Naujas duomenų amžius reiškia perimti kraštą





Susijęs su „Hewlett Packard Enterprise“.

Dirbtinis intelektas turi didžiulį pažadą, tačiau, kad būtų veiksmingas, jis turi mokytis iš didžiulių duomenų rinkinių – ir kuo įvairesnis, tuo geriau. Mokydamiesi modelių, dirbtinio intelekto įrankiai gali atskleisti įžvalgas ir padėti priimti sprendimus ne tik technologijų, bet ir vaistų, medicinos, gamybos ir kt. srityse. Tačiau iki šiol ne visada galima dalytis duomenimis, nesvarbu, ar juos galima identifikuoti, ar juose yra nuosavybės teise priklausančios informacijos, ar tai būtų saugumo problema.



Tai bus naujas amžius. Sako dr. Eng Limas Goh, „Hewlett Packard Enterprise“ vyresnysis viceprezidentas ir dirbtinio intelekto CTO. Pasaulis pasikeis iš tokio, kuriame turite centralizuotus duomenis, prie ko buvome įpratę dešimtmečius, į tokį, kuriame turėsite jaustis, kai duomenys yra visur.

Duomenys visur reiškia kraštą, kur kiekvienas įrenginys, serveris ir debesies egzempliorius renka didžiulius duomenų kiekius. Remiantis vienu skaičiavimu, iki 2022 m. prijungtų įrenginių skaičius padidės iki 50 milijardų. Mįslė: kaip apsaugoti surinktus duomenis, bet taip pat turėti galimybę dalytis gautais duomenimis, o tai savo ruožtu padeda išmokyti dirbtinio intelekto būti išmanesnius. Įeikite į spiečio mokymąsi.

Spiečio mokymasis , arba spiečiaus intelektas, yra tai, kaip bičių ar paukščių spiečiai juda reaguodami į savo aplinką. Taikant duomenis duomenims, kaip aiškina Gohas, yra daugiau tarpusavio bendravimo, daugiau tarpusavio bendradarbiavimo, daugiau tarpusavio mokymosi. Gohas tęsia: Štai kodėl mokymasis spiečius taps vis svarbesnis, nes ... svorio centrui pereinant nuo centralizuotų prie decentralizuotų duomenų.



Apsvarstykite šį pavyzdį, sako Gohas. Ligoninė apmoko mašininio mokymosi modelius krūtinės ląstos rentgeno spinduliuose ir mato daug tuberkuliozės atvejų, bet labai mažai plaučių kolapso atvejų. Taigi, šis neuroninio tinklo modelis, kai bus išmokytas, bus labai jautrus tuberkuliozės aptikimui ir mažiau jautrus plaučių kolapso aptikimui. Gohas tęsia, tačiau kitoje ligoninėje gauname atvirkščiai. Taigi jūs tikrai norite, kad šios dvi ligoninės sujungtų savo duomenis, kad gautas neuroninio tinklo modelis galėtų geriau numatyti abi situacijas. Tačiau kadangi negalite dalytis šiais duomenimis, spiečiaus mokymasis padeda sumažinti abiejų ligoninių šališkumą.

Tai reiškia, kad kiekviena ligoninė gali tiksliai ir su mažesniu šališkumu numatyti rezultatus, tarsi būtumėte surinkę visus pacientų duomenis visame pasaulyje vienoje vietoje ir iš to pasimokę, sako Gohas.

Ir ne tik ligoninių ir pacientų duomenys turi būti apsaugoti. Gohas pabrėžia, kad spiečiaus mokymasis yra tai, kad stengiamasi išvengti dalijimosi duomenimis arba visiškai neleisti dalytis duomenimis [modeliui], kuriame jūs tik dalinatės įžvalgomis, dalijatės mokymusi. Ir todėl tai iš esmės saugesnė.



Rodyti pastabas ir nuorodas:

Visas nuorašas:

Laurel Ruma: Iš MIT Technology Review, aš Laurel Ruma. Ir tai yra „Business Lab“ – laida, padedanti verslo lyderiams suvokti naujas technologijas, ateinančias iš laboratorijos ir į rinką. Mūsų šiandienos tema yra decentralizuoti duomenys. Nesvarbu, ar tai būtų įrenginiai, jutikliai, automobiliai, kraštas, jei norite, renkamų duomenų kiekis auga. Jis gali būti asmeninis ir turi būti apsaugotas. Tačiau ar yra būdas saugiai dalytis įžvalgomis ir algoritmais, kad padėtų kitoms įmonėms, organizacijoms ir net vakcinų tyrinėtojams?

Du žodžiai jums: spiečio mokymasis.

