Τεχνολογία-Επιστήμη
Πέμπτη, 14 Μαΐου 2015 18:48

Κινεζικός υπερυπολογιστής διαπρέπει στην αναγνώριση εικόνων και ομιλίας

Έναν ισχυρό υπερυπολογιστή, ο οποίος φέρνει «νέο αίμα» στον χώρο της κατανόησης ομιλίας, εικόνων και γραπτού λόγου από την τεχνητή νοημοσύνη, υποστηρίζει πως δημιούργησε ο κινεζικός κολοσσός του χώρου των μηχανών αναζήτησης, Baidu.

Έναν ισχυρό υπερυπολογιστή, ο οποίος φέρνει «νέο αίμα» στον χώρο της κατανόησης ομιλίας, εικόνων και γραπτού λόγου από την τεχνητή νοημοσύνη, υποστηρίζει πως δημιούργησε ο κινεζικός κολοσσός του χώρου των μηχανών αναζήτησης, Baidu.

Όπως αναφέρεται σε δημοσίευμα στο MIT Technology Review, ο νέος υπολογιστής ονομάζεται Minwa και βρίσκεται στο Πεκίνο. Διαθέτει 72 επεξεργαστές και 144 GPUs (μονάδες επεξεργασίας γραφικών).

Την Δευτέρα η Baidu κυκλοφόρησε ένα paper στο οποίο ισχυριζόταν ότι ο υπολογιστής έχει χρησιμοποιηθεί για την «εκπαίδευση» λογισμικού machine-learning που θέτει νέο ρεκόρ στην αναγνώριση εικόνων, σπάζοντας ένα ρεκόρ που μέχρι τώρα κατείχε η Google.

Η υπολογιστική ισχύς του Minwa θα τον έβαζε στα 300 ισχυρότερα συστήματα του κόσμου εάν δεν εξειδικευόταν στο deep learning, υποστηρίζει ο Ρεν Γου, ένας εκ των επιστημόνων που δουλεύουν πάνω στο πρόγραμμα.

Ο ίδιος υποστηρίζει πως πρόκειται πιθανώς για τον ταχύτερο υπερυπολογιστή που είναι αφιερωμένος στο deep learning. «Έχουμε μεγάλη ισχύ στα χέρια μας- πολύ μεγαλύτερη από ό,τι οι ανταγωνιστές μας» προσθέτει.

Η υπολογιστική ισχύς έχει σημασία στο deep learning, που έχει φέρει σημαντικά επιτεύγματα στην αναγνώριση ομιλίας, εικόνας και προσώπου, ενώ έχει βελτιώσει επίσης τις υπηρεσίες αναζήτησης εικόνας και αναγνώρισης ομιλίας που προσφέρονται από την Google και τη Baidu.

Η συγκεκριμένη τεχνική βασίζεται σε μια προσέγγιση που είχε εδραιωθεί πριν δεκαετίες, στην οποία τα δεδομένα επεξεργάζεται ένα δίκτυο τεχνητών νευρώνων που διαχειρίζονται πληροφορίες με τρόπους οι οποίοι είναι εμπνευσμένοι από βιολογικούς εγκεφάλους.

Το deep learning περιλαμβάνει τη χρήση μεγαλύτερων νευρικών δικτύων από ό,τι στο παρελθόν, κατανεμημένων σε ιεραρχικά στρώματα, και την «εκπαίδευσή τους» με μεγάλους όγκους δεδομένων.

Μέχρι τώρα, μεγαλύτερα σετ δεδομένων και δίκτυα φαίνονται να τα πάνε καλύτερα όσον αφορά στη συγκεκριμένη τεχνολογία. Σε αυτό το σημείο διαφέρει από παλαιότερες τεχνικές machine learning, οι οποίες «έβλεπαν» τις επιδόσεις τους να πέφτουν με τα μεγαλύτερα data sets.