Home » Kunstig intelligens » Maskinlærings-revolutionen bryder ud
Maskinlærings-revolutionen bryder ud

Maskinlærings-revolutionen bryder ud

Share
De særlige krav til hardware

I den ene ende af skalaen har vi det, man kan kalde AI-infrastruktur, altså de supercomputere og cloud-installationer, man bruger til at håndtere de kolossale dataanalyser og generere mønsterkort og modeller. Og i den anden? Der har vi klientenheder, som bruger disse modeller til praktiske applikationer.

De er den sidstnævnte del, der interesserer os mest som pc-entusiaster. Det altafgørende spørgsmål er med andre ord, om AI er et klart definerbart computerparadigme, der drager nytte af dedikeret hardware i klientenheder som pc’er og telefoner.

Betyder det noget at have teknologi i stil med “AI-computerkerner” eller specifikke dele af en chip, som er udtrykkeligt udviklet til at accelerere AI-applikationer? Eller er AI på klientniveau primært markedsførings-spin?

Nvidias GV100-gpu var den første, der fik AI-accelererende Tensor-kerner.

Det er givet, at chips fra de store producenter i stigende grad bliver solgt på deres AI-kvaliteter. Det mest iøjnefaldende eksempel, når det gælder pc’er, er Nvidias grafikchips. I adskillige generationer har Nvidias gpu’er lokket med specifikke AI-kvaliteter takket være en egenskab, der bliver kaldt en Tensor-kerne.

Nvidias Tensor-kerner blev først set i Nvidias Volta-gpu’er til professionelle formål og siden i Turing-familien af gaming-gpu’er, hvor de blev solgt som GeForce RTX 20-serien. Nvidias Tensor-kerner er nu i deres tredje generation i Ampere-gpu’er, der ellers er kendt som GeForce RTX 30-serien.

Enheds-AI vs. skyen

Hvordan håndterer man bedst AI?

Hvis man beder om et eksempel på anvendelig brug af AI, får man sandsynligvis en af de tre store digitale assistenter: Amazon Alexa, Apple Siri eller Google Assistant. Men er det bedst at køre disse tjenester på en enhed eller oppe i skyen? Tag Apples iPhone.

Se også:  Stjæler AI en masse job? – formentlig ikke

Man vil måske blive overrasket over, hvor meget af den velkendte iPhones funktionalitet, der bliver drevet eller i hvert fald udvidet af AI. AI bliver for eksempel brugt til at skelne mellem bevidste inputs og uønskede strøg over den berøringsfølsomme touchskærm.

Algoritmer til maskinlæring bliver også brugt til at skemalægge opladning, til at forbedre batterilevetid og til at sortere billeder i Photo-appen indeni færdiglavede albummer og identificere mennesker med ansigtsgenkendelse.

Afhængigt af en iPhones årgang kan den også være i stand til at bruge maskinlæring på flere billeder til at producere et enkelt foto af høj kvalitet. Selv Apples forslag til tekst bliver støttet af maskinlæring. Det særlig interessante ved Apples tilgang til AI er den måde, hvorpå den passer ind i valget mellem AI, der bliver leveret lokalt på enheder, i kontrast til oppe i skyen og i datacentre.

Modsat Google, Amazon og Facebook foretrækker Apple enheds-AI frem for at bruge datacentre.

Generelt bevæger Apple sig væk fra skyen til AI på enheden. Apple har allerede inddraget funktioner som Neural Engine i sine chips. De håndterer for eksempel billedanalyse lokalt på enheden. Den tilgang bliver i fremtiden mere og mere normen. Den næste version af Apples mobile operativsystem, iOS 15, tager for eksempel beregningerne bag stemmeassistenten Siri ud af skyen og lægger dem i iPhone-enheden.

Det hænger delvis sammen med privatlivets fred, som Apple betragter som en afgørende forskel på firmaets produkter og tjenester som Amazon, Google og Facebook, der ifølge Apple alle lever af at vide så meget om os som muligt. “Det drejer sig om et af de største privatlivsproblemer ved stemmeassistenter, nemlig uønsket lydoptagelse,” har Apple sagt.

Se også:  Sludrerobot hjælper svindelofre

Men det rejser spørgsmålet: Kan enheds-AI overhovedet konkurrere med de enorme maskinlæringsmodeller, der ligger i datacentre. Det kan ikke overraske, at Apple siger, at det kan den sagtens. “Jeg kan godt forstå den opfattelse, at større modeller i datacentre må være mere nøjagtige, men den er faktisk forkert,” siger John Giannandrea, der er Apples vicedirektør for maskinlæring og AI-strategi. “Det er faktisk teknisk forkert.

Det er bedre at køre modellen tæt på dataene end at flytte rundt på dem. Og uanset om det er lokationsdata – hvad er det, du laver? – eller bevægelsesdata – hvad laver accelerometeret i min telefon? – er det bedst at være tæt på datakilden. Det beskytter også privatlivets fred.” Latens er en anden fordel ved enheds-AI.

John Giannandrea: “Man tager et fotografi, og umiddelbart før man tager billedet med kameraet, ser det alting i realtid. Det kan hjælpe en med at beslutte, hvornår man skal tage sit foto. Hvis man ville træffe den beslutning på en server, skulle man sende hvert eneste øjebliksbillede til serveren for at træffe en beslutning om, hvordan fotografiet skal tages.” Det giver ifølge Giannandrea ingen mening.

Det kan man gøre langt bedre på selve enheden. Selvfølgelig vil tjenester, der er afhængige af enorme datamængder, forblive i skyen i en overskue-lig fremtid. Og når man tager Apples voksende fokus på privatlivets fred i betragtning og hertil lægger firmaets ubestridte kvaliteter, når det gælder om at udvikle både enheder og de chips, der driver dem, fremstår salgsargumentet for de enkelte enheder som en fornuftig tanke.

Men vi har til gode at se, om forbrugerne for alvor går op i privatlivets fred, og om en Neural Engine eller en matrix-matematik-accelerator i en iPhone virkelig kan konkurrere med exaflops af dedikeret Google AI-hardware i et datacenter.

TAGS
AI
Kunstig intelligens
Maskinlæring

DEL DENNE
Share


Mest populære
Populære
Nyeste
Tags

Find os på de sociale medier

Find os på FaceBook

AOD/AOD.dk

Brogårdsvej 22
DK-2820 Gentofte
Telefon: 33 91 28 33
redaktion@aod.dk

Audio Media A/S

CVR nr. 16315648,
Brogårdsvej 22
DK-2820 Gentofte
Telefon: 33 91 28 33
info@audio.dk
Annoncesalg:
Lars Bo Jensen: lbj@audio.dk Telefon: 40 80 44 53
Annoncer: Se medieinformation her


AOD/AOD.dk   © 2022
Privatlivspolitik og cookie information - Audio Media A/S