A-Z ELEKTRO září / říjen 2016

REDAKČNÍ ČLÁNEK září/říjen 2016 | A-Z ELEKTRO | 59 Bez umělé inteligence už to pomalu nejde Pomalu končí doba, kdy bylo možné pro- vozovat systémy bez zpracování dat – ať už v reálném čase, nebo se zpožděním. Data je nutné analyzovat a podle nich přizpůsobit daný systém. Může jít třeba o jednoduché teplotní senzory, které umožňují efektivně ovládat teplotu v místnosti, nebo třeba v celém data- centru či továrně. Množství dat roste exponenciálně a s tím i nutnost řešit zpracování stále většího množství dat co možná nej- efektivněji. Cílem jsou pochopitelně lepší výsledky. U zmíněných teplotních senzorů to může být spotřeba, v jiných případech rychlost zpracování daného úkolu. Strojové učení se postupně dostává do všech segmentů, které si dokážeme představit – od továren a hardwaru, přes zařízení v kapse až po celé softwa- rové systémy umístěné v cloudu. Speciální částí se stávají hluboké neuronové sítě, které dokáží podobně jako lidský mozek řešit opravdu velmi náročné úkoly, jež do této doby dokázal efektivně řešit pouze lidský mozek. A jak fungují? Zjednodušeně jde o sys- témy, které ze vstupních dat a různého nastavení dodají co nejlepší výstupní data. Hluboko uvnitř komplexního propo- jení neuronových sítí je taková forma „černé skříňky“, o které nevíme, co vlastně dělá. Víme o vlastnostech chování jednotlivých částí a vlivech, ale i zkušení inženýři jsou v mnoha případech překvapeni výsledky z někte- rých komplexních systémů založených na hlubokých neuronových sítích. Jak ale efektivně zpracovat rostoucí množství dat a to i s ohledem do bu- doucna? Řešením jsou specializované umělé „mozky“. Grafické čipy jako mezistupeň Google samozřejmě používá strojové učení a umělou inteligenci na mnoha místech a službách – od samotného vyhledávání, přes snímání hlasu, rozpoznávání objektů na fotografiích ve vašich albech až třeba po odpovědi na jakoukoli otázku v rámci technologie Google Now. Zpracování většiny dat probíhá v cloudu a tedy obřích datacentrech, kde běží obrovské množství serverů. Zatímco dříve stačilo pro běžný soft- ware použít procesory, které poskytují univerzální výkon pro komplexní druhy programů, s příchodem strojového učení a umělé inteligence se začínala zvyšovat potřeba po speciálních akcele- rátorech, které jsou efektivnější. Do tohoto segmentu se tak pustila ve velkém například Nvidia, která má vlastní frameworky (cuDNN) a dokáže být při zpracování velkého množství dat pomocí hlubokých neuronových sítí mnohem efektivnější, než klasický obecný procesor (CPU). Vyšší výkon a nižší spotřeba se pochopitelně v ob- řím datacentru obsluhujícím stamili- ony uživatelů velmi značně projeví na konečných nákladech. Ani grafické karty (GPU) ale nej- sou konečnou zastávkou, protože pro umělou inteligenci lze vyvinout ještě specializovanější čipy, které jsou ještě mnohonásobně efektivnější. Google a specializovaný čip TPU Na to přišel i Google, který představil vlastní ASIC čip pod názvem Tensor Pro- cessing Unit, jež byl vyvinutý speciálně pro hluboké neuronové sítě. Google už tyto čipy používá v datacenterech více než rok a jen tak mimochodem se tyto čipy v rámci serverů podílely i na poko- ření milníku v podobě poražení nejlep- šího člověka ve hře Go (systém AlphaGo), což se nikdy předtím nepodařilo. Hlav- ním důvodem je fakt, že oproti šachům je Go ještě řádově komplexnější. Díky specializaci nabízí čip TPU mno- hem efektivnější zpracování hlubokých neuronových sítí a tím pádem vyšší výkon za nižší spotřebu. Dle tvrzení Googlu je čip více než desetkrát efektiv- nější z pohledu výkonu a spotřeby než konkurenční řešení postavené na grafic- kých čipech. Nutno ale podotknout, že architektura je také jednodušší a spo- léhá na méně přesné výpočty (až 8-bit), než umožňují moderní grafické čipy. V každém ohledu se však Googlu podařilo vytvořit opravdu velký evoluční skok, který značně urychlí vývoj budou- cích systémů umělé inteligence, která bude zpracovávat data v cloudu, tedy v datacentrech Googlu. Google vyřešil celkový design karty s čipem TPU i efektivně pro rychlé nasazování v datacentrech. Jednotlivé karty se totiž vejdou do slotů na běžné pevné disky, do racku jich tak lze umís- tit relativně velké množství. Google se také pochlubil rychlostí vývoje od otes- tovaného čipu z výroby až po běžící software, na kterém inženýři testovali výkon jednotlivých aplikací pro umělou inteligenci. Mezi těmito kroky stačilo pouhých 22 dní, což je extrémně krátká doba, díky které mohou inženýři velmi rychle postupovat při vývoji samotného čipu (hardwaru) – získat zpětnou vazbu z běžícího prototypu, následně rychle optimalizovat a zase o něco vylepšit další revizi čipu. Z tohoto úhlu pohledu začíná mít hardware možnost aktualizace podob- nou jako software, alespoň ve fázi vý- voje. Postup tak může být stále rychlejší díky rychlým iteracím. Pokud jde o ukázku nějakého reálného výkonu, Google prozradil, že například jeden čip TPU dokáže v rámci Google Photos (v české verzi Google Fotky) zpracovat více než sto milionů fotografií za jeden den. Zpracovat v tomto ohledu