En ny tidsålder av data innebär att omfamna kanten





I samarbete med Hewlett Packard Enterprise

Artificiell intelligens har ett enormt löfte, men för att vara effektiv måste den lära sig av enorma mängder data – och ju mer mångsidig desto bättre. Genom att lära sig mönster kan AI-verktyg avslöja insikter och hjälpa beslutsfattande inte bara inom teknik, utan även läkemedel, medicin, tillverkning och mer. Data kan dock inte alltid delas – vare sig det är personligt identifierbart, innehåller proprietär information eller att göra det skulle vara ett säkerhetsproblem – förrän nu.



Det kommer att bli en ny tid. Säger Dr Eng Lim Goh, senior vice president och CTO för artificiell intelligens på Hewlett Packard Enterprise. Världen kommer att skifta från en där du har centraliserad data, vad vi har varit vana vid i decennier, till en där du måste vara bekväm med att data finns överallt.

Data överallt betyder kanten, där varje enhet, server och molninstans samlar in enorma mängder data. En uppskattning visar att antalet anslutna enheter vid kanten ökar till 50 miljarder år 2022. Gåtan: hur man håller insamlad data säker men också kan dela lärdomar från datan, vilket i sin tur hjälper till att lära AI att bli smartare. Gå in i svärmlärande.

Svärm lärande , eller svärmintelligens, är hur svärmar av bin eller fåglar rör sig som svar på sin miljö. När den tillämpas på data, förklarar Goh, finns det mer peer-to-peer-kommunikation, mer peer-to-peer-samarbete, mer peer-to-peer-lärande. Och Goh fortsätter, Det är anledningen till att svärminlärning kommer att bli viktigare och viktigare eftersom ... när tyngdpunkten skiftar från centraliserad till decentraliserad data.



Tänk på det här exemplet, säger Goh. Ett sjukhus tränar sina maskininlärningsmodeller på lungröntgen och ser många tuberkulosfall, men väldigt lite fall av lungkollaps. Så därför kommer denna neurala nätverksmodell, när den tränas, att vara mycket känslig för det som upptäcker tuberkulos och mindre känslig för att upptäcka lungkollaps. Goh fortsätter, men vi får motsatsen till det på ett annat sjukhus. Så vad du verkligen vill är att dessa två sjukhus kombinerar sina data så att den resulterande neurala nätverksmodellen kan förutsäga båda situationerna bättre. Men eftersom du inte kan dela den informationen kommer svärminlärning in för att hjälpa till att minska den partiskheten hos båda sjukhusen.

Och detta betyder att varje sjukhus kan förutsäga utfall, med noggrannhet och med minskad bias, som om du har samlat all patientdata globalt på ett ställe och lärt dig av det, säger Goh.

Och det är inte bara sjukhus- och patientdata som måste förvaras säkra. Goh betonar Vad svärminlärning gör är att försöka undvika den delning av data, eller helt förhindra delning av data, till [en modell] där du bara delar insikterna, du delar lärdomarna. Och det är därför det är i grunden säkrare.



Visa anteckningar och länkar:

Fullständig utskrift:

Laurel Ruma: Från MIT Technology Review, jag heter Laurel Ruma. Och det här är Business Lab, showen som hjälper företagsledare att förstå ny teknik som kommer ut från labbet och in på marknaden. Vårt ämne idag är decentraliserad data. Oavsett om det är från enheter, sensorer, bilar, kanten, om du så vill, växer mängden data som samlas in. Det kan vara personligt och det måste skyddas. Men finns det ett sätt att dela insikter och algoritmer på ett säkert sätt för att hjälpa andra företag och organisationer och till och med vaccinforskare?

Två ord för dig: svärminlärning.