Mano svečias yra daktaras Engas Limas Gohas, „Hewlett Packard Enterprise“ vyresnysis viceprezidentas ir dirbtinio intelekto CTO. Prieš eidamas šias pareigas, daugumą 27 metų jis buvo techninis direktorius Silicon Graphics, dabar HPE įmonėje. Daktaras Gohas buvo apdovanotas NASA išskirtinių technologijų pasiekimų medaliu už darbą su dirbtiniu intelektu Tarptautinėje kosminėje stotyje. Jis taip pat dirbo su daugybe dirbtinio intelekto tyrimų projektų nuo F1 lenktynių iki pokerio botų ir smegenų modeliavimo. Daktaras Gohas turi daugybę patentų, o jo publikacija patenka į „Nature“ viršelį. Šis „Business Lab“ epizodas sukurtas kartu su „Hewlett Packard Enterprise“. Sveiki atvykę, daktare Goh.

Dr. Eng Lim Goh: Ačiū kad priėmei mane.



Lauras: Taigi, naują dešimtmetį pradėjome su pasauline pandemija. Skubus vakcinos radimas leido mokslininkams, vyriausybėms ir įmonėms geriau keistis informacija. Pavyzdžiui, Pasaulio sveikatos organizacija, siekdama padėti mokslininkams, paskelbė Pfizer vakcinos mRNR seką. Kaip galvojate apie tokias galimybes, kaip ši išeis iš pandemijos?

Eng Lim: Mokslo, medicinos ir kitose srityse dalijimasis išvadomis yra svarbi mokslo pažangos dalis. Taigi tradicinis būdas – leidiniai. Reikalas tas, kad per metus, pusantrų nuo COVID-19 padaugėjo publikacijų, susijusių su COVID-19. Pavyzdžiui, vienas kaupėjas turėjo 300 000 tokių su COVID-19 susijusių dokumentų. Dėl didelio duomenų kiekio sunku gauti tai, ko jums reikia.

Taigi nemažai įmonių, organizacijų pradėjo kurti šiuos natūralios kalbos apdorojimo įrankius, AI įrankius, kad galėtumėte užduoti labai konkrečius klausimus, ne tik ieškoti raktinių žodžių, bet ir labai konkrečių klausimų, kad gautumėte reikiamą atsakymą šis dokumentų rinkinys ten. Mokslininkas galėtų paklausti, o tyrėjas galėtų paklausti, kokia yra SARS-CoV-2 smaigalio baltymo prisijungimo energija prie mūsų AKF-2 receptorių? Ir gali būti dar konkretesnis ir pasakyti, aš noriu kcal vienetais vienam moliui. Ir sistema praeis. NLP sistema pereis per šį dokumentų korpusą ir pateiks konkretų atsakymą į tą klausimą ir netgi nurodys dokumentų sritį, kurioje galėtų būti atsakymas. Taigi tai yra viena sritis. Kad padėtų dalytis, galite sukurti AI įrankius, kurie padėtų pasiekti šį milžinišką sugeneruotų duomenų kiekį.

Kita dalijimosi sritis yra dalijimasis klinikinių tyrimų duomenimis, kaip minėjote. Praėjusių metų pradžioje, dar neprasidėjus SARS-CoV-2 vakcinos klinikiniams tyrimams, mums buvo pateikti geltonosios karštinės vakcinos klinikinių tyrimų duomenys. O dar konkrečiau – klinikinio tyrimo savanorių genų ekspresijos duomenys. Ir vienas iš tikslų yra, ar galite išanalizuoti dešimtis tūkstančių šių savanorių išreikštų genų ir padėti kiekvienam savanoriui nuspėti, ar jis ar ji sukels šalutinį šios vakcinos poveikį ir ar jis paskirs geras antikūnų atsakas į šią vakciną? Taigi kurkite nuspėjimo įrankius dalindamiesi šiais klinikinių tyrimų duomenimis, nors ir anonimiškais ir ribotai.

Lauras: Kai kalbame apie natūralios kalbos apdorojimą, manau, kad iš to labai konkretaus pavyzdžio paėmėme du dalykus: galite sukurti geresnius AI įrankius, kurie padėtų tyrėjams. Be to, tai padeda kurti nuspėjimo įrankius ir modelius.

Eng Lim: Taip, žinoma.

Lauras: Taigi, kaip konkretų pavyzdį to, ką dirbote pastaruosius metus, žurnalas „Nature Magazine“ neseniai paskelbė straipsnį apie tai, kaip bendras požiūris į duomenų įžvalgas gali padėti šioms suinteresuotosioms šalims, ypač pandemijos metu. Ką sužinojote per tą darbą?

