Maskininlärningens renässans är redan här

(KRÖNIKA] Vad behöver ske för att drömmen om intelligenta maskiner ska bli sanna den här gången?

”Människor har drömmar. Även hundar har drömmar, men inte du, du är bara en maskin. En livsimitation. Kan en robot skriva en symfoni? Kan en robot skapa ett vackert konstverk av en duk? ”

Detta kända citat från filmen ”I, Robot”, inspirerad av Isaac Asimov (science fiction-författarens) samling av noveller, i vilken frågor ställs som nuvarande teknik redan kan svara på.

Datorprogram som har maskininlärningskapacitet kan komponera sonater, låtar och klassiska melodier och den kan till och med producera bilder på en nivå som håller jämna steg med avancerat porträttmåleri. Den intelligenta datorn eller roboten, som kan ta beslut självständigt, tar form inför våra ögon.

Idén om intelligenta maskiner utvecklades redan på 1950-talet, då forskningen inom artificiell intelligens nådde sin topp. Då var det ens förväntan att smarta applikationer, maskiner och robotar skulle tjäna allmänheten i vardagliga uppgifter inom en snar framtid. Många tror emellertid att denna förväntan var före sin tid och inte kunde realiseras eftersom datakraften inte var tillräckligt stark för att kunna understödja AI-utvecklingen vid den tiden. Således blev forskning om artificiell intelligens övergiven under lång tid.

Nu årtionden senare har tanken återupplivats, och applikationer med maskinlärningsfunktioner tar över olika aspekter av våra liv.

Utöver de konstverk som vi nämnde finns det applikationer som ansiktsigenkänningsprogram, översättning av språk via röstsamtal (t.ex. Skype Translator), kooperativa transporttjänster (t.ex. Uber), diagnostiska medicinska verktyg, smarta datasäkerhetslösningar och mycket mer.

Medan vi står på tröskeln till en spännande renässans inom området maskininlärning, har ett annat koncept, som heter Deep Learning, tillkommit. Skillnaden mellan Machine Learning och Deep Learning är att Deep Learning lär sig om framtiden vilken datorns värld rör sig mot.

Maskininlärningsalgoritmer behöver inmatning av data, men de behöver också en medlande människa att ”instruera” dem i en serie regler och klassificeringar så att de lär sig att särskilja och identifiera vad som krävs av dem. Till exempel om vi laddar upp flera bilder av katter och instruerar algoritmen att det är en katt, kommer den så småningom att lära sig autonomt att identifiera nya bilder som den ännu inte har stött på. Men inom Deep Learning så behöver inga algoritmer förmedlas alls. Allt som behövs är en större koncentration av data så att den kan lära sig hur man definierar, klassificerar och identifierar katten.

Tack vare Deep Learning har datorer nu nått en snabbare och mer exakt bildigenkänningsförmåga än en människa. Föreställ dig hur avgörande detta kan vara i samband med cancerframväxt i röntgenprov. Det kan troligen till och med presentera oddsen för överlevnad.

Det kan påtalas att Deep Learning är närmare den typen av artificiell intelligens som forskarna drömde om för årtionden sedan, och det kan även vara samma intelligens som Isaac Asimov och många andra science fiction-författare skrev om. Hur som helst är det en revolution som kommer att forma framtiden för våra liv under de kommande årtiondena. Detta kräver onekligen mer datorkraft och mer data, men samtidigt kommer det bli möjligt att lösa problem som maskiner i nuläget inte kan hantera.

Nyckeln till Deep Learnings framgång i sin nuvarande andra cykel ligger i förmågan att bearbeta enorma informationsvolymer, eftersom Deep Learning-algoritmer uppvisar bättre prestanda i proportion till hur många exempel de kan ”lära” av.

Ju fler exempel vi anger, ju högre är algoritmens noggrannhet. Metoden för Deep Learning (ett konstgjort neuralt nätverk) kan jämföras med den mänskliga hjärnan, som lär sig av sina erfarenheter. Tänk på ett litet barn som börjar lära sig om världen, om föremål, djur, mat och i allmänhet om allt omkring hen.

Om vi sen ​​hänvisar till exemplet gällande katter som vi nämnde tidigare; desto fler bilder av olika kattraser som spädbarnets mor visar hen i form av olika sorters päls, utseenden, vinklar på katter som ligger i olika positioner, med olika bakgrunder och i olika storlekar, desto mer exakt kommer hen bli i att identifiera och skilja dem åt jämfört med andra djur.

Så här lär sig Deep Learning algoritmen. Ju fler exempel på katter vi skriver in, ju större är dess noggrannhet och det kommer att kunna identifiera varje typ av katt samt i alla former och situationer, även om det inte är en katt i sin klassiska och vanliga form – (till exempel om ett öra eller en svans av en katt kikar fram från bakom en soffa).

Men till skillnad från den mänskliga hjärnan kan algoritmen lära sig på ett mer decentraliserat och parallellt sätt med förmågan att bearbeta betydligt fler exempel jämfört med en människa. Därför kräver de avancerade beräkningsverktygen för Deep Learning starka grafikprocessorer (GPU) som kan hantera massiv parallellitet och möjligheten till att lagra samt få tillgång till enorma mängder data snabbt och det till en ekonomiskt genomförbar kostnad.

Under de senaste åren har vi sett hur föråldrad lagringsteknik började förbereda vägen för så kallad All Flash-teknik.

Men det har ännu inte levererats de lösningar som världen väntar på. Även om det har uppvisats förbättrad prestanda, är detta upplägg betydligt dyrare än lagring på roterande skivor och det har inte möjliggjort lagring för de massiva skalor som krävs eller förmåga till att expandera.

För att kunna uppfylla den verkliga potentialen i Maskininlärning så kommer kostnaderna för lagring att behöva minska avsevärt. För närvarande är All Flash-media fortfarande 10 till 15 gånger dyrare än den roterande skivtekniken, och detta förhållande, enligt alla prognoser, kommer att förbli som sådant även när lagringskostnaderna i allmänhet sjunker på marknaden.

Det är nu hög tid att erkänna innovativ teknik som innefattar hyperlagring, vilket uppvisar högre prestanda än All-Flash och det till ett pris som är jämförbart med det roterande disk mediet. Dessa tekniker bygger på ett smart program som vet hur man använder relativt enkla resurser för att lagra en enorm volym i hög densitet på ett litet område utan att kompromissa med tillförlitlighet eller hög prestanda.

Nyfikenheten och erkännandet av ämnet har inte övergivits, och nya former av datateknik väntar på oss runt hörnet så länge vi förstår hur vi ska använda våra datatillgångar på rätt sätt. Det är inte långt till den dagen när vi alla kan resa i självkörande bilar, använda ett program för att svara på vår e-post, eller ta emot utbildade och intelligenta råd om investeringar från ”bottar”. Grunden till Deep Learning framgång ligger i lagringsinfrastrukturen – framtiden är redan här och det finns ingen anledning att kompromissa den här gången.

Jacob Broido, Chief Product Officer på INFINIDAT