Min gäst är Dr Eng Lim Goh, som är senior vice president och CTO för artificiell intelligens på Hewlett Packard Enterprise. Före denna roll var han CTO under en majoritet av sina 27 år på Silicon Graphics, nu ett HPE-företag. Dr. Goh tilldelades NASA:s Exceptional Technology Achievement Medal för sitt arbete med AI i den internationella rymdstationen. Han har också arbetat med ett flertal forskningsprojekt om artificiell intelligens från F1-racing, till pokerbots, till hjärnsimuleringar. Dr. Goh innehar ett antal patent och hade en publiceringsplats på omslaget till Nature. Det här avsnittet av Business Lab är producerat i samarbete med Hewlett Packard Enterprise. Välkommen Dr. Goh.

Dr. Eng Lim Goh: Tack för att jag fick komma.



Laurel: Så vi har startat ett nytt decennium med en global pandemi. Det brådskande att hitta ett vaccin har möjliggjort större informationsutbyte mellan forskare, regeringar och företag. Till exempel gjorde Världshälsoorganisationen Pfizer-vaccinets mRNA-sekvens offentlig för att hjälpa forskare. Hur tänker du om möjligheter som denna som kommer ut ur pandemin?

Eng Lim: Inom vetenskap och medicin och andra är delning av rön en viktig del av att främja vetenskapen. Så det traditionella sättet är publikationer. Saken är den att under ett och ett halvt år av covid-19 har det skett en ökning av publikationer relaterade till covid-19. En aggregator hade till exempel i storleksordningen 300 000 sådana dokument relaterade till covid-19 där ute. Det blir svårt, på grund av mängden data, att kunna få det du behöver.

Så ett antal företag, organisationer, började bygga dessa verktyg för bearbetning av naturligt språk, AI-verktyg, så att du kan ställa mycket specifika frågor, inte bara söka efter nyckelord, utan mycket specifika frågor så att du kan få svaret du behöver från den här samlingen av dokument där ute. En forskare kan fråga, eller en forskare kan fråga, vad är bindningsenergin för SARS-CoV-2 spikproteinet till vår ACE-2-receptor? Och kan vara ännu mer specifik och säga, jag vill ha det i enheter av kcal per mol. Och systemet skulle gå igenom. NLP-systemet skulle gå igenom denna korpus av dokument och komma med ett specifikt svar på den frågan, och till och med peka på området för dokumenten där svaret skulle kunna finnas. Så detta är ett område. För att hjälpa till med delning kan du bygga AI-verktyg som hjälper dig att gå igenom denna enorma mängd data som har genererats.

Det andra området för delning är delning av data från en klinisk prövning, som du har nämnt. Tidigt förra året, innan någon av de kliniska prövningarna av SARS-CoV-2-vaccinet hade påbörjats, fick vi data från kliniska prövningar av vaccinet mot gula febern. Och ännu mer specifikt, genuttrycksdata från frivilliga i den kliniska prövningen. Och ett av målen är, kan du analysera de tiotusentals av dessa gener som uttrycks av frivilliga och hjälpa till att förutsäga, för varje volontär, om han eller hon skulle få biverkningar av detta vaccin, och om han eller hon kommer att ge bra antikroppssvar på detta vaccin? Så bygg prediktiva verktyg genom att dela denna kliniska prövningsdata, om än anonymiserad och på ett begränsat sätt.

Laurel: När vi pratar om naturlig språkbehandling tror jag att de två tipsen som vi har tagit från det mycket specifika exemplet är att du kan bygga bättre AI-verktyg för att hjälpa forskarna. Och sedan också, det hjälper till att bygga prediktiva verktyg och modeller.

Eng Lim: Ja absolut.

Laurel: Så, som ett specifikt exempel på vad du har arbetat med det senaste året, publicerade Nature Magazine nyligen en artikel om hur en samarbetsstrategi för datainsikter kan hjälpa dessa intressenter, särskilt under en pandemi. Vad fick du reda på under det arbetet?