Eng Lim: Taip. Tai vėlgi susiję su jūsų sukurtu bendrinimo tašku, kaip dalytis mokymusi, kad bendruomenė galėtų greičiau tobulėti. The Gamta jūsų paminėtas leidinys, jo pavadinimas yra Swarm Learning [decentralizuotam ir konfidencialiam klinikiniam mašininiam mokymuisi]. Paimkime ligoninės pavyzdį. Yra ši ligoninė, ir ji priima savo pacientus, ligoninės pacientus, tam tikros demografijos. Ir jei ji nori sukurti mašininio mokymosi modelį, kad būtų galima numatyti, remiantis paciento duomenimis, pavyzdžiui, paciento kompiuterinės tomografijos duomenimis, kad būtų galima numatyti tam tikrus rezultatus. Tokio mokymosi atskirai problema yra ta, kad jūs pradedate kurti modelius, mokydami savo paciento duomenis, pagrįstus matomais demografiniais rodikliais. Arba kitais būdais, atsižvelgiant į turimų medicinos prietaisų tipą.

Sprendimas yra rinkti duomenis iš skirtingų ligoninių, galbūt iš skirtingų regionų ar net skirtingų šalių. Tada sujunkite visus šiuos ligoninių duomenis ir apmokykite mašininio mokymosi modelį pagal sujungtus duomenis. Problema ta, kad dėl pacientų duomenų privatumo negalite dalytis šiais duomenimis. Spiečio mokymasis padeda bandyti išspręsti šią problemą dviem būdais. Pirma, užuot rinkę duomenis iš šių skirtingų ligoninių, kiekvienai ligoninei leidžiame mokyti mašininio mokymosi modelį pagal savo privačius paciento duomenis. Ir tada kartais atsiranda blokų grandinė. Tai antrasis būdas. Ateina blokų grandinė ir surenka visus mokymus. pabrėžiu. Mokymai, o ne paciento duomenys. Surinkite tik įgytas žinias ir derinkite jas su kitų ligoninių kituose regionuose ir kitose šalyse įgytomis žiniomis, suskaičiuokite jų vidurkį ir išsiųskite atgal į visas ligonines – atnaujintus pasauliniu mastu sujungtus vidutinius mokymus.

O mokymusi turiu galvoje parametrus, pavyzdžiui, neuroninio tinklo svorius. Parametrai, kurie yra neuroninio tinklo svoriai mašininio mokymosi modelyje. Taigi šiuo atveju jokie paciento duomenys niekada nepalieka atskiros ligoninės. Tai, kas palieka ligoninę, yra tik mokymasis, parametrai arba neuroninio tinklo svoriai. Taigi, kai išsiuntėte savo vietoje išmoktus parametrus, ir tai, ką gaunate iš blokų grandinės, yra visuotiniai suvidurkinti parametrai. Tada atnaujinate savo modelį su pasauliniu vidurkiu ir vėl tęsite mokymąsi vietoje. Po kelių šio dalijimosi žiniomis ciklų mes jį išbandėme. Kiekviena ligoninė gali tiksliai ir su mažesniu šališkumu nuspėti, tarsi būtumėte surinkę visus pacientų duomenis visame pasaulyje vienoje vietoje ir iš to pasimokę.

Lauras: Priežastis, kodėl naudojama blokų grandinė, yra ta, kad tai iš tikrųjų yra saugus ryšys tarp įvairių, šiuo atveju, mašinų, tiesa?

Eng Lim: Taip, yra dvi priežastys, kodėl mes naudojame „blockchain“. Pirmoji priežastis yra jo saugumas. Antra, mes galime išlaikyti šią informaciją privačią, nes privačioje blokų grandinėje gali dalyvauti tik dalyviai, pagrindiniai dalyviai arba sertifikuoti dalyviai. Dabar, net jei blokų grandinė yra pažeista, matomi tik svoriai arba mokymosi parametrai, o ne privatūs paciento duomenys, nes privačių pacientų duomenų blokų grandinėje nėra.

Antroji blokų grandinės naudojimo priežastis yra priešingai nei centrinis saugotojas, kuris renka parametrus ir mokymosi duomenis. Nes paskyrus saugotoją, subjektą, kuris renka visas šias žinias, jei viena iš ligoninių tampa ta saugotoja, tuomet susidaro situacija, kai tas paskirtas saugotojas turi daugiau informacijos nei kiti arba turi daugiau galimybių nei kiti. Ne tiek daugiau informacijos, bet ir daugiau galimybių nei kiti. Taigi, norėdami turėti teisingesnį pasidalijimą, naudojame blokų grandinę. O „blockchain“ sistemoje atsitiktinai paskiria vieną iš dalyvių kaip kolekcionierių, kaip lyderį, kuris surinks parametrus, suskaičiuoja jų vidurkį ir grąžina atgal. O kitame cikle atsitiktinai paskiriamas kitas dalyvis.

