Berta Sándor
Okoseszközök adataiból tanulhatnak a mesterséges intelligencia modellek
Ha az IoT eszközök saját maguk tudnák optimalizálni a működésüket az energiát takarítana meg és adatvédelmi szempontból is nyerő lenne.
Az MIT tudósai által kidolgozott új technikának köszönhetően a jövőben a mesterséges intelligencia modellek folyamatosan tanulni fognak az olyan intelligens eszközök, mint az okostelefonok és érzékelők új adataiból. Ez csökkentheti az energiaköltségeket és az adatvédelmi kockázatokat. A technikát az MIT és az MIT-IBM Watson Mesterséges Intelligencia Laboratórium munkatársai fejlesztették ki, akik a részleteket néhány héten belül a Conference on Neural Information Processing Systems nevű rendezvényen fogják bemutatni.
Egyszerű parancsokat végrehajtó mikrokontrollerek képezik az alapját a több milliárd hálózatba között eszköznek. Az olcsó, alacsony fogyasztású mikrovezérlők azonban nagyon kevés memóriával és csekély tudású operációs rendszerrel rendelkeznek, ami kihívást jelent a mesterséges intelligencia modellek központi számítási erőforrásoktól függetlenül működő eszközökön történő képzésnél. Amennyiben egy gépi tanulási modellt egy intelligens eszközön képeznek ki, az képes alkalmazkodni az új adatokhoz és jobb előrejelzéseket tud adni.
Ha például egy modellt egy intelligens billentyűzeten treníroznak, akkor az folyamatosan tanulhat abból, amit a felhasználó ír. A képzési folyamat azonban olyan sok memóriát igényel, hogy általában egy adatközpontban lévő nagy teljesítményű számítógéppel végzik el, mielőtt a modellt egy készüléken használnák. Ez költséges és adatvédelmi problémákat vet fel, mivel a felhasználói adatokat egy központi szerverre kell küldeni.
A probléma megoldására az MIT csapata olyan új technológiát alkotott meg, amely lehetővé teszi a kevesebb mint negyed megabájtnyi tárhellyel rendelkező eszközön történő képzést. Jelenleg a hálózatba kapcsolt eszközök hasonló megoldásai több mint 500 megabájt memóriát igényelnek, ami messze meghaladja a legtöbb mikrokontroller 256 kilobájtos kapacitását. A kutatók által kifejlesztett intelligens algoritmusok és keretrendszerek csökkentik a modell képzéséhez szükséges számítási mennyiséget, így a folyamat gyorsabbá és memóriahatékonyabbá válik. A technika lehetővé teszi, hogy egy gépi tanulási modellt percek alatt betanítsanak egy mikrovezérlővel.
A szakemberek közölték, hogy a technika a magánéletet is védi, mivel az adatok az adott készüléken maradnak, ami különösen előnyös az érzékeny tartalmak, például az orvosi alkalmazások esetében. Ez azt is lehetővé tenné, hogy a modellt a felhasználó igényeihez igazítsák. A keretrendszer megőrzi vagy javítja a modell pontosságát más képzési megközelítésekhez képest.
"A tanulmányunk lehetővé teszi a dolgok internetéhez tartozó megoldások számára, hogy ne csak következtetéseket vonjanak le, hanem folyamatosan frissítsék a mesterséges intelligencia modelleket az újonnan gyűjtött adatokkal, megnyitva az utat az eszközön történő tanulás előtt. Az alacsony erőforrás-felhasználás elérhetőbbé teszi a mélytanulást, és szélesebb körben alkalmazható, különösen az alacsony energiafogyasztású peremeszközök esetében" - ecsetelte Song Han vezető kutató.
Az MIT tudósai által kidolgozott új technikának köszönhetően a jövőben a mesterséges intelligencia modellek folyamatosan tanulni fognak az olyan intelligens eszközök, mint az okostelefonok és érzékelők új adataiból. Ez csökkentheti az energiaköltségeket és az adatvédelmi kockázatokat. A technikát az MIT és az MIT-IBM Watson Mesterséges Intelligencia Laboratórium munkatársai fejlesztették ki, akik a részleteket néhány héten belül a Conference on Neural Information Processing Systems nevű rendezvényen fogják bemutatni.
Egyszerű parancsokat végrehajtó mikrokontrollerek képezik az alapját a több milliárd hálózatba között eszköznek. Az olcsó, alacsony fogyasztású mikrovezérlők azonban nagyon kevés memóriával és csekély tudású operációs rendszerrel rendelkeznek, ami kihívást jelent a mesterséges intelligencia modellek központi számítási erőforrásoktól függetlenül működő eszközökön történő képzésnél. Amennyiben egy gépi tanulási modellt egy intelligens eszközön képeznek ki, az képes alkalmazkodni az új adatokhoz és jobb előrejelzéseket tud adni.
Ha például egy modellt egy intelligens billentyűzeten treníroznak, akkor az folyamatosan tanulhat abból, amit a felhasználó ír. A képzési folyamat azonban olyan sok memóriát igényel, hogy általában egy adatközpontban lévő nagy teljesítményű számítógéppel végzik el, mielőtt a modellt egy készüléken használnák. Ez költséges és adatvédelmi problémákat vet fel, mivel a felhasználói adatokat egy központi szerverre kell küldeni.
A probléma megoldására az MIT csapata olyan új technológiát alkotott meg, amely lehetővé teszi a kevesebb mint negyed megabájtnyi tárhellyel rendelkező eszközön történő képzést. Jelenleg a hálózatba kapcsolt eszközök hasonló megoldásai több mint 500 megabájt memóriát igényelnek, ami messze meghaladja a legtöbb mikrokontroller 256 kilobájtos kapacitását. A kutatók által kifejlesztett intelligens algoritmusok és keretrendszerek csökkentik a modell képzéséhez szükséges számítási mennyiséget, így a folyamat gyorsabbá és memóriahatékonyabbá válik. A technika lehetővé teszi, hogy egy gépi tanulási modellt percek alatt betanítsanak egy mikrovezérlővel.
A szakemberek közölték, hogy a technika a magánéletet is védi, mivel az adatok az adott készüléken maradnak, ami különösen előnyös az érzékeny tartalmak, például az orvosi alkalmazások esetében. Ez azt is lehetővé tenné, hogy a modellt a felhasználó igényeihez igazítsák. A keretrendszer megőrzi vagy javítja a modell pontosságát más képzési megközelítésekhez képest.
"A tanulmányunk lehetővé teszi a dolgok internetéhez tartozó megoldások számára, hogy ne csak következtetéseket vonjanak le, hanem folyamatosan frissítsék a mesterséges intelligencia modelleket az újonnan gyűjtött adatokkal, megnyitva az utat az eszközön történő tanulás előtt. Az alacsony erőforrás-felhasználás elérhetőbbé teszi a mélytanulást, és szélesebb körben alkalmazható, különösen az alacsony energiafogyasztású peremeszközök esetében" - ecsetelte Song Han vezető kutató.