Czy oglądaliście kiedyś jakiś film, gdzie kosmita z kosmosu wyciąga zza pazuchy świecący kryształ albo połyskującą sferę, kładzie ją na stole i nagle wszystkie światła i komputery zaczynają szaleć? Albo wkłada palucha do słuchawki niesprawnego telefonu i już może dzwonić po kumpli na Alfa Centauri? Cóż, prawdę powiedziawszy, ja też nie. Za to – jak się okazuje – Ziemianie mogą mieć wkrótce własny przenośny komputerowy „dopalacz”. I to już nie jest sci-fi. To tzw. deep-learning.
Znany kalifornijski tytan Movidius, znany głównie ze swoich wydajnych procesorów, zaproponował ostatnio małe, nie różniące się wyglądem od pendrajwa urządzonko o tajemniczej nazwie Fathom Neural Compute Stick. Zdaniem twórców ma to być pierwszy przenośny i względnie uniwersalny akcelerator sieci neuronowych o mocy rzędu 1W. Uzbrojony został we flagowy wyrób – procesor Myriad 2, uznany ze bardzo wysoką wydajność, przy bardzo niskim zapotrzebowaniu na energię.
Krótko o sieciach neuronowych i deep-learning
Jeśli chcesz, aby Twój program przeliczał tabliczkę mnożenia, to wprowadzasz mu odpowiedni wzór, lub wzory. Jeśli chcesz, by robił coś bardziej zawiłego, np. zasłaniał żaluzje, gdy w pomieszczeniu jest jaśniej niż na dworze, wówczas kodujesz mu odpowiedni mniej lub bardziej zawiły algorytm. Co jest wadą tych systemów? Odpowiedź: ograniczona pula reguł, bibliotek i możliwości adaptacyjnych. Tak napisany skrypt będzie prawdopodobnie doskonale sprawdzał się na swoim polu, jednak nie będzie w stanie realizować bardziej wyszukanych funkcji, których nie przewidział twórca.
W przypadku sieci neuronowych ogromne ilości danych są przetwarzane przez samo urządzenie, a specjalne systemy „samo-uczące” generują w oparciu o nie własne tablice reguł. Zdolności aplikacji rosną więc wraz z czasem pracy i ilością zebranych danych. Bez obaw, zanim pralki i kalkulatory zaczną wysyłać pociski atomowe na Rosję lub Stany, minie jeszcze trochę czasu. Póki co, technologie te wykorzystywane są m.in. do identyfikacji obiektów na zdjęciach i zapisach video, do rozumienia mowy, dynamicznego wyznaczania tras przez nawigacje GPS, tłumaczenia języków, realizacji skryptów ewolucyjnych, czy wykrywania wzorców powtarzalności. Sieci znacząco przewyższają wydajnością i adaptacyjnością klasyczne systemy algorytmiczne, aczkolwiek są przez to trudniejsze w projektowaniu i wymagają znacznie mocniejszych maszyn.
Fathom – sieć neuronowa w „pendrajwie”
Dzięki typowemu interfejsowi USB, Fathom może współpracować z całą gamą różnorakich urządzeń, poprawiając ich zdolności w dziedzinie obliczeń neuronowych o całe rzędy wielkości. Wspiera popularne frameworki, jak Caffe czy TensorFlow. Podłączony do komputera zachowuje się jak narzędzie do ewaluacji i profilowania sieci i może być użyte chociażby do szybszej i bardziej efektywnej pracy nad prototypowymi rozwiązaniami opartymi o koncepcje sztucznej inteligencji. Następnie, tak wyćwiczoną na PC sieć, można łatwo dostosować i przenieść na inne urządzenie. Haczyk? Musi być oparte na procesorze Myriad 2.
Fathom – procesor w „pendrajwie”
Główne atuty
- Pierwszy na świecie moduł akceleratora sieci neuronowych (Deep Neural Network)
- Umożliwia błyskawiczne opracowywanie prototypów, testowanie, konfigurację i optymalizację
- Współpracuje ze standardowymi frameworkami
- Pozwala na transfer sieci na fizyczne urządzenia poprzez USB
- Współpracuje z procesorem Myriad 2, co daje możliwość zastosowań komercyjnych