Lauras: Taigi, čia yra du įdomūs dalykai. Pirma, šis projektas sėkmingas, nes jūs nenaudojate tik savo duomenų. Jums leidžiama pasirinkti šiuos santykius, kad galėtumėte naudotis ir kitų tyrėjų duomenimis. Taigi tai sumažina šališkumą. Taigi tai yra viena iš išspręstų didelių problemų. Tačiau taip pat ir ši kita įdomi teisingumo problema ir tai, kaip kartais net algoritmai gali būti ne tokie teisingi. Bet kai blokų grandinėje turite sąmoningai atsitiktinį algoritmą, priskiriantį vadovavimą kiekvieno subjekto žinių rinkimui, tai taip pat padeda pašalinti bet kokį galimą šališkumą, tiesa?

Eng Lim: Taip taip taip. Nuostabi santrauka, Laurel. Taigi yra pirmasis šališkumas, ty, jei mokotės atskirai, ligoninė mokosi, neuroninio tinklo modelis arba mašininio mokymosi modelis, apskritai, ligoninė mokosi atskirai, tik remdamasi savo privačiais paciento duomenimis, jie bus natūraliai nusiteikę prie matomų demografinių rodiklių. Pavyzdžiui, turime pavyzdį, kai ligoninė apmoko mašininio mokymosi modelius krūtinės ląstos rentgenogramose ir mato daugybę tuberkuliozės atvejų. Tačiau labai mažai plaučių kolapso atvejų. Taigi, šis neuroninio tinklo modelis, kai bus išmokytas, bus labai jautrus tam, kas aptinka tuberkuliozę, ir mažiau jautrus, pavyzdžiui, plaučių kolapso aptikimui. Tačiau kitoje ligoninėje gauname atvirkščiai. Taigi jūs tikrai norite, kad šios dvi ligoninės sujungtų savo duomenis, kad gautas neuroninio tinklo modelis galėtų geriau numatyti abi situacijas. Tačiau kadangi negalite dalytis šiais duomenimis, spiečiaus mokymasis padeda sumažinti abiejų ligoninių šališkumą.

Lauras: Gerai. Taigi mes turime labai daug duomenų. Ir jis auga eksponentiškai, nes kraštas, kuris iš tikrųjų yra bet koks duomenis generuojantis įrenginys, sistema ar jutiklis, plečiasi. Taigi, kaip decentralizuoti duomenys keičia įmonių požiūrį į duomenis?

Eng Lim: O, tai gilus klausimas. Remiantis vienu skaičiavimu, kitais metais, iki 2022 m., pakraštyje bus 50 milijardų prijungtų įrenginių. Ir tai sparčiai auga. Ir mes artėjame prie taško, kad šiame pasaulyje turime vidutiniškai apie 10 prijungtų įrenginių, galinčių rinkti duomenis vienam asmeniui. Atsižvelgiant į tokią situaciją, svorio centras pasislinks nuo duomenų centro, kuris yra pagrindinė duomenų generavimo vieta, į tą, kur svorio centras bus duomenų generavimo pakraštyje. Ir tai labai pakeis įmonių dinamiką. Todėl pamatysite, kad reikia šių įrenginių, kuriuose šis didžiulis duomenų kiekis generuojamas pakraštyje, kai yra tiek daug šių įrenginių, kad pasieksite tašką, kai negalėsite sau leisti perkelti ar grąžinti visų tų duomenų. į debesį ar duomenų centrą.

Net su 5G, 6G ir pan. Duomenų augimas bus didesnis nei šių naujų telekomunikacijų galimybių pralaidumo augimas. Taigi jūs pasieksite tašką, kai neturėsite kito pasirinkimo, kaip tik perkelti intelektą į kraštą, kad galėtumėte nuspręsti, kokius duomenis perkelti atgal į debesį ar duomenų centrą. Taigi tai bus naujas amžius. Pasaulis pasikeis iš tokio, kuriame turite centralizuotus duomenis, prie ko buvome įpratę dešimtmečius, į tokį, kuriame turėsite jaustis, kai duomenys yra visur. Ir kai taip yra, reikia daugiau bendradarbiauti, bendradarbiauti, daugiau mokytis iš lygiaverčių.

Dėl šios priežasties spiečiaus mokymasis taps vis svarbesnis, nes svorio centras pasislenka iš ten, kur duomenys yra centralizuoti, į tą, kuriame duomenys yra visur.

Lauras: Ar galėtumėte šiek tiek daugiau pakalbėti apie tai, kaip spiečių intelektas yra saugus pagal dizainą? Kitaip tariant, tai leidžia įmonėms dalytis įžvalgomis iš duomenų mokymosi su išorės įmonėmis ar net įmonės grupėmis, bet tada jos iš tikrųjų nesidalija tikrais duomenimis?

