Contents
In veel van onze presentaties, podcasts en blogs hebben we het gesprek gefocust op 'Beneficial AI'.
Hier bij BrainChip beschouwen we toepassingen die gericht zijn op het verbeteren van de menselijke of mondiale conditie als gunstig. Dit kan van toepassing zijn op medische praktijken, zoals diagnose van ziekten, onderzoek of apparaten die de patiëntresultaten verbeteren. Milieubehoud, zoals sensoren die schadelijke emissies detecteren, evenals humanitaire inspanningen, zoals landbouw- of transportverbeteringen om een groeiende bevolking te ondersteunen, profiteren ook van deze technologieën. Zelfs eenvoudige, nuttige toepassingen die ons dagelijks leven gemakkelijker en beter maken, zijn nuttig.
Vaak is het verlangen om het zo snel en effectief mogelijk te doen, wanneer men het beste wil doen. Dus hoewel er talloze manieren zijn waarop AI nuttig kan zijn, en talloze bedrijven die deze mogelijkheden ontwikkelen, zijn er enkele duidelijke AI-technologieën die het voordeel hebben (geen woordspeling bedoeld) als het gaat om het leveren van voordelige AI.
Ik zal u een voorbeeld geven.
Misschien herinner je je het kinderspel 'Waar is Waldo', waar de uitdaging is om Waldo te vinden in zijn kenmerkende rood-wit gestreepte trui en bril. Dit is een spel met verborgen voorwerpen, gemaakt als een immense visuele puzzel.
Hoewel het menselijk oog een uitdaging vormt, is beeld- en patroonherkenning een veelvoorkomende AI-taak – zo gewoon dat zelfs neurale netwerken van de vorige generatie redelijk nauwkeurige resultaten produceren en Waldo vinden.
Maar hoe lang duurt het?
Hoeveel moeite of energie wordt er besteed?
Hoeveel berekeningen moeten ze uitvoeren?
Hoeveel hardware is er nodig?
Hoeveel kost het?
En wat als Waldo verandert van zijn klassieke rood-wit gestreepte trui in groen-wit? Dat verandert het spel helemaal. Het systeem moet opnieuw zoeken.
Dus hoewel er veel AI-technologieën zijn die deze eenvoudige taak kunnen uitvoeren, in dit geval Waldo vinden, zijn er grote verschillen in hun aanpak en hun efficiëntie.
De BrainChip Akida™-processor, die gebruikmaakt van op gebeurtenissen gebaseerde Spiking Neural Networks (SNN's), blinkt op verschillende manieren uit, van een inherent lager stroomverbruik tot incrementeel leren (het identificeren van de groene trui) en high-speed inferencing/”one-shot” training.
De Akida-engine kan Waldo veel sneller vinden, met veel minder inspanning en veel lagere rekenkosten.
Als we, in plaats van Waldo te volgen, een bedreigde diersoort volgen in een regio vol stropers – een voorbeeld van Beneficial AI – dan kunnen we begrijpen waarom snelheid en efficiëntie noodzakelijk zijn. Door leden van die soort te identificeren aan de hand van beeld of het geluid van hun oproepen, en degenen met ongebruikelijke kenmerken, zoals een ontbrekend oor, correct te classificeren, kunnen ze beter worden gevolgd en sneller worden ingegrepen.
Terug naar het voorbeeld van Waldo, wat als we naar Waldo konden luisteren? Dit zou een andere manier zijn om zijn locatie in elke puzzel snel te identificeren en aan te scherpen. BrainChip heeft een aantal tests uitgevoerd op het gebied van trillingsanalyse: het vermogen om mechanisch trillingsgeluid te “voelen”, op te nemen en te verwerken, met resultaten die het vermogen van het menselijk oor overtreffen.
Met Akida's snelheid, nauwkeurigheid en efficiëntie in AI-vibratieanalyse kan het snel een anomalie vinden. Dit is essentieel voor het identificeren van slijtage aan machines, voor veiligheid en preventief onderhoud, of om het brandstofverbruik te verbeteren en het energieverbruik te verminderen.
Er zijn veel manieren waarop we voordelige AI aan de rand zien optreden
Industrieel, medisch, biometrisch, geografisch, om er maar een paar te noemen. Akida heeft geen externe CPU, geheugen of Deep Learning Accelerator (DLA) nodig en is extreem energiezuinig, dus het is vooral ideaal voor deze toepassingen. Om bedreigde diersoorten te beschermen, moeten we onbemande vliegtuigen (drones) inzetten met camera's en processors aan boord, gegevensanalyses op het apparaat uitvoeren waar geen cloudverbinding bestaat en zeer weinig batterijvermogen verbruiken, wat een langere levensduur mogelijk maakt. Om te testen op COVID-19 en uitbraken te beheersen, hebben we draagbare diagnostische testapparatuur nodig die ademsensorgegevens in het veld kunnen analyseren.
Goede of slechte gegevens?
De Akida AI-functionaliteit is superieur, dus we kunnen niet alleen sneller maar ook nauwkeuriger gunstige resultaten produceren – bijna 100 procent nauwkeurigheid in verschillende toepassingen die we hebben getest.
Omdat het SNN's gebruikt, kent Akida het verschil tussen “goede” gegevens en slechte of nutteloze gegevens. Onlangs hebben onderzoekers kwetsbaarheden geïdentificeerd in een algemeen beeldclassificatiesysteem dat gebruikmaakt van neurale netwerken van de vorige generatie. Onder hen werd het systeem “voor de gek gehouden” door afbeeldingen met tekst – in dit voorbeeld heeft een stuk papier met “iPod” op een appel geplakt, het systeem misleid om de afbeelding als een iPod te classificeren.
In vergelijkbare voorbeelden , kan de achtergrond van een afbeelding kenmerken bevatten die het neurale netwerk verwarren tot een verkeerde classificatie. Als een object gedeeltelijk wordt verduisterd, treedt vaak misclassificatie op. Een rood-wit gestreepte paraplu kan verkeerd worden geclassificeerd als Waldo.
Natuurlijk is het vinden van Waldo geen kwestie van leven of dood, maar sommige AI-taken zullen dat wel zijn. Edge-apparaten die zijn uitgerust voor Beneficial AI moeten daarom snelheid, flexibiliteit, nauwkeurigheid en efficiëntie leveren om het meeste goed te doen.
BrainChip: dit is onze missie
Rob Telson
Vice-president van World Wide Verkoop, BrainChip
