211service.com
AI-superdator byggd genom att använda datalager för deras inaktiva datorkraft
De senaste förbättringarna av tal- och bildigenkänning har kommit i takt med att företag som Google bygger större, kraftfullare datorsystem för att köra maskininlärningsprogram. Nu en släkting elritsa, ett privat företag som heter Kännande med endast cirka 70 anställda, säger att det billigt kan montera ännu större datorsystem för att driva programvara med artificiell intelligens.
Företagets tillvägagångssätt kanske inte lämpar sig för alla typer av maskininlärning, en teknik som har så olika användningsområden som ansiktsigenkänning och finansiell handel. Sentient har inte publicerat detaljer, men säger att det har visat att det kan sätta ihop tillräckligt med datorkraft för att producera betydande resultat i vissa fall.
Sentients kraft kommer från att koppla upp hundratusentals datorer över Internet för att fungera tillsammans som om de vore en enda maskin. Företaget kommer inte att säga exakt var alla maskiner som man använder sig av finns. Men många är lediga i datacenter, de lagerliknande faciliteterna som driver internettjänster som webbplatser och mobilappar, säger Babak Hodjat, medgrundare och chefsforskare på Sentient. Företaget betalar en datacenteroperatör för att använda sina reservmaskiner.
Datacenter har ofta ett betydande antal lediga maskiner eftersom de är byggda för att hantera ökningar i efterfrågan, som till exempel en kraftig försäljning på Black Friday. Sentient har skapat mjukvara som kopplar samman maskiner på olika ställen över Internet och sätter dem att arbeta med maskininlärningsprogram som om de vore en mycket kraftfull dator. Den programvaran är utformad för att hålla data krypterad så mycket som möjligt så att det Sentient arbetar med – kanske för en klient – hålls konfidentiellt.
Sentient kan få upp till en miljon processorkärnor som arbetar tillsammans på samma problem i månader i taget, säger Adam Beberg, huvudarkitekt för distribuerad datoranvändning på företaget. Googles största maskininlärningssystem når inte den skalan, säger han. En talesman för Google avböjde att dela detaljer om företagets infrastruktur och noterade att resultat som erhålls med hjälp av maskininlärning är viktigare än skalan på datorsystemet bakom det. Google använder maskininlärning i stor utsträckning inom områden som sökning, taligenkänning och annonsinriktning.
Beberg hjälpte till att skapa idén om att koppla ihop datorer på olika platser för att samarbeta kring ett problem (se Innovators Under 35: 1999). Han var en grundare av Distributed.net, ett projekt som var ett av de första som demonstrerade den idén i stor skala. Dess teknik ledde till insatser som t.exSeti@HomeochFolding@Home, där miljontals människor installerade programvara så att deras datorer kunde hjälpa till att söka efter främmande liv eller bidra till molekylärbiologisk forskning.
Sentient grundades 2007 och har fått över 140 miljoner dollar i investeringsfinansiering, varav drygt 100 miljoner dollar mottogs i slutet av förra året. Företaget har hittills fokuserat på att använda sin teknologi för att driva en maskininlärningsteknik känd som evolutionära algoritmer. Det handlar om att skapa en lösning på ett problem från en initial population av många lite olika algoritmer. Den första generationens bästa prestationer används för att ligga till grund för nästa, och över successiva generationer blir lösningarna bättre och bättre.
Sentient tjänar för närvarande vissa intäkter från att driva finansiella handelsalgoritmer skapade genom att köra sin evolutionära process i månader i taget på hundratusentals processorer. Men företaget planerar nu att använda sin infrastruktur för att erbjuda tjänster riktade till branscher som sjukvård eller näthandel, säger Hodjat. Företag i dessa branscher skulle teoretiskt sett betala Sentient för dessa produkter.
Han säger inte mer om vad det kan vara. Sentient har forskat med University of Toronto och MIT för att skapa mjukvara som kan förutsäga utvecklingen av sepsis hos ICU-patienter utifrån data som blodtryck och andra vitala indikatorer, säger Hodjat. Resultaten visade att programvaran kunde ge 30 minuters varning för att sepsis utvecklas, med cirka 90 procents noggrannhet, men företaget har beslutat att inte kommersialisera det arbetet, säger han.
På senare tid har Sentient försökt anpassa sitt tillvägagångssätt för att arbeta med en typ av artificiell intelligens som kallas djupinlärning. Denna teknik har nyligen gett slående genombrott inom områden som bild- och taligenkänning, och den har blivit huvudfokus för arbetet med artificiell intelligens hos företag som Google, Facebook och Baidu (se 10 Breakthrough Technologies 2013: Deep Learning ). Några av de bästa resultaten inom djupinlärning kommer från att köra programvara på mycket kraftfulla, specialiserade datorer (se Baidu's Artificial-Intelligence Supercomputer Beats Google at Image Recognition ).
Reza Zadeh , en konsultprofessor vid Stanford University som arbetar med att få maskininlärning att fungera i stor skala, säger att att använda en stor samling datorer på olika platser fungerar bra för vissa problem – men inte alla.
Det är mest kraftfullt när en uppgift kan delas upp i små bitar som enskilda datorer kan arbeta med utan att behöva kommunicera mycket över Internet, vilket är relativt långsamt. Men några av de mest lovande sätten att göra maskininlärning mer kraftfull kräver olika processorer för att kommunicera mycket, säger Zadeh.
Google och Baidu har rapporterat stora resultat med att använda djupinlärning för tal- och bildigenkänning genom att använda mycket stora datamängder eller bygga större artificiella neurala nätverk. Båda tillvägagångssätten kräver konstanta dataflöden mellan olika processorer, säger Zadeh.
Berberg håller med om att djupinlärning är svårare att anpassa till ett system med hundratusentals datorer länkade över Internet men säger att Sentient gör framsteg. Den har tusentals processorer som arbetar med djupinlärning samtidigt, säger han.