Interjú Peter Van Der Made-del, a BrainChip alapítójával és műszaki igazgatójával

Amikor egy mélyen hozzáértő személlyel beszélgetünk, mélyen belemerülünk a kontextusba, és értékeljük azt a dinamikát, amelyet minden kérdésünknél érintenek. Interjúm Peter Van Der Made úrral (CTO és alapítója a BrainChip) nagyon elégedett voltam azzal, amit csinálok. Olvassa el a teljes cikket, hogy megértse és értékelje, hogy a Brainchip valójában hogyan foglalkozik az AI-val és más legújabb technológiákkal.

---

Egy forgatókönyvet vetítenek maga elé: egy rendőrségi osztály gyanúsítottat keres az élő videoközvetítésben. Nincs több ezer képük erről a gyanúsítottról, és nincs hetek egy hagyományos neurális hálózati rendszer betanítására. A mély tanulási hálózatokon keresztül hogyan helyezi el ezt a problémát?

A BrainChip ideális megoldást kínál erre a problémára. Régebbi termékünk a BrainChip Studio. Ez egy komplett eszközkészlet, amelyet pontosan erre a célra terveztek, és a rendőrségi osztályok számára készült. A Brainchip Studio képes „egyszeri tanulásra” – megtanulja felismerni az egyént egyetlen kép alapján, majd gyorsan megtalálja az egyént hatalmas mennyiségű videóban vagy élő közvetítésben. A BrainChip Studio meghatározott objektumok vagy személyek megtalálására jött létre. A Brainchip Studio PC/Windows 10 platformon fut, és egy BrainChip PCIe beillesztőkártyát használ, az úgynevezett „Accelerator”.

Hasonló rendszert, de lényegesen alacsonyabb fogyasztás mellett egy kamerán belül az Akida chip köré lehetne építeni. Akida ennél tovább megy; Képezhető hagyományos módon a Machine Learning segítségével, és chipen is tanulhat akár egy-, akár néhány felvételes tanulással. E két módszer kombinációi használhatók ugyanazon a chipen belül, végtelen lehetőségeket teremtve arra, hogy megtanuljunk bizonyos személyeket felismerni, vagy általánosítsunk és felismerjünk sok különböző embert vagy tárgyat, a képzést követő inkrementális tanulással. Az Akida technológiát például az ImageNet mind az 1000 kategóriájának osztályozására használták. Az Akida nagyon gyorsan fut, és nagyon kevés elektromos energiát igényel. Egy kis akkumulátorral működtethető. 

Minden nap egy új fenyegetés indukálódik egy szervezeti hálózatban, és ezek a fenyegetések/rosszindulatú programok egyre jobban kivédik a jelenlegi erős kiberbiztonsági irányelveket. Hogyan javíthatja technológiáját, hogy kezelje ezeket a jövőbeni potenciális kockázatokat?

Az Akida chip technológia kiválóan alkalmas az adatfolyamok fenyegetési mintáinak gyors megtanulására. Jelenleg ezeket a mintákat a Deep Learning segítségével tanulják meg, ami drága és lassú. Az Akida gyors tanulási módszere ragyog ezekben az alkalmazásokban; Mindössze 220 óra alatt betanítottuk az Akida technológiát a kihívást jelentő és nagy, 2018 Gb-os CSE-IDS-2.2 kiberbiztonsági adatkészletre, és megtanulta felismerni mind a 15 támadástípust. Ezekkel a gyors tanulási képességekkel gyorsan és egyszerűen hozzáadhat új fenyegetési mintákat a chip egyszerűen egy új adatkészletre való átképzésével. Megkevertük az adatkészletet, és a felét az ellenőrzéshez használtuk, így 98%-os észlelési arányt kaptunk. 30,000 20 képkockát tudtunk feldolgozni másodpercenként mindössze XNUMX milliwattal. Azt vizsgáljuk, hogyan használhatjuk fel az Akida chipen belüli gyorstanulási módszerét új fenyegetési minták felvételére menet közben, növekményes tanulás segítségével. 

melyik állatra hasonlítasz a legjobban? Milyen feliratot adnál az életrajzi könyvedhez?

Nem azonosulok egyetlen állattal sem. Félig mezőgazdasági környezetben nőttem fel, ahol az állatok nem voltak házi kedvencek. Vagy élelemért vágták le őket, vagy munkaállatok voltak. Lehet, hogy emberi testünk ugyanolyan általános felépítésű, mint az állatoké, de agyunk nagyon eltérő. Ha vennénk egy majomagyat, és háromszorosára méreteznénk emberi méretre, nem végeznénk emberi aggyal. Az agyunk szerkezete az, amitől különbözünk az állatoktól. Ugyanazok az idegsejtek, ugyanazok a szinapszisok és a gliasejtek, de más a felépítés. Összehasonlításképpen ugyanazokból a téglákból építhet katedrálist vagy kutyaházat, de ha a kutyaházat katedrálisra méretezi, akkor egy nagyon nagy kutyaházat készít, nem pedig egy katedrálist. Ugyanez van az aggyal is. 