Eng Lim: Taip. Iš esmės, kai norime mokytis vieni iš kitų, vienas iš būdų yra dalytis duomenimis, kad kiekvienas iš mūsų galėtų mokytis vieni iš kitų. Spiečiaus mokymasis yra tai, kad stengiamasi išvengti dalijimosi duomenimis arba visiškai neleisti dalytis duomenimis, naudojant [modelį], kuriame jūs tik dalinatės įžvalgomis, dalijatės mokymusi. Štai kodėl tai yra iš esmės saugesnė, naudojant šį metodą, kai duomenys išlieka privatūs toje vietoje ir niekada nepalieka to privataus subjekto. Tai, kas palieka tą privatų subjektą, yra tik mokymasis. Ir šiuo atveju neuroninio tinklo svoriai arba tų mokymosi parametrai.

Dabar yra žmonių, kurie tiria galimybę išvesti duomenis iš mokymosi, tai vis dar yra tyrimo fazėje, bet mes esame pasirengę, jei tai kada nors pasiteisins. Ir tai yra, blokų grandinėje mes atliekame homomorfinį svorių, parametrų ir mokymosi šifravimą. Sakydami homomorfinius, turime omenyje, kai paskirtasis vadovas surenka visus šiuos svorius ir tada juos suvidurkina, galite juos suvidurkinti šifruota forma, kad kas nors perimtų blokų grandinę, matytų užšifruotus mokymus. Jie patys nemato mokymosi. Tačiau mes to dar neįdiegėme, nes nemanome, kad tai būtina, kol pamatysime, kad galimybė apgręžti mokymosi duomenis tampa įmanoma.

Lauras: Taigi, kai galvojame apie griežtesnes taisykles ir teisės aktus, susijusius su duomenimis, pvz., BDAR ir Kalifornijos CCPA, reikia rasti tam tikrą privatumo problemų sprendimą. Ar manote, kad mokymasis spiečius yra viena iš galimų galimybių, kai įmonės didina turimų duomenų kiekį?

Eng Lim: Taip, kaip variantas. Pirma, jei reikia kraštinių įrenginių, kurie mokytųsi vieni iš kitų, spiečiaus mokymasis yra tam naudingas. Antra, mokydamiesi nenorite, kad kiekvieno subjekto ar spiečiaus mokymosi dalyvio duomenys paliktų tą esybę. Jis turėtų likti tik ten, kur yra. O belieka tik parametrai ir mokymasis. Matote tai ne tik ligoninės scenarijuje, bet ir finansų srityje. Pavyzdžiui, kredito kortelių bendrovės, žinoma, nenorėtų dalytis savo klientų duomenimis su kita konkuruojančia kredito kortelių bendrove. Tačiau jie žino, kad mašininio mokymosi modelių mokymasis vietoje nėra toks jautrus duomenims apie sukčiavimą, nes jie nemato visų skirtingų sukčiavimo rūšių. Galbūt jie mato vieną sukčiavimo rūšį, bet kita kredito kortelių įmonė gali matyti kitą sukčiavimo rūšį.

Čia būtų galima naudoti „Swarm“ mokymąsi, kai kiekviena kredito kortelių įmonė saugo savo klientų duomenis privačius ir jais nesidalija. Tačiau blokų grandinė ateina ir dalijasi įgytomis žiniomis, sukčiavimo duomenų mokymu, surenka visus tuos duomenis, apskaičiuoja jų vidurkį ir grąžina visoms dalyvaujančioms kredito kortelių bendrovėms. Taigi tai yra vienas pavyzdys. Tą patį galėtų padaryti ir bankai. Pramoniniai robotai taip pat galėtų padaryti tą patį.

Turime automobilių pirkėją, kuris turi dešimtis tūkstančių pramoninių robotų, tačiau skirtingose ​​šalyse. Šiandien pramoniniai robotai vadovaujasi instrukcijomis. Tačiau naujos kartos robotuose su AI jie taip pat mokysis vietoje, pavyzdžiui, kad išvengtų tam tikrų klaidų ir jų nekartotų. Naudodami spiečiaus mokymąsi galite padaryti, jei šie robotai yra skirtingose ​​šalyse, kur negalite dalytis duomenimis, jutiklių duomenimis iš vietinės aplinkos už šalies ribų, bet jums leidžiama dalytis patirtimi, kaip išvengti šių klaidų, spiečio mokymasis gali todėl turi būti taikomos. Taigi dabar įsivaizduokite, kad įvairiose šalyse gausu pramoninių robotų, kurie dalijasi patirtimi, kad nekartotų tų pačių klaidų.

Tai gi taip. Įmonėje galite pamatyti įvairias spiečiaus mokymosi programas. Finansai, inžinerija ir, žinoma, sveikatos priežiūra, kaip jau aptarėme.

