New-Tech Magazine | April 2019

מתאימיםאתהסקתהמסקנות בתהליך לימוד מכונה לעמידה בדרישותשל הביצועים בעולםהממשי

] מנהל בכיר, פיתוח שיווק אסטרטגי Daniel Eaton[ דניאל איטון

ר

מציעים את יכולת FPGA כיבי הגדרת הקונפיגורציה הדרושה

בין אם הרשתות המאומנות פרושות לצורך הסקת מסקנות בענן או במערכות משובצות בקצוות הרשת, רוב הציפיות של המשתמשים מבקשות קצב העברת נתונים ) קצר. latency דטרמיניסטי וזמן אחזור ( לקבלת שתי תוצאות אלו בו זמנית, בתוך מארז בגודל סביר ותחת מגבלות הספק, יש צורך במנוע מחשב יעיל ומקבילי במידה רבה, שיימצא בלב המערכת שתוכננה להעביר נתונים בצורה יעילה פנימה והחוצה. להשגת אלו נדרשות תכונות כגון, היררכית זיכרון גמישה וחיבורי ביניים על פני רוחב פס רחב ניתן להתאמה. בניגוד לדרישות אלו, המנועים מבוססי , המשמשים בדרך כלל לצורך GPU מעבדי אימון רשתות עצביות מלאכותיות – אשר רבים tera FLOPS צורכים זמן ומשאבי של מחזורי מחשוב - יש מבנים קשיחים של חיבורים פנימיים והיררכית זיכרון שאינם מתאימים כל כך להסקת מסקנות בזמן אמת. בעיות כגון שכפול נתונים, השמטותשל זיכרון מטמון וחסימות, מתרחשות באופן נפוץ. על מנת להשיג ביצועים משביעי רצון בהסקת מסקנות, יש צורך בארכיטקטורה גמישה יותר שניתנת לשדרוג.

פרוייקטים מובילים משפרים את יכולת הגדרת קונפיגורציה (מערכי שערים ניתנים לתכנות FPGA רכיבי בשטח), אשר משלבים אריחי מחשוב ) שעברו אופטימיזציה, compute tiles ( זיכרון מקומי מבוזר וחיבורים פנימיים משותפים ללא חסימה וניתנים להתאמה, יכולים להתגבר על מגבלות מסורתיות של אבטחת תפוקה דטרמיניסטית וזמן אחזור קצר. אכן, ככל שעומסי העבודה של לימוד מכונה הופכים להיות תובעניים יותר, פרוייקטים פורצי דרך של לימוד מכונה, Microsoft של Project Brain Wave כגון לביצוע חישובי FPGA משתמשים ברכיבי זמן אמת באופן שהוא כדאי מבחינת עלותו ובזמן אחזור נמוך במידה קיצונית, שהוכח שאין אפשרות לממש אותו, בעזרת יחידות . GPU פרוייקט מתקדם נוסף של לימוד מכונה, Alibaba מאת ספק שירותי מחשב גלובליים כבבסיס לבניית FPGA , בחר ברכיבי Cloud Deep ('מעבד ללמידה עמוקה' - DLP מעבד ) עבור זיהוי Learning Processor - DLP איפשרו FPGA וניתוח של תמונות. רכיבי לקבל בו זמנית זמן אחזור DLP למעבד

להסקת מסקנות בתהליך לימוד מכונה בזמן אמת, עם גמישות ההתאמה לעומסי העבודה של העתיד. אפשרות הגישה ליתרונות אלו שתינתן לחוקרי נתונים ולאנשי פיתוח, מזמינה כליםשיהיו מקיפים וקלים לשימוש. מבוא: הסקת מסקנות בתהליך לימוד מכונה בזמן אמת לימוד מכונה הוא הכוח שמאחורי שירותים חדשים שמשפרים את האינטראקציה שבין קול טבעי לזיהוי תמונה, על מנת לספק חוויות של מדיה חברתית או של מרכז תקשורת, שמתנהלות באופן חלק. יתר על כן, היכולת של רשתות עצביות מלאכותיות, ,) deep learning המאומנות בלמידה עמוקה ( לזהות תבניות או חריגות בכמויות עצומות של נתונים הקשורים למספרים גדולים של משתנים, משנה גם את הדרך שבה אנו מתנהלים במחקר מדעי, תכנון פיננסי, ניהול ערים חכמות, תכנות רובוטים תעשייתיים ובתהליכי אספקת טרנספורמציה עסקית ,) digital business transformation ספרתית ( באמצעות שירותים כגון תאומים ספרתיים ) ותחזוקה חזויה. digital twin (

New-Tech Magazine l 36