AI-supercomputer bygget ved at trykke på datavarehuse for deres ledige computerkraft

De seneste forbedringer i tale- og billedgenkendelse er kommet, efterhånden som virksomheder som Google bygger større, mere kraftfulde computersystemer til at køre maskinlæringssoftware. Nu en slægtning minow, et privat firma kaldet Følende med kun omkring 70 ansatte, siger, at det billigt kan samle endnu større computersystemer til at drive kunstig intelligens-software.

Virksomhedens tilgang er muligvis ikke egnet til alle typer maskinlæring, en teknologi, der har så forskellige anvendelser som ansigtsgenkendelse og finansiel handel. Sentient har ikke offentliggjort detaljer, men siger, at det har vist, at det kan sammensætte nok computerkraft til at producere betydelige resultater i nogle tilfælde.

Sentients kraft kommer fra at forbinde hundredtusindvis af computere over internettet for at arbejde sammen, som om de var en enkelt maskine. Virksomheden vil ikke sige præcis, hvor alle de maskiner, det tapper ind, er. Men mange er inaktive i datacentre, de lagerlignende faciliteter, der driver internettjenester såsom websteder og mobilapps, siger Babak Hodjat, medstifter og chefforsker hos Sentient. Virksomheden betaler en datacenteroperatør for at gøre brug af sine reservemaskiner.

Datacentre har ofte et betydeligt antal ledige maskiner, fordi de er bygget til at håndtere stigninger i efterspørgslen, såsom et rush af salg på Black Friday. Sentient har skabt software, der forbinder maskiner forskellige steder over internettet og sætter dem i gang med at køre maskinlæringssoftware, som om de var en meget kraftfuld computer. Denne software er designet til at holde data krypteret så meget som muligt, så det Sentient arbejder på – måske for en klient – ​​holdes fortroligt.

Sentient kan få op til en million processorkerner til at arbejde sammen om det samme problem i flere måneder ad gangen, siger Adam Beberg, hovedarkitekt for distribueret databehandling i virksomheden. Googles største maskinlæringssystemer når ikke den skala, siger han. En Google-talsmand afviste at dele detaljer om virksomhedens infrastruktur og bemærkede, at resultater opnået ved hjælp af maskinlæring er vigtigere end omfanget af computersystemet bag det. Google bruger maskinlæring i vid udstrækning inden for områder som søgning, talegenkendelse og annoncemålretning.

Beberg var med til at pionere ideen om at forbinde computere forskellige steder for at arbejde sammen om et problem (se Innovators Under 35: 1999). Han var grundlægger af Distributed.net, et projekt, der var et af de første til at demonstrere den idé i stor skala. Dens teknologi førte til indsatser som f.eksSeti@HomeogFolding@Home, hvor millioner af mennesker installerede software, så deres pc'er kunne hjælpe med at søge efter fremmede liv eller bidrage til molekylærbiologisk forskning.

Sentient blev grundlagt i 2007 og har modtaget over 140 millioner dollars i investeringsfinansiering, hvoraf lidt over 100 millioner dollars blev modtaget sidst sidste år. Virksomheden har indtil videre fokuseret på at bruge sin teknologi til at drive en maskinlæringsteknik kendt som evolutionære algoritmer. Det involverer at avle en løsning på et problem fra en indledende population af mange lidt forskellige algoritmer. De bedste performere af den første generation bruges til at danne grundlaget for den næste, og over successive generationer bliver løsningerne bedre og bedre.

Sentient tjener i øjeblikket nogle indtægter fra drift af finansielle handelsalgoritmer skabt ved at køre sin evolutionære proces i flere måneder ad gangen på hundredtusindvis af processorer. Men virksomheden planlægger nu at bruge sin infrastruktur til at tilbyde tjenester målrettet industrier som sundhedspleje eller onlinehandel, siger Hodjat. Virksomheder i disse industrier ville teoretisk betale Sentient for disse produkter.

Han vil ikke sige mere om, hvad det kan være. Sentient har forsket sammen med University of Toronto og MIT for at skabe software, der kan forudsige udviklingen af ​​sepsis hos ICU-patienter ud fra data som blodtryk og andre vitale indikatorer, siger Hodjat. Resultaterne viste, at softwaren kunne give 30 minutters advarsel om udvikling af sepsis med omkring 90 procent nøjagtighed, men virksomheden har besluttet ikke at kommercialisere det arbejde, siger han.

Senere har Sentient forsøgt at tilpasse sin tilgang til at arbejde med en type kunstig intelligens kaldet deep learning. Denne teknik har for nylig produceret slående gennembrud inden for områder som billed- og talegenkendelse, og den er blevet hovedfokus for arbejdet med kunstig intelligens hos virksomheder som Google, Facebook og Baidu (se 10 Breakthrough Technologies 2013: Deep Learning). Nogle af de bedste resultater inden for dyb læring kommer fra at køre software på meget kraftfulde, specialiserede computere (se Baidu's Artificial-Intelligence Supercomputer Beats Google på Image Recognition).

Reza Zadeh , en konsulentprofessor ved Stanford University, som arbejder på at få maskinlæring til at fungere i stor skala, siger, at brug af en stor samling af computere forskellige steder fungerer godt til nogle problemer - men ikke alle.

Det er mest kraftfuldt, når en opgave kan opdeles i små stykker, som individuelle computere kan arbejde på uden at skulle kommunikere meget over internettet, hvilket er relativt langsomt. Men nogle af de mest lovende måder at gøre maskinlæring mere kraftfuld på kræver, at forskellige processorer kommunikerer meget, siger Zadeh.

Google og Baidu har rapporteret store resultater med at bruge dyb læring til tale- og billedgenkendelse ved at bruge meget store datasæt eller bygge større kunstige neurale netværk. Begge tilgange kræver konstante datastrømme mellem forskellige processorer, siger Zadeh.

Berberg er enig i, at deep learning er sværere at tilpasse til et system med hundredtusindvis af computere, der er forbundet via internettet, men siger, at Sentient gør fremskridt. Det har tusindvis af processorer, der arbejder på deep learning på én gang, siger han.

skjule