Lauras: Kaip manote, ar įmonės turi pradėti kitaip galvoti apie savo tikrąją duomenų architektūrą, kad paskatintų galimybę dalytis šiomis įžvalgomis, bet iš tikrųjų nesidalyti duomenimis?

Eng Lim: Visų pirma, turime būti patenkinti tuo, kad duomenis renkančių įrenginių daugės. Ir jie bus toje vietoje, kur pirmiausia patenka duomenys. Koks kraštas? Kraštas yra vieta, kur turite įrenginį ir kur duomenys pirmiausia patenka elektroniniu būdu. Ir jei įsivaizduojate, kad, pavyzdžiui, kitais metais jų bus 50 milijardų ir, pagal vieną įvertinimą, jie augs, turime būti patenkinti tuo, kad duomenys bus visur. Ir norėdami sukurti savo organizaciją, sukurkite duomenų naudojimo būdą, suprojektuokite duomenų prieigos būdą atsižvelgdami į šią koncepciją, ty pereikite nuo to, prie kurio esame įpratę, ty duomenys dažniausiai centralizuojami, prie tokio, kuriame duomenys. yra visur. Taigi dabar turi būti kitoks būdas pasiekti duomenis. Dabar negalite galvoti apie tai, kad pirmiausia reikia sukaupti visus duomenis, ištraukti visus duomenis, perkelti visus duomenis iš krašto į centralizuotą vietą ir tada dirbti su jais. Gali tekti pereiti prie scenarijaus, kai dirbame su duomenimis, mokomės iš duomenų, kol duomenys vis dar yra.

Lauras: Taigi, mes šiek tiek kalbėjome apie sveikatos priežiūrą ir gamybą. Kaip jūs taip pat įsivaizduojate dideles išmaniųjų miestų ir autonominių transporto priemonių idėjas, derančias su spiečiaus intelekto idėjomis?

Eng Lim: Taip taip taip. Tai du dideli, dideli daiktai. Ir labai panašiai, jūs galvojate apie išmanųjį miestą, jis pilnas jutiklių, pilnas prijungtų įrenginių. Pagalvokite apie autonominius automobilius, pagal vieną apskaičiavimą automobilyje yra maždaug 300 jutiklių prietaisų, kurie renka duomenis. Panašus mąstymo būdas, duomenys bus visur ir bus renkami realiu laiku šiuose kraštutiniuose įrenginiuose. Išmaniesiems miestams tai galėtų būti gatvių apšvietimas. Dirbame su vienu miestu, kuriame yra 200 000 gatvių žibintų. Ir jie nori, kad kiekvienas iš šių gatvių žibintų būtų išmanus. Protingas turiu omenyje gebėjimą rekomenduoti sprendimus ar net priimti sprendimus. Pasieksite tašką, kai, kaip jau sakiau anksčiau, negalite visą laiką perkelti visų duomenų į duomenų centrą ir priimti sprendimų atlikę apibendrinimą. Daug kartų tenka priimti sprendimus, kur renkami duomenys. Ir todėl viskas turi būti protinga, svarbiausia.

Ir jei žengsime šį žingsnį toliau, nei veiksime pagal instrukcijas arba veiksime pagal neuroninių tinklų modelius, kurie buvo iš anksto paruošti ir tada išsiųsti į kraštą, žengsite dar vieną žingsnį toliau, tai yra, norite, kad krašto įrenginiai taip pat išmoktų savo iš surinktų duomenų. Tačiau žinant, kad renkami duomenys yra neobjektyvūs tam, ką jie tik mato, norint, kad šie įrenginiai galėtų mokytis vieni iš kitų, spiečius reikės mokytis lygiaverčiu būdu.

Taigi, šis tarpusavio ryšys, šių kraštinių įrenginių tarpusavio ryšys, reikalauja, kad mes permąstytume arba pakeistume požiūrį į skaičiavimus. Paimkite, pavyzdžiui, du autonominius automobilius. Pirmiausia juos vadiname sujungtais automobiliais. Du sujungti automobiliai, vienas prieš kitą 300 ar 300 metrų. Priekyje esantis su daugybe jutiklių, tarkime, amortizatoriuose, jaučia duobę. Ir iš tikrųjų gali pateikti tuos nujautus duomenis, kad prie užpakalinių automobilių yra duobė. Ir jei už nugaros esantys automobiliai įsijungia, kad automatiškai priimtų juos, ta duobė atsiras automobilio prietaisų skydelyje. O iš paskos važiuojantis automobilis tik sumoka gal 0,10 cento už tą informaciją priekyje važiuojančiam automobiliui.