Eng Lim: Ja. Detta är återigen relaterat till den delningspunkt du skapade, hur man delar lärande så att samhället kan avancera snabbare. De Natur publikationen du nämnde, titeln på den är Swarm Learning [för decentraliserat och konfidentiellt kliniskt maskininlärning]. Låt oss använda sjukhusexemplet. Det finns det här sjukhuset, och det ser sina patienter, sjukhusets patienter, av en viss demografi. Och om den vill bygga en maskininlärningsmodell för att förutsäga baserat på patientdata, säg till exempel en patients CT-skanningsdata, för att försöka förutsäga vissa utfall. Problemet med inlärning isolerat som detta är att du börjar utveckla modeller genom att lära dig dina patientdata, förutsatt att det är den demografi du ser. Eller på andra sätt, partisk mot vilken typ av medicinsk utrustning du har.

Lösningen på detta är att samla in data från olika sjukhus, kanske från olika regioner eller till och med olika länder. Och sedan kombinera alla dessa sjukhus data och sedan träna maskininlärningsmodellen på den kombinerade datan. Problemet med detta är att integriteten av patientdata hindrar dig från att dela denna data. Swarm learning kommer in för att försöka lösa detta, på två sätt. För det första, istället för att samla in data från dessa olika sjukhus, tillåter vi varje sjukhus att träna sin maskininlärningsmodell på sin egen privata patientdata. Och då och då kommer en blockkedja in. Det är det andra sättet. En blockkedja kommer in och samlar alla lärdomar. Jag betonar. Lärdomarna, och inte patientdata. Samla bara in lärdomarna och kombinera dem med lärdomarna från andra sjukhus i andra regioner och andra länder, gör ett medelvärde för dem och skicka sedan tillbaka de uppdaterade globalt kombinerade medelvärdena till alla sjukhus.

Och med inlärningar menar jag parametrarna, till exempel för vikterna av det neurala nätverket. Parametrarna som är de neurala nätverksvikterna i maskininlärningsmodellen. Så i det här fallet lämnar ingen patientdata någonsin ett enskilt sjukhus. Det som lämnar sjukhuset är bara lärdomarna, parametrarna eller vikterna av det neurala nätverket. Och så, när du skickade upp dina lokalt inlärda parametrar, och vad du får tillbaka från blockkedjan är de globala genomsnittliga parametrarna. Och sedan uppdaterar du din modell med det globala genomsnittet, och sedan fortsätter du att lära dig lokalt igen. Efter några cykler av de här lärdomarna har vi testat det, varje sjukhus kan förutsäga, med noggrannhet och med minskad bias, som om du har samlat all patientdata globalt på ett ställe och lärt dig av det.

Laurel: Och anledningen till att blockchain används är för att det faktiskt är en säker koppling mellan olika, i det här fallet, maskiner, eller hur?

Eng Lim: Det finns två anledningar, ja, till varför vi använder blockchain. Det första skälet är säkerheten i det. Och nummer två, vi kan hålla den informationen privat eftersom, i en privat blockkedja, endast deltagare, huvuddeltagare eller certifierade deltagare är tillåtna i denna blockkedja. Nu, även om blockkedjan äventyras, är det bara vikterna eller parametrarna för inlärningen som syns, inte den privata patientdatan, eftersom den privata patientdatan inte finns i blockkedjan.

Och det andra skälet till att använda en blockchain, det är i motsats till att ha en central vårdnadshavare som gör insamlingen av parametrarna, av lärdomarna. För när du väl utser en vårdnadshavare, en enhet, som samlar in alla dessa lärdomar, om ett av sjukhusen blir den vårdnadshavaren, då har du en situation där den utsedda vårdnadshavaren har mer information än resten, eller har mer kapacitet än resten. Inte så mycket mer information, men mer kapacitet än resten. Så för att få en mer rättvis delning använder vi en blockchain. Och i blockchain-systemet, vad det gör är att slumpmässigt utser en av deltagarna som samlare, som ledare, för att samla in parametrarna, snitta dem och skicka tillbaka dem. Och i nästa cykel, slumpmässigt, utses en annan deltagare.

