Александр Котельников: Аппаратные средства машинного обучения: возможности и вызовы |
||
МЕНЮ Искусственный интеллект Поиск Регистрация на сайте Помощь проекту ТЕМЫ Новости ИИ Искусственный интеллект Разработка ИИГолосовой помощник Городские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Техническое зрение Чат-боты Авторизация |
2019-04-16 14:19 Последние тренды в hardware для машинного обучения обсудили 12 апреля на митапе ODS Siberia в НГУ. Основным спикером выступил Александр Котельников, IEEE Senior Member, кофаундер компании Turation Limited (Hong Kong). Производительность “железа” очень существенна в тех приложениях машинного обучения, где нужна мобильность и независимость от интернета, т.е. где вычисления не могут производиться в облаке. Например, беспилотные автомобили пока не развивают скорость выше 35 км/ч именно из-за ограничений производительности вычислительных мощностей, которые должны быть автономными. Или разблокировка телефона по голосу или лицу – она должна происходить мгновенно и быть доступна без связи, т.е. вычисления должны производиться на устройстве – никому не захочется ждать в такой ситуации. По мнению Александра Котельникова, скорость, защищенность и энергоэффективность вычислений – вот основные вызовы в этих областях, которые с развитием машинного обучения приобрели особую актуальность, породили спрос на исследования и разработки и в некотором смысле обусловили кризис роста отрасли аппаратных средств, которая не успевает за темпами развития программного обеспечения. Задачи машинного обучения настолько специфичны и разнообразны, что процессорами теперь занимаются далеко не только AMD и Intel. Аппаратные архитектуры, оптимизированные с учетом специфики работы компании, разработали в Google, Apple, Huawei, Baidu и анонсировали в Alibaba, Tesla, Facebook и Microsoft. “Кроме того, на этот рынок вышло большое число стартапов, которые пытаются потеснить гигантов и занять свое место под солнцем. Благодаря разнообразию задач машинного обучения, победитель в этой гонке скорее всего будет не один”, - подчеркивает Александр Котельников. Рост числа разработчиков аппаратных архитектур и их специализация под конкретные задачи машинного обучения, развитие открытых технологий, реконфигурируемые архитектуры, гибридные технологии и нейроморфные процессоры - вот неполный список тенденций, о которых рассказал Александр. Источник: youtu.be Комментарии: |
|