211service.com
Supercomputer AI creato sfruttando i data warehouse per la loro potenza di calcolo inattiva
I recenti miglioramenti nel riconoscimento vocale e delle immagini sono arrivati quando aziende come Google costruiscono sistemi di computer più grandi e potenti per eseguire software di apprendimento automatico. Ora un pesciolino relativo, ha chiamato una società privata Senziente con solo circa 70 dipendenti, afferma di poter assemblare a buon mercato sistemi informatici ancora più grandi per alimentare software di intelligenza artificiale.
L'approccio dell'azienda potrebbe non essere adatto a tutti i tipi di apprendimento automatico, una tecnologia che ha usi vari come il riconoscimento facciale e il trading finanziario. Sentient non ha pubblicato i dettagli, ma afferma di aver dimostrato di poter mettere insieme una potenza di calcolo sufficiente per produrre risultati significativi in alcuni casi.
Il potere di Sentient deriva dal collegare centinaia di migliaia di computer su Internet per lavorare insieme come se fossero una singola macchina. L'azienda non dice esattamente dove si trovano tutte le macchine a cui attinge. Ma molti sono inattivi all'interno dei data center, le strutture simili a magazzini che alimentano servizi Internet come siti Web e app mobili, afferma Babak Hodjat, cofondatore e scienziato capo di Sentient. L'azienda paga un operatore di data center per utilizzare le sue macchine di riserva.
I data center hanno spesso un numero significativo di macchine inattive perché sono costruiti per gestire i picchi di domanda, come l'impennata delle vendite durante il Black Friday. Sentient ha creato un software che collega macchine in luoghi diversi su Internet e le mette in funzione eseguendo software di apprendimento automatico come se fossero un computer molto potente. Quel software è progettato per mantenere i dati crittografati il più possibile in modo che ciò su cui Sentient sta lavorando, forse per un client, sia mantenuto riservato.
Sentient può ottenere fino a un milione di core di processore che lavorano insieme sullo stesso problema per mesi alla volta, afferma Adam Beberg, principale architetto per l'elaborazione distribuita presso l'azienda. I più grandi sistemi di apprendimento automatico di Google non raggiungono quella scala, dice. Un portavoce di Google ha rifiutato di condividere i dettagli dell'infrastruttura dell'azienda e ha osservato che i risultati ottenuti utilizzando l'apprendimento automatico sono più importanti della scala del sistema informatico alla base. Google utilizza ampiamente l'apprendimento automatico, in aree come la ricerca, il riconoscimento vocale e il targeting degli annunci.
Beberg ha contribuito all'idea di collegare computer in luoghi diversi per lavorare insieme su un problema (vedi Innovators Under 35: 1999). È stato uno dei fondatori di Distributed.net, un progetto che è stato uno dei primi a dimostrare quell'idea su larga scala. La sua tecnologia ha portato a sforzi comeSet@CasaePieghevole@Casa, in cui milioni di persone hanno installato software in modo che i loro PC potessero aiutare a cercare la vita aliena o contribuire alla ricerca di biologia molecolare.
Sentient è stata fondata nel 2007 e ha ricevuto oltre 140 milioni di dollari in finanziamenti di investimento, di cui poco più di 100 milioni ricevuti alla fine dell'anno scorso. Finora l'azienda si è concentrata sull'utilizzo della sua tecnologia per alimentare una tecnica di apprendimento automatico nota come algoritmi evolutivi. Ciò comporta l'allevamento di una soluzione a un problema da una popolazione iniziale di molti algoritmi leggermente diversi. I migliori risultati della prima generazione vengono utilizzati per formare la base della successiva e nelle generazioni successive le soluzioni migliorano sempre di più.
Attualmente Sentient guadagna delle entrate dalla gestione di algoritmi di trading finanziario creati eseguendo il suo processo evolutivo per mesi su centinaia di migliaia di processori. Ma l'azienda ora prevede di utilizzare la sua infrastruttura per offrire servizi mirati a settori come l'assistenza sanitaria o il commercio online, afferma Hodjat. Le aziende di questi settori teoricamente pagherebbero Sentient per quei prodotti.
Non dirà altro su cosa potrebbero essere. Sentient ha svolto ricerche con l'Università di Toronto e il MIT per creare un software in grado di prevedere lo sviluppo della sepsi nei pazienti in terapia intensiva da dati come la pressione sanguigna e altri indicatori vitali, afferma Hodjat. I risultati hanno mostrato che il software potrebbe fornire un avviso di 30 minuti di sepsi in via di sviluppo, con una precisione di circa il 90 percento, ma la società ha deciso di non commercializzare quel lavoro, dice.
Più recentemente Sentient ha cercato di adattare il suo approccio per lavorare con un tipo di intelligenza artificiale chiamata deep learning. Questa tecnica ha recentemente prodotto scoperte sorprendenti in aree come il riconoscimento delle immagini e del parlato ed è diventata l'obiettivo principale del lavoro sull'intelligenza artificiale in aziende come Google, Facebook e Baidu (vedi 10 Breakthrough Technologies 2013: Deep Learning). Alcuni dei migliori risultati del deep learning derivano dall'esecuzione di software su computer molto potenti e specializzati (vedi Supercomputer di intelligenza artificiale di Baidu batte Google su Image Recognition).
Reza Zadeh , un professore di consulenza presso la Stanford University che lavora per far funzionare l'apprendimento automatico su larga scala, afferma che l'utilizzo di un'ampia raccolta di computer in luoghi diversi funziona bene per alcuni problemi, ma non per tutti.
È più potente quando un'attività può essere suddivisa in piccoli pezzi su cui i singoli computer possono lavorare senza dover comunicare molto su Internet, il che è relativamente lento. Ma alcuni dei modi più promettenti per rendere più potente l'apprendimento automatico richiedono diversi processori per comunicare molto, afferma Zadeh.
Google e Baidu hanno riportato risultati importanti nell'utilizzo del deep learning per il riconoscimento vocale e delle immagini utilizzando set di dati molto grandi o costruendo reti neurali artificiali più grandi. Entrambi gli approcci richiedono flussi di dati costanti tra diversi processori, afferma Zadeh.
Berberg concorda sul fatto che il deep learning sia più difficile da adattare a un sistema di centinaia di migliaia di computer collegati a Internet, ma afferma che Sentient sta facendo progressi. Ha migliaia di processori che lavorano sul deep learning contemporaneamente, dice.