Laurel: Så det finns två intressanta punkter här. En är att det här projektet lyckas eftersom du inte bara använder din egen data. Du har tillåtelse att välja detta förhållande för att använda lärdomarna från andra forskares data också. Så det minskar partiskheten. Så det är ett slags stort problem löst. Men så även denna andra intressanta fråga om rättvisa och hur till och med algoritmer kanske kan vara mindre rättvisa då och då. Men när du har en avsiktligt slumpmässig algoritm i blockkedjan som tilldelar ledarskap för insamlingen av lärdomar från varje entitet, hjälper det också ta bort alla möjliga fördomar, eller hur?

Eng Lim: Ja ja ja. Strålande sammanfattning, Laurel. Så det finns den första biasen, som är, om du lär dig isolerat, lär sjukhuset, en neural nätverksmodell eller en maskininlärningsmodell, mer generellt, av ett sjukhus lär sig isolerat endast på sina egna privata patientdata, de kommer att vara naturligt partiska mot den demografi de ser. Vi har till exempel ett exempel där ett sjukhus tränar sina maskininlärningsmodeller på lungröntgen och ser många tuberkulosfall. Men väldigt få fall av lungkollaps. Så därför kommer denna neurala nätverksmodell, när den tränas, att vara mycket känslig för vad som upptäcker tuberkulos och mindre känslig för att upptäcka lungkollaps, till exempel. Däremot får vi motsatsen till det på ett annat sjukhus. Så vad du verkligen vill är att dessa två sjukhus kombinerar sina data så att den resulterande neurala nätverksmodellen kan förutsäga båda situationerna bättre. Men eftersom du inte kan dela den informationen kommer svärminlärning in för att hjälpa till att minska den partiskheten hos båda sjukhusen.

Laurel: Okej. Så vi har en enorm mängd data. Och den fortsätter att växa exponentiellt när kanten, som egentligen är vilken datagenererande enhet, system eller sensor som helst, expanderar. Så hur förändrar decentraliserad data hur företag behöver tänka på data?

Eng Lim: Åh, det är en djup fråga. Det finns en uppskattning som säger att nästa år, till år 2022, kommer det att finnas 50 miljarder anslutna enheter vid kanten. Och det här växer snabbt. Och vi kommer till en punkt där vi har i genomsnitt cirka 10 anslutna enheter som potentiellt samlar in data, per person, i den här världen. Med tanke på den situationen kommer tyngdpunkten att förskjutas från att datacentret är den huvudsakliga platsen som genererar data till en där tyngdpunkten kommer att vara i utkanten när det gäller var data genereras. Och detta kommer att förändra dynamiken enormt för företag. Du kommer därför att se behovet av dessa enheter som finns där ute där denna enorma mängd data genereras i kanten med så mycket av dessa enheter där ute att du kommer att nå en punkt där du inte har råd att backhaul eller ta tillbaka all den data till molnet eller datacentret längre.

Även med 5G, 6G och så vidare. Tillväxten av data kommer att överträffa det, kommer vida överstiga ökningen av bandbredden för dessa nya telekommunikationsmöjligheter. Som sådan kommer du att nå en punkt där du inte har något annat val än att driva intelligensen till kanten så att du kan bestämma vilken data som ska flyttas tillbaka till molnet eller datacentret. Så det kommer att bli en ny tid. Världen kommer att skifta från en där du har centraliserad data, vad vi har varit vana vid i decennier, till en där du måste vara bekväm med att data finns överallt. Och när så är fallet måste du göra mer peer-to-peer-kommunikation, mer peer-to-peer-samarbete, mer peer-to-peer-lärande.

Och det är anledningen till att svärminlärning kommer att bli viktigare och viktigare när detta fortskrider, eftersom tyngdpunkten skiftar där ute från en där data är centraliserad, till en där data finns överallt.

