Σύστημα συνδέει την τεχνητή νοημοσύνη με συσκευές του «ίντερνετ των πραγμάτων» και κατ' επέκτασιν με συσκευές του «Ίντερνετ των σωμάτων».

Η προώθηση του θα μπορούσε να επιτρέψει στην τεχνητή νοημοσύνη να συνδέεται στις οικιακές συσκευές, ενισχύοντας παράλληλα την ασφάλεια των δεδομένων και την ενεργειακή απόδοση. 

Γραφείο ειδήσεων MIT  (Απόσπασμα)

Η βαθιά μάθηση είναι παντού. Αυτός ο κλάδος της τεχνητής νοημοσύνης επιδιορθώνει τα κοινωνικά σας μέσα δικτύωσης και εξυπηρετεί τα αποτελέσματα αναζήτησης που εμφανίζει η Google. Σύντομα, η βαθιά μάθηση θα μπορούσε επίσης να ελέγξει τα ζωτικά σας σημεία ( βλέπε «ίντερνετ των σωμάτων») ή να ρυθμίσει τον θερμοστάτη σας. Οι ερευνητές του MIT έχουν αναπτύξει ένα σύστημα που θα μπορούσε να τοποθετήσει τα νευρικά δίκτυα βαθιάς μάθησης σε νέα - και πολύ μικρότερα - μέρη, όπως τα μικροσκοπικά τσιπ σε φορητές ιατρικές συσκευές, σε οικιακές συσκευές και στα 250 δισεκατομμύρια άλλα αντικείμενα που αποτελούν το «Ίντερνετ των Πραγμάτων» ( IoT). 

Το σύστημα που ονομάζεται MCUNet, σχεδιάζει συμπαγή νευρωνικά δίκτυα που παρέχουν πρωτοφανή ταχύτητα και ακρίβεια για βαθιά μάθηση συσκευών IoT, παρά την περιορισμένη μνήμη τους και την ισχύ επεξεργασίας τους. Αυτή η τεχνολογία θα μπορούσε να διευκολύνει την επέκταση του σύμπαντος IoT εξοικονομώντας ενέργεια και βελτιώνοντας την ασφάλεια των δεδομένων. 

Η έρευνα θα παρουσιαστεί τον επόμενο μήνα σε ένα συνέδριο για τα νευρικά συστήματα επεξεργασίας πληροφοριών. Ο κύριος συγγραφέας είναι ο Ji Lin, διδακτορικός φοιτητής στο εργαστήριο Song Han στο Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών του MIT. 

Το Ίντερνετ των Πραγμάτων 

Το IoT γεννήθηκε στις αρχές της δεκαετίας του 1980. Φοιτητές του Πανεπιστημίου Carnegie Mellon, συμπεριλαμβανομένου του Mike Kazar, συνέδεσαν ένα αυτόματο μηχάνημα της Cola-Cola στο Διαδίκτυο. Το κίνητρο της ομάδας ήταν απλό: η τεμπελιά. Ήθελαν να χρησιμοποιήσουν τους υπολογιστές τους για να επιβεβαιώσουν ότι το μηχάνημα ήταν γεμάτο πριν αφήσουν το γραφείο τους για να πάνε να αγοράσουν ένα αναψυκτικό. Αυτή ήταν η πρώτη συσκευή στον κόσμο που συνδέθηκε στο διαδίκτυο. «Αντιμετωπίστηκε σχεδόν σαν αστείο», λέει ο Kazar, τώρα μηχανικός της Microsoft.«Κανείς δεν περίμενε δισεκατομμύρια συσκευές στο Διαδίκτυο». 

Από τότε, καθημερινά αντικείμενα συνδέονται όλο και περισσότερο στο αναπτυσσόμενο Ίντερνετ των Πραγμάτων (ΙοΤ). Αυτό περιλαμβάνει τα πάντα, από φορητές συσκευές παρακολούθησης της καρδιακής λειτουργίας έως έξυπνα ψυγεία που σας ενημερώνουν όταν δεν έχετε γάλα. Οι συσκευές IoT δουλεύουν συχνά σε μικροελεγκτές, δηλαδή σε απλά τσιπ χωρίς λειτουργικό σύστημα, ελάχιστη ισχύ επεξεργασίας και λιγότερη μνήμη από το ένα χιλιοστό της μνήμης ενός τυπικού smartphone. Έτσι, καθήκοντα αναγνώρισης προτύπων όπως η βαθιά μάθηση είναι δύσκολο να εκτελεστούν τοπικά σε συσκευές IoT. Για πολύπλοκες αναλύσεις, τα δεδομένα που συλλέγονται από το IoT αποστέλλονται συχνά σε cloud, καθιστώντας τα ευάλωτα σε hacking. 

«Πώς αναπτύσσουμε νευρωνικά δίκτυα απευθείας σε αυτές τις μικροσκοπικές συσκευές; Είναι ένας νέος τομέας έρευνας που γίνεται πολύ καυτός », λέει ο Χαν. «Εταιρείες όπως η Google και η ARM δουλεύουν προς αυτή την κατεύθυνση.» Το ίδιο και ο Χαν. 

Με το MCUNet, η ομάδα του Χαν σχεδίασε δύο συστατικά στοιχεία που απαιτούνται για τη «μικροσκοπική βαθιά μάθηση», δηλαδή τη λειτουργία των νευρωνικών δικτύων σε μικροελεγκτές. Ένα στοιχείο είναι το TinyEngine, ένας κινητήρας συμπερασμάτων που κατευθύνει τη διαχείριση πόρων, παρομοίως με ένα λειτουργικό σύστημα. Το TinyEngine έχει βελτιστοποιηθεί για να εκτελεί μια συγκεκριμένη δομή νευρωνικού δικτύου, η οποία επιλέγεται από το άλλο στοιχείο του MCUNet, τον TinyNAS που είναι ένας αλγόριθμος αναζήτησης νευρικής αρχιτεκτονικής. 

Ο Χαν οραματίζεται έξυπνα ρολόγια με το MCUNet που δεν θα «αισθάνονται» μόνο τον καρδιακό παλμό, την αρτηριακή πίεση και τα επίπεδα οξυγόνου των χρηστών, αλλά επίσης θα τα αναλύουν και θα βοηθούν τους χρήστες να κατανοήσουν αυτές τις πληροφορίες. Το MCUNet θα μπορούσε επίσης να κάνει τη βαθιά μάθηση διαθέσιμη σε συσκευές IoT σε οχήματα και αγροτικές περιοχές με περιορισμένη πρόσβαση στο Διαδίκτυο. 

Επιπλέον, το λεπτό υπολογιστικό αποτύπωμα του MCUNet μεταφράζεται σε λεπτό αποτύπωμα άνθρακα.«Το μεγάλο μας όνειρο είναι η πράσινη τεχνητή νοημοσύνη», λέει ο Χαν, προσθέτοντας ότι η εκπαίδευση ενός μεγάλου νευρικού δικτύου μπορεί να κάψει άνθρακα ισοδύναμο με τις εκπομπές πέντε αυτοκινήτων καθόλη τη διάρκεια ζωής τους. Το MCUNet σε έναν μικροελεγκτή θα απαιτούσε ένα μικρό κλάσμα αυτής της ενέργειας. «Ο τελικός μας στόχος είναι να ενεργοποιήσουμε την αποτελεσματική, μικροσκοπική τεχνητή νοημοσύνη με λιγότερους υπολογιστικούς πόρους, λιγότερους ανθρώπινους πόρους και λιγότερα δεδομένα», λέει ο Han.