave a Reply

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

organik hit - iş fikirleri -