Laurel: Kan du prata lite mer om hur svärmintelligens är säker genom design? Med andra ord, det tillåter företag att dela insikter från datainlärning med externa företag, eller till och med inom grupper i ett företag, men de delar då inte den faktiska datan?

Eng Lim: Ja. I grund och botten, när vi vill lära av varandra, är ett sätt att vi delar data så att var och en av oss kan lära av varandra. Vad svärminlärning gör är att försöka undvika den där delningen av data, eller helt förhindra delning av data, till [en modell] där du bara delar insikterna, du delar lärdomarna. Och det är därför det är i grunden säkrare med detta tillvägagångssätt, där data förblir privat på platsen och aldrig lämnar den privata enheten. Det som lämnar den privata enheten är bara lärdomarna. Och i det här fallet väger det neurala nätverket eller parametrarna för dessa inlärningar.

Nu finns det människor som forskar på möjligheten att härleda data från lärdomarna, det är fortfarande i forskningsfas, men vi är förberedda om det någonsin fungerar. Och det vill säga, i blockkedjan gör vi homomorfisk kryptering av vikterna, parametrarna, lärdomarna. Med homomorf menar vi att när den utsedda ledaren samlar in alla dessa vikter och sedan medelvärdesätter dem, kan du snitta dem i krypterad form så att om någon avlyssnar blockkedjan, ser de krypterade lärdomar. De ser inte själva lärdomarna. Men vi har inte implementerat det ännu, eftersom vi inte ser det nödvändigt ännu förrän vi ser att det blir möjligt att omvända konstruera data från lärdomarna.

Laurel: Och så, när vi tänker på ökade regler och lagstiftning kring data, som GDPR och Kaliforniens CCPA, måste det finnas någon form av lösning på integritetsproblem. Ser du svärminlärning som ett av de möjliga alternativen när företag ökar mängden data de har?

Eng Lim: Ja, som ett alternativ. För det första, om det finns ett behov av edge-enheter för att lära av varandra, finns svärminlärning där, vilket är användbart för det. Och nummer två, när du lär dig, vill du inte att data från varje entitet eller deltagare i svärminlärning ska lämna den entiteten. Den ska bara stanna där den är. Och det som lämnar är bara parametrarna och lärdomarna. Du ser det inte bara i ett sjukhusscenario, utan du ser det i ekonomin. Kreditkortsföretag, till exempel, skulle naturligtvis inte vilja dela sina kunduppgifter med ett annat konkurrerande kreditkortsföretag. Men de vet att lärdomarna från maskininlärningsmodellerna lokalt inte är lika känsliga för bedrägeridata eftersom de inte ser alla olika typer av bedrägerier. De kanske ser en typ av bedrägeri, men ett annat kreditkortsföretag kan se en annan typ av bedrägeri.

Swarm learning skulle kunna användas här där varje kreditkortsföretag håller sina kunduppgifter privata, ingen delning av det. Men en blockkedja kommer in och delar med sig av lärdomarna, bedrägeridatainlärningen och samlar in alla dessa lärdomar, beräknade ett genomsnitt och ger tillbaka det till alla deltagande kreditkortsföretag. Så detta är ett exempel. Bankerna skulle kunna göra detsamma. Industrirobotar skulle också kunna göra detsamma.

Vi har en fordonskund som har tiotusentals industrirobotar, men i olika länder. Industrirobotar följer idag instruktioner. Men i nästa generations robotar, med AI, kommer de också att lära sig lokalt, till exempel att undvika vissa misstag och inte upprepa dem. Vad du kan göra med hjälp av svärminlärning är att om dessa robotar finns i olika länder där du inte kan dela data, sensordata från den lokala miljön över landsgränserna, men du får dela med dig av lärdomarna om att undvika dessa misstag, kan svärminlärning därför tillämpas. Så du föreställer dig nu en svärm av industrirobotar, över olika länder, som delar lärdomar så att de inte upprepar samma misstag.

