211service.com
Une puce IA pour aider les ordinateurs à comprendre les images
Une approche puissante de l'intelligence artificielle pourrait arriver sur les smartphones.
Des chercheurs de l'Université Purdue travaillent à commercialiser des conceptions de puces pour aider les processeurs mobiles à utiliser la méthode d'IA connue sous le nom d'apprentissage en profondeur. Bien que la puissance de l'apprentissage en profondeur ait incité des entreprises telles que Google, Facebook et Baidu à investir dans la technologie, elle s'est jusqu'à présent limitée à de grands clusters d'ordinateurs puissants. Lorsque Google a développé un logiciel qui a appris à reconnaître les chats à partir de vidéos YouTube, l'expérience a nécessité 16 000 processeurs (voir Logiciels autodidactes ).
Être capable de mettre en œuvre un apprentissage en profondeur de manière plus compacte et plus économes en énergie pourrait conduire à des smartphones et à d'autres appareils mobiles capables de comprendre le contenu des images et des vidéos, selon Eugenio Culurciello , professeur à Purdue travaillant sur le projet. En décembre, au Conférence sur les systèmes de traitement de l'information neuronale au Nevada, le groupe a démontré qu'un coprocesseur connecté à un processeur de smartphone conventionnel pouvait l'aider à exécuter un logiciel d'apprentissage en profondeur. Le logiciel était capable de détecter des visages ou d'étiqueter des parties d'une scène de rue. La conception du coprocesseur a été testée sur un FPGA, une puce reconfigurable qui peut être programmée pour tester une nouvelle conception matérielle sans les dépenses considérables liées à la fabrication d'une toute nouvelle puce.
Le prototype est beaucoup moins puissant que des systèmes comme le détecteur de chat de Google, mais il montre comment de nouvelles formes de matériel pourraient permettre d'utiliser plus largement la puissance du deep learning. Il y a un besoin pour cela, dit Culurciello. Vous avez probablement une collection de plusieurs milliers d'images que vous ne regardez plus jamais, et nous n'avons pas une bonne technologie pour analyser tout ce contenu.
Des appareils tels que Google Glass pourraient également bénéficier de la capacité de comprendre les nombreuses images et vidéos qu'ils capturent, dit-il. Les images et les vidéos d'une personne peuvent être recherchées à l'aide de texte - voiture rouge ou journée ensoleillée avec maman, par exemple. De même, de nouvelles applications pourraient être développées pour agir lorsqu'elles reconnaissent des personnes, des objets ou des scènes particuliers.
Le logiciel d'apprentissage en profondeur fonctionne en filtrant les données à travers un réseau hiérarchique et multicouche de neurones simulés qui sont individuellement simples mais peuvent présenter un comportement complexe lorsqu'ils sont liés les uns aux autres (voir Apprentissage profond). Les ordinateurs sont inefficaces pour faire fonctionner ces réseaux car ils sont très différents des logiciels conventionnels.
La conception du coprocesseur de Purdue est spécialisée pour exécuter avant tout des réseaux de neurones multicouches et pour les mettre en œuvre sur des images en streaming. Lors des tests, le prototype s'est avéré environ 15 fois plus efficace que l'utilisation d'un processeur graphique pour la même tâche, et Culurciello pense que des améliorations au système pourraient le rendre 10 fois plus efficace qu'il ne l'est actuellement.
Narayan Srinivasa , directeur du centre des systèmes neuronaux et émergents des Laboratoires HRL, un laboratoire de recherche détenu conjointement par Boeing et General Motors, déclare qu'il est logique d'utiliser un coprocesseur pour aider à mettre en œuvre des réseaux d'apprentissage en profondeur plus efficacement. C'est parce que dans les ordinateurs conventionnels, un processeur et sa mémoire résident dans des morceaux séparés de matériel. En revanche, les opérations des réseaux de neurones de style apprentissage en profondeur et les vrais réseaux de neurones dont ils s'inspirent s'entremêlent mémoire et traitement. Les propres recherches de Narayan se concentrent sur la résolution de ce problème avec une solution plus extrême - la conception de puces avec des neurones et des synapses en silicium qui imitent ceux de vrais cerveaux (voir Thinking in Silicon ).
La solution du groupe Purdue ne représente pas une refonte aussi fondamentale du fonctionnement des puces informatiques. Cela peut limiter l'efficacité avec laquelle leurs conceptions peuvent exécuter des réseaux de neurones d'apprentissage en profondeur, mais également faciliter leur utilisation dans le monde réel. Culurciello a déjà créé une entreprise, appelée TeraProfond , pour commercialiser ses créations.
L'idée est que nous vendions l'IP pour implémenter cela afin qu'un grand fabricant comme Qualcomm ou Samsung ou Apple puisse ajouter cette fonctionnalité à son processeur afin qu'il puisse traiter les images, explique Culurciello. Yann LeCun , un pionnier de l'apprentissage en profondeur à l'Université de New York qui a récemment commencé mener la recherche de Facebook dans le domaine , est un conseiller de l'entreprise.