Taigi susidaro situacija, kai bendrinate lygiavertį ryšį realiuoju laiku ir nereikia visų tų duomenų pirmiausia siųsti atgal į kokią nors centrinę vietą, o paskui vėl siųsti naują informaciją iš paskos esančiam automobiliui. Taigi, jūs norite, kad tai būtų lygiavertė. Vis daugiau ir daugiau, nesakau, kad tai dar įgyvendinama, bet tai leidžia suprasti, kaip mąstymas gali pasikeisti ateityje. Daug daugiau dalijimosi bendraamžiais ir daug daugiau tarpusavio mokymosi.

Lauras: Kai pagalvoji apie tai, kiek ilgai dirbome technologijų pramonėje, ir pagalvoji, kad „peer-to-peer“ kaip frazė sugrįžo, kur anksčiau tai reiškė žmones ar net kompiuterius, kurie internetu dalijasi įvairia informacija. Dabar prietaisai ir jutikliai dalijasi informacijos dalimis. Skirtingas „peer-to-peer“ apibrėžimas.

Eng Lim: Taip. Mąstymas keičiasi. Ir bendraamžis, žodis peer, peer-to-peer, reiškiantis, kad jis turi teisingesnio pasidalijimo konotaciją. Štai kodėl kai kuriais iš šių atvejų reikia blokų grandinės, kad nebūtų centrinio saugotojo, kuris apskaičiuotų vidurkį ir apjungtų mokymąsi. Taigi jūs norite tikros „peer-to-peer“ aplinkos. Ir tam yra sukurtas spiečio mokymasis. Ir dabar to priežastis yra ne todėl, kad manome, kad tarpusavio santykiai yra kitas didelis dalykas, todėl turėtume tai padaryti. Taip yra dėl duomenų ir šių įrenginių platinimo, kurie renka duomenis.

Įsivaizduokite, kad ten yra dešimtys milijardų tokių įrenginių, ir kiekvienas iš šių įrenginių tampa išmanesnis ir sunaudoja mažiau energijos, kad būtų toks protingas, ir pereina nuo tokio, kuriame jie vykdo instrukcijas arba daro išvadas iš jiems suteikto iš anksto parengto neuroninio tinklo modelio. kur jie netgi gali mokytis savarankiškai. Tačiau žinant, kad tokių įrenginių yra tiek daug, todėl kiekvienas iš jų mato tik nedidelę dalį. Mažas vis tiek yra didelis, jei sujungiate juos visus, 50 mlrd. Tačiau kiekvienas iš jų mato tik nedidelę duomenų dalį. Ir todėl, jei jie tiesiog mokysis atskirai, jie bus labai nusiteikę tam, ką mato. Todėl turi būti koks nors būdas, kuriuo jie galėtų dalytis savo mokymusi nesidalindami savo privačiais duomenimis. Ir todėl spiečiaus mokymasis. Priešingai visų 50 milijardų kraštinių įrenginių duomenų grąžinimui į šias debesies vietas, duomenų centrų vietas, kad jie galėtų atlikti bendrą mokymąsi.

Lauras: Kas kainuotų tikrai daugiau nei cento dalelę.

Eng Lim: O taip. Yra toks posakis: pralaidumas, už kurį mokate. Latencija, jūs prakaituojate. Taigi tai kainuoja. Pralaidumas kainuoja.

Lauras: Taigi, kas jus, kaip dirbtinio intelekto ekspertą, labiausiai jaudina ateinančiais metais? Ką matote, apie ką galvojate, kad tai bus kažkas didelio per ateinančius penkerius, 10 metų?

Eng Lim:

Ačiū, Laurel. Nematau savęs AI ekspertu, o asmeniu, kuriam yra pavesta dirbti su klientais dirbtinio intelekto naudojimo atvejais ir mokytis iš jų. Šių skirtingų AI naudojimo atvejų įvairovė ir mokymasis iš jų – kai kurios vadovaujančios komandos, tiesiogiai dirbančios su projektais ir prižiūrinčios kai kuriuos projektus. Tačiau, kalbant apie jaudulį, tai iš tikrųjų gali atrodyti kasdieniška. Ir tai yra, įdomi dalis yra tai, kad aš matau AI. Išmaniųjų sistemų galimybė mokytis ir prisitaikyti, o daugeliu atvejų – padėti žmonėms priimti sprendimus. Ir kitais ribotais atvejais priimkite sprendimus remdami žmones. DI plinta visame kame, kurį darome, daugelyje dalykų, kuriuos darome – kai kuriuos dalykus galbūt turėtume apriboti – bet daugelyje dalykų, kuriuos darome.

