New-Tech Magazine | May 2019 | Special Edition for New-Tech 2019 Exhibition

שימושבאמולציית חומרה לצורך אימותתכנון לבינה מלאכותית

Siemens חברה עסקית של Mentor ג'אן-מרי ברונט , דירקטור בכיר לשיווק ב

כ

לבינה מלאכותית ביישום רשת, לא תצליחו לעולם להתכנס במהלך האיטרציות של התכנון משום שלא תוכלו להשוות את התוצאות מריצה לריצה. דבר זה מייצר את הצורך בדטרמיניזם במודלים של בינה מלאכותית מעורב מספר רב של חישובים קטנים, המבוצעים בדרך כלל במערך גדול של מנועי חישוב קטנים. דרישות המידע שלהם שונות מאלו של יישומים רבים אחרים ובכך מביאות לשינוי הדרך שבה נבנה אחסון המידע ושיטת הגישה אליו. החישוב יכול להיות מבוצע באשכול עבור מודל נתון, אבל ליישום הכללי יכול להיות מספר רב של מודלים כאלו, היוצרים תיכנון כולל מקוטע. במהלך התכנון, המודלים עשויים לגדול בהרבה בשל תהליכי האופטימיזציה והלימוד על הטווח המלא של המידע הנכנס שהם אמורים לעבד. מכך משתמע כ לאורך המסלול של פרוייקט נתון, ובמיוחד כאשר פרוייקט שהסתיים נבנה על פרוייקט חדש, פלטפורמת האימות צריכה לגדול או להתכווץ בכדי להתמודד עם הטווח הרחב של המקורות הנדרשים לאורך מסלול חיי הפרוייקט ובמקביל למזער כל השפעה שלילית על הביצועים. דבר זה מייצר את הצורך ביכולת דירוג לבסוף: כל האלגוריתמים הינם חדשים. אין מורשת. מכך משתמע שגם אם ברצונכם

לימוד מכונה מערב בנייה של מודל במהלך השלב שנקרא "שלב לאימון" – לפחות בגרסה המבוקרת שלו. מודל זה מיושם לאחר מכן במכשיר מסוים או בענן לצרכי הסקת מסקנות, כאשר המודל לאחר אימון ותרגול מיושם באפליקציה לצורך שימוש. שלב הלימוד והאימון הינו רגיש ביותר. מתוך מספר גדול מאד של דוגמאות אימון, מייצרים את המודל. שינוי של דוגמת אימון אחת בלבד, תייצר מודל שונה. מודל שונה זה יכול לעבוד בצורה תקינה לחלוטין - זהו אחד הדברים המאפיינים למידת מכונה, יש הרבה פתרונות נכונים. בכל אחד מהפתרונות הנכונים נגיע לאותה תשובה אבל הנתיב אל התשובה יהיה שונה. כל טכניקות האימון והלימוד כוללות דרכים להבטיח שהמודל לא יוטה לכיוון אחד מהמערכים של האימון, אולם כל הטכניקות כוללות סטים חוזרים ונשנים של צעדים ונתיבים לפתרון עקבי. מכיוון שלא ניתן לאמת מודל שמשתנה כל הזמן. בצורה דומה, בזמן ביצוע אימות, מסלולי המידע הנכנס למבחן חייבים להישאר עקביים מריצה לריצה. במידה ותנסו לדוגמא להוציא מידע אקראי מהאינטרנט בשימוש בטכנולוגיות ICE – In Circuit אמולטור תוך-מעגלי ( ) לשימוש לצורך בחינה של מודלים Emulation

מעט בכל אזכור או נושא כיום יש התייחסות לנושא של בינה מלאכותית

), גם כצרכנים הנושא AI - Artificial Intelligence ( הינו חם ועדכני במיוחד לאור טכניקות לימוד- ) המתפתחות ML - Machine - Learning מכונה ( ומשתדרגות באופן יומיומי. נושא זה מצוטט לעיתים קרובות כאחד מהשווקים הקריטיים עבור ספקי הציוד האלקטרוני, אך למעשה זהו איננו שוק, זוהי טכנולוגיה. טכנולוגיה זאת חודרת בשקט-או לא כל כך בשקט לשווקים רבים מאד. חלק משווקים אלו כוללים שימושים מצילי-חיים כלומר חיים ושלמות איברים תלויים בכמה טוב יעבדו האביזרים הללו. טכנולוגיית הבינה המלאכותית הינה חשובה ביותר, אך הינה שונה מטכנולוגיות רבות ושונות אחרות בצורה שבה היא מאומתת. שלוש דרישות מפתח אימות של בינה מלאכותית ולמידת מכונה מביא עמו שלושה צרכים מרכזיים: דטרמיניזם, יכולת דירוג ויכולת וירטואליזציה. דרישות אלו אינן שונות מהדרישות לאמולציית חומרה, אולם טכנולוגיות רבות אחרות נדרשות לשתיים מתוך שלוש דרישות אלו בלבד. הבינה המלאכותית הינה "הסערה המושלמת" מבחינה זאת ודורשת את כל השלוש.

New-Tech Magazine l 48