Så ja. I företag kan du se olika tillämpningar av svärminlärning. Finans, teknik och naturligtvis inom vården, som vi har diskuterat.

Laurel: Hur tror du att företag måste börja tänka annorlunda om sin faktiska dataarkitektur för att uppmuntra möjligheten att dela dessa insikter, men inte faktiskt dela data?

Eng Lim: Först och främst måste vi vara bekväma med det faktum att enheter som samlar in data kommer att föröka sig. Och de kommer att vara i kanten där data först landar. Vad är kanten? Kanten är där du har en enhet, och där data först landar elektroniskt. Och om du föreställer dig 50 miljarder av dem nästa år, till exempel, och växande, i en uppskattning, måste vi vara bekväma med det faktum att data kommer att finnas överallt. Och för att designa din organisation, designa sättet du använder data, designa sättet du kommer åt data med det konceptet i åtanke, dvs att gå från en som vi är vana vid, det vill säga att data centraliseras för det mesta, till en där data är överallt. Så sättet du kommer åt data måste vara annorlunda nu. Du kan nu inte tänka på att först aggregera all data, dra all data, backhaula all data från kanten till en centraliserad plats och sedan arbeta med den. Vi kan behöva byta till ett scenario där vi arbetar på data och lär oss av data medan data fortfarande finns där ute.

Laurel: Så, vi pratade lite sjukvård och tillverkning. Hur föreställer du dig också att de stora idéerna om smarta städer och autonoma fordon passar in med idéerna om svärmintelligens?

Eng Lim: Ja ja ja. Det här är två stora, stora föremål. Och mycket lik också, du tänker på en smart stad, den är full av sensorer, full av anslutna enheter. Du tänker på autonoma bilar, en uppskattning säger att det är ungefär 300 avkänningsenheter i en bil, alla samlar in data. Ett liknande sätt att tänka på det, data kommer att finnas överallt och samlas in i realtid vid dessa kantenheter. För smarta städer kan det vara gatubelysning. Vi arbetar med en stad med 200 000 gatlyktor. Och de vill göra var och en av dessa gatlyktor smarta. Med smart menar jag förmåga att rekommendera beslut eller till och med fatta beslut. Du kommer till en punkt där du, som jag har sagt tidigare, inte kan backhaul all data hela tiden till datacentret och fatta beslut efter att du har gjort aggregeringen. Många gånger måste man fatta beslut där data samlas in. Och därför måste saker och ting vara smarta i kanten, nummer ett.

Och om vi tar det steget längre än att agera på instruktioner eller agera på modeller för neurala nätverk som har förtränats och sedan skickats till kanten, tar du ett steg bortom det, och det vill säga att du vill att edge-enheterna också ska lära sig om sina egna från de uppgifter de har samlat in. Men med vetskapen om att den insamlade informationen är partisk för vad de bara ser, kommer svärminlärning att behövas på ett peer-to-peer-sätt för att dessa enheter ska lära av varandra.

Så denna sammankoppling, peer-to-peer sammankopplingen av dessa kantenheter, kräver att vi tänker om eller ändrar vårt sätt att tänka kring datoranvändning. Ta bara till exempel två autonoma bilar. Vi kallar dem anslutna bilar till att börja med. Två sammankopplade bilar, den ena framför den andra på 300 meter eller 300 meter. Den framför, med massor av sensorer i, säg till exempel i stötdämparna, känner av ett potthål. Och det kan faktiskt erbjuda den avkända informationen att det finns ett potthål som kommer fram till bilarna bakom. Och om bilarna bakom slår på för att automatiskt acceptera dessa, dyker det där potthålet upp på bilen bakom instrumentbrädan. Och bilen bakom betalar bara kanske 0,10 cent för den informationen till bilen framför.

