Успех импортозамещения: мощные графические процессоры на рынке РФ

'Основная статья': Искусственный интеллект (ИИ, Artificial intelligence, AI)

Что такое искусственный интеллект?

Цель искусственного интеллекта — автоматизировать решения любых интеллектуальных задач. Проблема определения искусственного интеллекта состоит в том, что мы не можем сказать, какие вычислительные процедуры мы называем интеллектуальными. Человечество последовательно создавало технологические решения: от приспособлений и механизмов до суперкомпьютеров, которые помогали выполнять математические вычисления, быстрее и точнее обрабатывать данные. И каждый раз, когда задачи успешно решались, люди переставали считать их интеллектуальными. Мы снова и снова поднимаем планку требований и говорим: нет, это еще не искусственный интеллект, это очевидные для текущего уровня развития технологии и алгоритмы.

Нейросети

Принцип действия нейросетей основывается на бионике — механизмах, подсмотренных в природе. Искусственный нейрон — отдаленное подобие биологического нейрона и аналог логистической регрессии, простого линейного классификатора. Принцип действия искусственной нейронной сети — формировать связи между множеством различных обрабатывающих элементов. Каждый из них служит аналогом одного нейрона в головном мозге биологического существа.

Нейроны воспроизводятся физически или моделируются с помощью вычислителя. Каждый нейрон получает множество входных сигналов. Затем, с учетом внутренней системы весовых коэффициентов, порождает один выходной сигнал. Он, как правило, служит входным для другого нейрона. Нейроны тесно взаимосвязаны друг с другом и организованы в несколько различных уровней. Входной уровень получает входные данные, а выходной — порождает конечный результат. Между входным и выходным уровнями есть несколько скрытых уровней. В такой структуре невозможно предсказать или точно узнать, как именно передаются данные.

Обучение нейронных сетей

Искусственные нейронные сети не программируются на заданное поведение, исход заранее не определяется точным конечным результатом. Продвинутые методы обучения нейронных сетей — многослойные системы нелинейных фильтров, глубокое обучение. Это последний этап развития искусственного интеллекта. В этом случае алгоритм сам узнает в процессе обучения, какими свойствами обладает тот или иной объект или класс. В системах глубокого обучения задействуются несколько уровней абстракции. Отсюда и происходит термин «глубокое» или «сквозное обучение». Иными словами, при глубоком обучении программное обеспечение учится классифицировать объекты и самостоятельно находит признаки для такой классификации и алгоритмы, по которым проходит обучение.

Ключевое преимущество систем глубокого обучения — что они могут постоянно обучаться и совершенствоваться. Еще одно свойство сквозного обучения — способность обнаруживать события, которые не предусматриваются исходными условиями или являются неожиданными, т.е. адаптироваться к изменениям без необходимости перенастройки. Это самое ценное!

Точность работы таких систем сопоставима с точностью работы человека, а зачастую и превосходит ее. Кроме того, растет и сложность архитектур, слои не просто кластеризуются, а начинают логически взаимодействовать между собой — и это лишь начало революции искусственного интеллекта. Обучение искусственных нейронных сетей требует колоссальных вычислительных ресурсов, поэтому для сокращения цикла обучения используют суперкомпьютеры с графическими ускорителями.

После ухода с российского рынка западных компаний фокус внимания разработчиков искусственного интеллекта переместился на графические процессоры Softlogic серии SG. Например, интеллектуальный сервер Softlogic SG6-10-B22 оснащается 30 чипами BM1684 и производительностью INT8 до 528TOPS или 66TFLOPS вычислительной мощности FP32.

Как управлять нейросетями?

С запуском госпрограммы «Цифровой экономики» применение искусственного интеллекта в различных отраслях становится необходимым и все более сложным. Практическое внедрение искусственного интеллекта — сложная системная задача. Требования к алгоритмам становятся комплекснее, а управление массивом выходных данных и интеграция в бизнес-системы превращается в узкую специализацию.

Сейчас фокус в создании систем искусственного интеллекта направлен на расширение набора алгоритмов анализа для достижения гибкости и универсальности. Не менее значимы функции автоматизации обработки и анализа больших данных, генерируемых нейронными сетями, механизмы реализации фокусного внимания и длительного наблюдения, реакции обратной связи на выявленные события через системы оповещения или исполнительные механизмы и красочные дашборды для эффектного представления данных.

Повысить точность и скорость реагирования, увеличить пропускную способность системы и эффективность вычислений — возможно благодаря портированию искусственных нейронных сетей на AI-микросерверы и переносу вычислений на границу. Например, вычислительная мощность AI-микросервера IVS-SE5-16 обладает уникальными характеристиками — вычислительная мощность 17,6 TOPS при низком энергопотреблении. В линейке графических серверов Softlogic присутствуют модели, которые смогут обеспечить необходимую вычислительную производительность для центров обработки данных, работы с графикой, сложных вычислений и систем искусственного интеллекта. Передовая архитектура серверов Softlogic позволяет решать задачи бизнеса наиболее быстрым и эффективным из доступных способов.

Мы видим каждый день, как решения на базе искусственного интеллекта дают пользователям невероятно мощные и гибкие инструменты повышения производительности. В этом сложном и стремительно развивающемся мире технологий, где ключевую роль уже точно играет искусственный интеллект, Softlogic предлагает своим заказчикам техническую поддержку в создании инновационных технологических решений, способных вывести бизнес-процессы на более высокий уровень. Генеральный директор Softlogic Денис Логинов