31 March 2017   | 0
Digitale Transformatie

AI in training voor mainstream-gebruik

AI in training voor mainstream-gebruik

De ontwikkeling van Artificial Intelligence (AI) bevindt zich in een cruciale fase. Fujitsu maakt stappen op verschillende gebieden.

Wanneer we in de toekomst terugkijken naar het moment waarop we ons nu bevinden, zullen we concluderen dat dit het omslagpunt was voor kunstmatige intelligentie. “We gaan van theoretisch mogelijke toepassingen naar mainstream”, zegt Dr. Joseph Reger, Fujitsu’s CTO. In een blog gaat hij in op het momentum in de ontwikkeling van AI. Door de enorme toename van beschikbare data, onder meer uit IoT-devices, is het nu mogelijk om AI-systemen te ‘trainen’. Een belangrijke fase in de ontwikkeling, gezien de rekenkracht die nodig is voor zelflerende systemen.

Kracht is niet alles

Hedendaagse neurale netwerken – de basis van AI – werken anders dan traditionele computerstructuren. Zij gaan niet uit van krachtige centrale processoren, maar bestaan uit een veelheid van simpele processoren die collectief reageren op het patroon van ontvangen input. Het zijn lagen van verschillende verwerkende elementen, en signalen kunnen in deze netwerken alle kanten op gaan. Hoe meer informatie zij verwerken en hoe meer zij ‘leren’, hoe meer rekenkracht nodig is. Processorkracht helpt, maar het gaat niet om kracht alleen: de uitdaging is om systemen te ontwikkelen die afgestemd zijn op de deze specifieke manier van informatie verwerken.

In de complexe uitdaging om tot betere AI-systemen te komen, heeft Fujitsu al gemerkt dat traditionele CPU’s (Central Processing Units; de technologie die in feite ook te vinden is in de gemiddelde desktop- of laptop-pc) niet voldoen in neurale netwerken. Deze traditionele processoren worden daarom vaak vervangen door Graphics Processing Units (GPU’s), gemaakt door bedrijven als Nvidia. Door een proces dat bekend staat als ‘parallel processing’ zijn deze in staat de algoritmen in neurale netwerken te versnellen. Na een bepaald punt is dit echter ook geen verbetering meer, omdat het systeem gelimiteerd is door de snelheid waarmee data beweegt tussen de afzonderlijke chips in het netwerk.

Gespecialiseerde hardware

De innovatieve aanpak van Fujitsu om deze uitdaging te overwinnen is het bouwen van grotere neurale netwerken rondom elke processor. Dit kan door geheugen beter te stroomlijnen rondom elke chip en door efficiëntere algoritmen toe te passen. Dit heeft de snelheid verdubbeld waarmee neurale netwerken zich ontwikkelen die gebaseerd zijn op de wereldwijde onderzoeksnetwerken AlexNet en VGGNet. Een uitdaging blijft wel dat het optimaliseren van hardware en software bij met name grote neurale netwerken niet genoeg is. Hiervoor ontwikkelt Fujitsu nieuwe hardware, de zogenoemde Field Progammable Gate Arrays (FPGA’s). Een recente proef liet zien dat deze hardware bepaalde problemen maar liefst 10.000 keer sneller oplost dan conventionele computers.

De ontwikkeling van AI is veelbelovend en Fujitsu draagt hier op verschillende vlakken aan bij. Door het ontwikkelen van gespecialiseerde hardware en verbeterde algoritmen, maar ook door het bouwen van supercomputers zoals de K supercomputer. Deze lost complexe vraagstukken op, onder meer voor de gezondheidszorg, klimaatonderzoek en rampenpreventie. AI is een belangrijk thema in Fujitsu’s Technology & Service Vision.

 

Door deze site te te blijven gebruiken, gaat u akkoord met het gebruik van cookies. meer informatie

De cookie-instellingen op deze website zijn ingesteld op 'toestaan cookies "om u de beste surfervaring te bieden. Als u doorgaat met deze website te gebruiken zonder het wijzigen van uw cookie-instellingen of u klikt op "Accepteren" hieronder dan bent u akkoord met deze instellingen. Wij gebruiken cookies van Google Analytics om het bezoekersgedrag te analyseren teneinde de gebruikerservaring te verbeteren. Deze gegevens zijn niet naar u persoonlijk te herleiden.

Sluiten