New-Tech Magazine | April 2019

את האתגרים הכרוכים בפיתוח חומרה ומפשטים את הטמעת לימוד המכונה בעזרת יישומים שקיימים במרכז הנתונים. המערכת האקולוגית תומכת בפרישת לימוד מכונה בתרחישי שימוש משובצים או בתרחישי שימוש קצה, כשהיא ממנפת לא רק את הגוזם, אלא גם כלי כימוי, מהדר וזמן , על מנת DeePhi Technology הפעלה של ליצור רשתות עצביות מלאכותיות יעילות לביצועים גבוהים, שמתאימות לחומרה .)3 משובצת מוגבלת במשאבים (איור Zynq™ חומרה מוכנה לשימוש כגון הכרטיס Zynq והמערכת על המודול UltraScale™ 9 מפשטת את פיתוח החומרה ומאיצה 7020 את האינטגרציה של התוכנה. קיימים גם מספר ספקי תוכנה חדשניים בלתי תלוייםשבנו שכבותשלהסקתמסקנות ברשת עצבית מלאכותית בקונבולוציה . FPGA ) שניתן לפרוש אותן לרכיבי CNN ( , מאיץ הסקת Zebra בנתה את Mipsolosgy שיכול בקלות להחליף מעבד CNN מסקנות והוא תומך במספר GPU או מעבד CPU Resent 50, , רשתות סטנדרטיות (למשל ) ובמסגרות עבודה InceptionV 3, Caffenet מותאמות אישית, אשר הציג תפוקה מדהימה בזמן אחזור נמוך ביותר, כמו תמונות בשנייה. 3,700- ב Resent 50 , למשל הוא דוגמה Omnitek של DPU מעבד נוספת לשכבת הסקת מסקנות שמפעילה על DNN ביצועים גבוהים מאוד של מעבד GoogLeNet . למשל, ברשת FPGA רכיבי Omnitek המעבד של Inception - v 1 CNN 224 x 224 מבצע הסקת מסקנות על תמונות 8 בעזרת עיבוד של מספרים שלמים בני פעולות של 5,300 סיביות, ביותר מאשר הסקת מסקנות בשנייה על כרטיס המאיץ . Xlinix של Alveo במרכז הנתונים מחשוב ניתן לקונפיגורציה מחדש עבור גמישות בעתיד בנוסף לאתגרים הקשורים בהבטחת הביצועים הנדרשים של הסקת מסקנות, אנשי הפיתוח שפורשים לימוד מכונה חייבים גם לקחת בחשבון שהנוף הטכנולוגי הכולל שמקיף את לימוד המכונה ואת הבינה המלאכותית משתנה במהירות. את הרשתות העצביות המלאכותיות מהשורה הראשונה הקיימות היום, אפשר בקלות להחליף ברשתות חדשות ומהירות יותר, שאולי לא יהיו מתאימות בצורה טובה לארכיטקטורות חומרה מסורתיות. לעת עתה, יישומים מסחריים של לימוד

מספקת כלים שעברו אופטימיזציה עבור לימוד ML-Suite : הסוויטה 3 . איור מס « מכונה בענן ולימוד מכונה בקצה/משובץ

מכונה נוטים להתמקד בטיפול בתמונה ובהכרת עצמים או מאפיינים, שמטופלים בצורה הטובה ביותר בעזרת רשתות עצביות קונבולוציונליות. גישה זו יכולה להשתנות בעתיד כאשר אנשי התכנון ימנפו את עוצמת לימוד המכונה על מנת להאיץ ביצוע משימות כגון מיון דרך מחרוזות או ניתוח נתונים שאינם מחוברים. הדרך הטובה יותר לשרת עומסי עבודה כגון אלו, היא על ידי סוגים אחרים של רשתות עצביות random מלאכותיות כגון רשת 'יער אקראי' ( ) או רשת זיכרון לטווח ארוך קצר forest ). אם יהיה צורך לעדכן את החומרה LSTM ( כדי לארח סוגים שונים של רשתות עצביות מלאכותיות שנדרשות כדי להבטיח זמני מיחשוב מהירים עם זמן אחזור קצר, הדבר יכול לקחת חודשים או שנים. בניית מנוע הסקת מסקנות מבוסס על ASIC או רכיבי GPU מעבדים כגון מעבדי מותאמים אישית, שיש להם ארכיטקטורה קבועה, אינה משאירה דרך קלה או דרך פשוטה לעדכון החומרה. הקצב של פיתוח בינה מלאכותית עולה כיום על זה של מותאם אישית ASIC סיליקון, ולכן רכיב שיכול לייצג את הדגם שבחוד החנית בתחילת שלב הפיתוח שלו, יהיה לא מעודכן כבר בטרם יהיה מוכן לפרישה בשטח. לעומת זאת, יכולת הגדרת הקונפיגורציה והגמישות לביצוע FPGA החוזרת של רכיבי התאמה אישית של המשאבים, מהוות חוזקות עיקריות שמאפשרות להתקנים אלו לעמוד בקצב עם ההתפתחות של תחום מפעים זה. אנו כבר יודעים שרכיבי מתאימים היטב לקיבוץ אשכולות FPGA ) בעלי זמן אחזור קצר שמשמש clustering (

ללימוד שאינו בפיקוח, שהוא ענף אחר שמתפתח בתחום הבינה המלאכותית ומתאים במיוחד בצורה טובה למשימות כגון ניתוחים סטטיסטיים. על ML - Suite שימוש בכלים כגון הסוויטה מנת לשפר ולהדר את הרשת לצורך פרישת מאפשרת לאנשי הפיתוח לעבוד FPGA רכיבי ברמה גבוהה בסביבה האישית שלהם מבלי שיצטרכו שתהיה להם מומחיות ברכיבי שתכוון את ההחלטות של המהדר, FPGA תוך כדי שהם משמרים את הגמישות להגדרת הקונפיגורציה של החומרה בעתיד, על מנת לתמוך בדורות העתידיים של רשתות עצביות מלאכותיות. מסקנות ידועים כמי שמספקים FPGA רכיבי את האצת הביצועים והגמישות לעתיד שנדרשים לכל מי שעוסק בתחום לימוד מכונה. לא רק כדי לבנות מנועים להסקת מסקנות בעלי ביצועים גבוהים ויעילים, לצורך פרישה מיידית, אלא גם כדי להתאים עצמם לשינויים המהירים, הן בדרישות הטכנולוגיה והן בדרישות השוק לצורך לימוד מכונה. האתגר הוא להפוך את FPGA היתרונות הארכיטקטוניים של רכיבי לנגישים למומחי לימוד מכונה ובאותו זמן לעזור ולהבטיח את הביצועים הטובים ביותר ואת המימוש היעיל ביותר. המערכת FPGA משלבת כלי Xlinix האקולוגית של נוחים, API מהשורה הראשונה עם ממשקי על מנת לאפשר לאנשי הפיתוח לנצל את מלוא היתרונות של הסיליקון מבלי שיהיה צריך ללמוד את הנקודות העדינות של תכנון . FPGA ברכיבי

39 l New-Tech Magazine