Så du får en situation där du får dessa peer-to-peer-delning, i realtid, utan att behöva skicka all data först tillbaka till någon central plats och sedan skicka tillbaka ner och sedan den nya informationen till bilen bakom. Så du vill att det ska vara peer-to-peer. Så mer och mer, jag säger inte att detta är implementerat ännu, men det här ger dig en uppfattning om hur tänkandet kan förändras framöver. Mycket mer peer-to-peer-delning och mycket mer peer-to-peer-lärande.

Laurel: När du tänker på hur länge vi har arbetat i teknikbranschen för att tro att peer-to-peer som en fras har kommit tillbaka, där det brukade betyda att människor eller till och med datorer delar olika bitar av information över internet. Nu är det enheter och sensorer som delar informationsbitar med varandra. Typ en annan definition av peer-to-peer.

Eng Lim: Ja. Tänkandet förändras. Och peer, ordet peer, peer-to-peer, vilket betyder att det har innebörden av en mer rättvis delning. Det är anledningen till att en blockkedja behövs i vissa av dessa fall så att det inte finns någon central vårdnadshavare som kan ta ett genomsnitt av lärdomarna, för att kombinera lärdomarna. Så du vill ha en verklig peer-to-peer-miljö. Och det är vad svärmlärande är byggt för. Och nu är anledningen till det, det är inte för att vi känner att peer-to-peer är nästa stora grej och därför borde vi göra det. Det är på grund av data och spridningen av dessa enheter som samlar in data.

Föreställ dig tiotals miljarder av dessa där ute, och var och en av dessa enheter blir smartare och förbrukar mindre energi för att vara så smarta och flyttar sig från en där de följer instruktioner eller drar slutsatser från den förtränade neurala nätverksmodellen som de fått, till en där de till och med kan avancera mot lärande på egen hand. Men att veta att dessa enheter är så många av dem där ute, därför ser var och en av dem bara en liten del. Liten är fortfarande stor om du kombinerar dem alla, 50 miljarder av dem. Men var och en av dem ser bara en liten del av data. Och därför, om de bara lär sig isolerat, kommer de att vara mycket partiska mot vad de ser. Som sådan måste det finnas något sätt där de kan dela sina lärdomar utan att behöva dela sina privata data. Och därför svärm lärande. I motsats till att backhaula all data från de 50 miljarder edge-enheterna tillbaka till dessa molnplatser, datacenterplatserna, så att de kan göra den kombinerade inlärningen.

Laurel: Vilket säkert skulle kosta mer än en bråkdel av en cent.

Eng Lim: Åh ja. Det finns ett talesätt, bandbredd, du betalar för. Latens svettas man för. Så det är kostnad. Bandbredd är kostnad.

Laurel: Så som expert på artificiell intelligens, medan vi har dig här, vad är du mest exalterad över de kommande åren? Vad ser du som du tänker på, som kommer att bli något stort under de kommande fem, 10 åren?

Eng Lim:

Tack, Laurel. Jag ser inte mig själv som en expert på AI, utan en person som har i uppdrag och är entusiastiska över att arbeta med kunder om AI-användningsfall och lära av dem. Mångfalden av dessa olika AI-användningsfall och lärande av dem – några ledande team som direkt arbetar med projekten och övervakar några av projekten. Men när det gäller spänningen kan det faktiskt verka vardagligt. Och det vill säga, det spännande är att jag ser AI. Förmågan för smarta system att lära sig och anpassa sig, och i många fall ge beslutsstöd till människor. Och i andra mer begränsade fall, fatta beslut till stöd för människor. Spridningen av AI finns i allt vi gör, många saker vi gör – vissa saker kanske vi borde begränsa – men i många saker vi gör.