Noriu pasakyti, kad naudokime paprasčiausius pavyzdžius. Kaip gali būti ši progresija. Paimkime šviesos jungiklį. Ankstyvosiomis dienomis, net iki šių dienų, pats paprasčiausias šviesos jungiklis buvo rankinis. Žmogus eina priekyje, įjungia jungiklį ir užsidega šviesa. Ir išjungia jungiklį, ir šviesa užgęsta. Tada pereiname į kitą lygį. Jei norite analogijos, daugiau kito lygio, kur tą jungiklį automatizuojame. Ant to jungiklio su šviesos matuokliu uždėjome instrukcijų rinkinį ir nustatome nurodymus, kad jei apšvietimas šioje patalpoje nukrenta iki 25% didžiausio, įjunkite. Taigi iš esmės mes davėme nurodymą su jutikliu eiti su juo, prie jungiklio. Ir tada jungiklis dabar yra automatinis. Ir tada, kai apšvietimas kambaryje sumažėja iki 25% didžiausio apšvietimo, jis įjungia šviesą. Taigi dabar jungiklis yra automatizuotas.

Dabar mes netgi galime žengti žingsnį toliau šioje automatizacijoje, padarydami jungiklį išmanų, nes jame gali būti daugiau jutiklių. Tada naudodami jutiklių derinius priimkite sprendimus, ar įjungti šviesą. Ir valdydami visus šiuos jutiklius sukūrėme neuroninio tinklo modelį, kuris buvo iš anksto paruoštas atskirai, o tada atsisiųstas į jungiklį. Štai kur mes šiandien esame. Jungiklis dabar yra protingas. Išmanusis miestas, išmanieji gatvių žibintai, autonominiai automobiliai ir pan.

Dabar, ar yra kitas lygis už to? Yra. Ir tai yra tada, kai jungiklis ne tik vadovaujasi instrukcijomis arba turi ne tik apmokytą neuroninio tinklo modelį, kuris nuspręstų, kaip sujungti visus skirtingus jutiklio duomenis, kad nuspręstų, kada tiksliau įjungti šviesą. Jis žengia toliau į tą, kur mokosi. Tai yra pagrindinis žodis. Iš klaidų mokomasi. Koks būtų pavyzdys? Pavyzdys būtų toks, remiantis turimu neuroninio tinklo modeliu, kuris buvo iš anksto paruoštas, atsisiųstas į jungiklį su visais nustatymais. Jis įjungia šviesą. Bet kai žmogus ateina, žmogus sako, kad šį kartą man nereikia įjungti šviesos, žmogus išjungia šviesą. Tada jungiklis supranta, kad iš tikrųjų priėmė sprendimą, kuris žmogui nepatiko. Taigi po kelių iš jų jis pradeda prisitaikyti, mokytis iš jų. Prisitaikykite taip, kad galėtumėte įjungti šviesą pagal besikeičiančius žmogaus pageidavimus. Tai yra kitas žingsnis, kai norite, kad krašto įrenginiai, renkantys duomenis, pasimokytų iš jų.

Tada, žinoma, jei tai darysite toliau, visi šio biuro ar gyvenamojo namo jungikliai mokysis vieni iš kitų. Tai bus spiečiaus mokymasis. Taigi, jei vėliau pereisite prie skrudintuvų, šaldytuvų, automobilių, pramoninių robotų ir t. t., pamatysite, kad tai darydami aiškiai sumažinsime energijos suvartojimą, atliekų kiekį ir padidinsime našumą. Bet svarbiausia turi būti žmogaus labui.

Lauras: Ir koks nuostabus būdas užbaigti mūsų pokalbį. Labai dėkojame, kad prisijungėte prie mūsų verslo laboratorijoje.

Eng Lim: Ačiū Laurel. Labai vertinama.

Lauras: Tai buvo dr. Eng Limas Gohas, Hewlett Packard Enterprise vyresnysis viceprezidentas ir dirbtinio intelekto CTO, su kuriuo kalbėjausi iš Kembridžo, Masačusetso valstijos, MIT ir MIT Technology Review namų, iš kurio atsiveria vaizdas į Charleso upę. Štai šiai „Verslo laboratorijos“ serijai. Aš esu jūsų šeimininkė Laurel Ruma. Esu „Insights“, „MIT Technology Review“ tinkintos leidybos padalinio, direktorius. Mes buvome įkurti 1899 m. Masačusetso technologijos institute. Mus galite rasti spaudoje, internete ir kasmet vykstančiuose renginiuose visame pasaulyje. Norėdami gauti daugiau informacijos apie mus ir pasirodymą, apsilankykite mūsų svetainėje adresu technologyreview.com. Laida pasiekiama visur, kur gaunate podcast'us. Jei jums patiko ši serija, tikimės, kad skirsite šiek tiek laiko mus įvertinti ir peržiūrėti. „Business Lab“ yra „MIT Technology Review“ produkcija. Šią seriją prodiusavo Collective Next. Ačiū, kad klausėte.

Šį tinklalaidės epizodą sukūrė „Insights“, tinkinto turinio padalinys „MIT Technology Review“. Jį sukūrė ne „MIT Technology Review“ redakcija.

paslėpti