211service.com
Din næste computer kan blive bedre med alderen
Jon Han
Generelt bliver computere langsommere, når de bliver ældre. Deres processorer kæmper for at håndtere nyere software. Apple endda bevidst sinker sine iPhones efterhånden som deres batterier nedbrydes. Men Google-forskere har offentliggjort detaljer om et projekt, der kunne lade en bærbar computer eller smartphone lære at gøre tingene bedre og hurtigere over tid.
Forskerne tacklede et almindeligt problem inden for computing, kaldet prefetching. Computere behandler information meget hurtigere, end de kan trække den fra hukommelsen for at blive behandlet. For at undgå flaskehalse forsøger de at forudsige, hvilke oplysninger der sandsynligvis er nødvendige, og trække dem på forhånd. Efterhånden som computere bliver mere kraftfulde, bliver denne forudsigelse gradvist sværere.
I et papir offentliggjort online i denne uge, beskriver Google-teamet brugen af deep learning - en kunstig intelligens-metode, der anvender et stort simuleret neuralt netværk - for at forbedre prefetching. Selvom forskerne ikke har vist, hvor meget dette fremskynder tingene, kan boostet være stort i betragtning af, hvad dyb læring har bragt til andre opgaver.
Det arbejde, vi gjorde, er kun toppen af isbjerget, siger Heiner Litz fra University of California, Santa Cruz, en gæsteforsker på projektet. Litz mener, at det burde være muligt at anvende maskinlæring på alle dele af en computer, lige fra operativsystemet på lavt niveau til den software, som brugerne interagerer med.
Sådanne fremskridt ville være passende. Moores lov er endelig ved at bremse, og det grundlæggende design af computerchips har ikke ændret sig meget i de seneste år. Tim Kraska , en lektor ved MIT, som også undersøger, hvordan maskinlæring kan få computere til at fungere bedre, siger, at tilgangen også kan være nyttig for algoritmer på højt niveau. En database kan automatisk lære, hvordan man håndterer økonomiske data i modsætning til f.eks. sociale netværksdata. Eller en applikation kan lære sig selv at reagere på en bestemt brugers vaner mere effektivt.
Vi har en tendens til at bygge generelle systemer og hardware, siger Kraska. Maskinlæring gør det muligt, at systemet automatisk tilpasses til sin kerne til en brugers specifikke data og adgangsmønstre.
Kraska advarer om, at brug af maskinlæring forbliver beregningsmæssigt dyrt, så computersystemer vil ikke ændre sig fra den ene dag til den anden. Men hvis det er muligt at overvinde disse begrænsninger, siger han, kan den måde, vi udvikler systemer på, ændre sig fundamentalt i fremtiden.
Litz er mere optimistisk. Den store vision er et system, der konstant overvåger sig selv og lærer, siger han. Det er virkelig starten på noget virkelig stort.