Jag menar, låt oss bara använda de mest grundläggande exemplen. Hur denna utveckling kan vara. Låt oss ta en ljusströmbrytare. I början, även fram till idag, är den mest grundläggande ljusströmbrytaren en där den är manuell. En människa går vidare, slår på strömbrytaren och lampan tänds. Och släcker strömbrytaren och lampan släcks. Sedan går vi vidare till nästa nivå. Om du vill ha en analogi, mer nästa nivå, där vi automatiserar den switchen. Vi sätter en uppsättning instruktioner på den strömbrytaren med en ljusmätare, och ställer in instruktionerna för att säga, om belysningen i det här rummet sjunker till 25% av sin topp, slå på. Så i grund och botten gav vi en instruktion med en sensor att följa med den, till switchen. Och då är växlingen nu automatisk. Och sedan när belysningen i rummet sjunker till 25 % av sin topp, av toppbelysningen, tänder den lamporna. Så nu är växlingen automatiserad.

Nu kan vi till och med ta ett steg längre i den automatiseringen, genom att göra switchen smart, genom att den kan ha fler sensorer. Och sedan genom kombinationerna av sensorer, fatta beslut om huruvida tända lampan. Och för att styra alla dessa sensorer byggde vi en neural nätverksmodell som har förtränats separat och sedan laddats ner till switchen. Det är här vi är idag. Switchen är nu smart. Smart stad, smarta gatubelysningar, autonoma bilar och så vidare.

Finns det en annan nivå utöver det? Det finns. Och det är när switchen inte bara följer instruktionerna eller inte bara har en utbildad neural nätverksmodell för att på ett sätt bestämma att kombinera alla olika sensordata, för att bestämma när ljuset ska tändas på ett mer exakt sätt. Den avancerar vidare till en där den lär sig. Det är nyckelordet. Den lär sig av misstag. Vad skulle exemplet vara? Exemplet skulle vara, baserat på den neurala nätverksmodell den har, som var förtränad tidigare, laddad ner till switchen, med alla inställningar. Den tänder ljuset. Men när människan kommer in säger människan att jag inte behöver ljuset på här den här gången, människan släcker ljuset. Sedan inser switchen att den faktiskt fattade ett beslut som människan inte gillade. Så efter några av dessa börjar den anpassa sig, lära av dessa. Anpassa sig själv så att du kan tända ett ljus till de förändrade mänskliga preferenserna. Det är nästa steg där du vill att edge-enheter som samlar in data vid kanten ska lära sig av dem.

Sedan, om du tar det ännu längre, lär sig alla växlar på det här kontoret eller i en bostadsenhet av varandra. Det kommer att vara svärm lärande. Så om du sedan utökar bytet till brödrostar, till kylskåp, till bilar, till industrirobotar och så vidare, kommer du att se att genom att göra detta kommer vi klart att minska energiförbrukningen, minska avfallet och förbättra produktiviteten. Men nyckeln måste vara, för människors bästa.

Laurel: Och vilket underbart sätt att avsluta vårt samtal. Tack så mycket för att du är med på Business Lab.

Eng Lim: Tack Laurel. Mycket uppskattat.

Laurel: Det var Dr. Eng Lim Goh, senior vice president och CTO för artificiell intelligens på Hewlett Packard Enterprise, som jag pratade med från Cambridge, Massachusetts, hemmet för MIT och MIT Technology Review, med utsikt över Charles River. Det var allt för det här avsnittet av Business Lab, jag är din värd, Laurel Ruma. Jag är chef för Insights, avdelningen för anpassad publicering av MIT Technology Review. Vi grundades 1899 vid Massachusetts Institute of Technology. Och du kan hitta oss i tryckt form, på webben och vid evenemang varje år runt om i världen. För mer information om oss och showen, kolla in vår hemsida på technologyreview.com. Showen är tillgänglig var du än får dina poddar. Om du gillade det här avsnittet hoppas vi att du tar dig tid att betygsätta och recensera oss. Business Lab är en produktion av MIT Technology Review. Det här avsnittet producerades av Collective Next. Tack för att du lyssna.

Det här podcastavsnittet producerades av Insights, den anpassade innehållsdelen av MIT Technology Review. Den producerades inte av MIT Technology Reviews redaktion.

Dölj