„A mesterséges intelligencia létrehozásához” hogyan hangsúlyozod ezt a kijelentést a hozzá kapcsolódó emberi intelligencia szemszögéből.

A jelenlegi AI nem intelligens. A Deep Learning rendszerek nem tanulnak, hanem egy szekvenciális optimalizálási rutin segítségével képezik ki őket, amely visszacsatolja a hibákat és kijavítja a súlyokat, ellentétben az egymást követő közelítő rutinokkal; sejtést végez, ellenőrzi a hibát, és a feltételezést a hiba felével korrigálja, amíg a kimeneti érték és a feltételezett érték össze nem ér. A konvolúciós neurális hálózatok olyan számítási konstrukciók, amelyeknek nagyon kevés közük van az agy működéséhez. 

Az agyban az idő a lényeg. Az információ a „tüskék” időzítésébe van kódolva – az elektromos energia rövid kitöréseibe, amelyeket az idegsejtek között küldenek. A tüskék közötti intervallum, a tüskék intenzitása és a tüskék előfordulási helye mind információkat tartalmaz. A szinapszisok olyan információkat tárolnak, amelyeket a bejövő tüskék bocsátanak ki. A szinapszisokban tárolt információk folyamatosan frissülnek. A tanulás a tüskék időzítésének függvénye. Az agy egy nagyon dinamikus rendszer, amely folyamatosan változik. Az intelligenciát a környezete alakítja állandó tanulással.

Mint korábban említettem, az agynak nagyon meghatározott szerkezete van, amely az agy különböző régióiban változik. Az agy nem egy homogén idegsejtek tömege. Van egy jobb és bal féltekénk, amelyek nagyjából ugyanúgy néznek ki. De van kisagyunk és hippokampuszunk, a limbikus rendszerünk és más agyi régióink is, amelyek mindegyike saját, funkciójukra jellemző szerkezettel rendelkezik. Még a rovarok agya is sokkal strukturáltabb és bonyolultabb, mint jelenlegi neurális hálózataink. Az agy megjósolja a következő cselekvést, mielőtt az érzékszervi ingerek megérkeznének. Ezek egyike sincs jelen a mai neurális hálózatokban. Azt állítani, hogy a mai neurális hálózatok a méhek intelligenciáját mutatják, nyilvánvaló túlzás. 

A BrainChip Akida technológia egy agy által ihletett tüskés neurális hálózatot használ a következtetés levonására. Mindenre képes, amit a mai konvolúciós neurális hálózatok, de képes teljesen natív tüskés neurális hálózatokat is futtatni, amelyek hasonlítanak az agy tanulási módszerére és feldolgozási módszerére. Például a kiberbiztonsági fenyegetések felismerésére és a fokozatos tanulásra. Az Akida technológia jövőbeli verziói az agy szerkezetéből többet fognak tartalmazni, azzal a céllal, hogy a mesterséges intelligencia intelligensebbé váljon. Ez nem jelent veszélyt az emberi intelligenciára. 86 milliárd idegsejtünkkel, 100 billió szinapszisunkkal és 300 milliárd gliasejtünkkel minden intelligens mesterséges intelligencia előtt járunk a belátható jövőben. Összehasonlításképpen, a mai legnagyobb mesterséges intelligencia-hálózatok akár néhány millió neuron-egyenértéket is tartalmaznak, és hiányzik az összes olyan struktúra, amely az agyat intelligenssé teszi. 

A piac éhségének fenntartása érdekében nagyon fontos, hogy minden technológiai szervezet kimagasló legyen az innováció és a kezdeményezések terén. Hogyan készül erre a BrainChip?

A BrainChip célja a kezdetektől fogva mindig is jobb mesterséges intelligencia létrehozása volt. Nem követjük a piac általános trendjét hatalmas párhuzamos szorzóikkal és akár 200 réteggel, amelyeket AI chipként reklámoznak. Eseményalapú Spiking Neural Network technológiánkat 2008 előtt határoztuk meg, amikor benyújtottuk első szabadalmunkat. Mindent megvalósítottunk, amit a Deep Learning kínál, egy egészen más filozófiával, egy olyan filozófiával, amelynek világos útja van a jövőbe. Ahol a szabványos CNN technológia egy téglafalba ütközik, amikor megpróbálnak túllépni a képbesoroláson, az eseményalapú Spiking NN kiváló. 

Filozófiánk az agy működésének és szerkezetének lemásolásán, és ezen technológia alkalmazásán alapul a mai problémák megoldásában. Ez az oka annak, hogy az Akida egy egyszerű átalakítási folyamat után használható a mai Deep Learning alapú CNN-ek feldolgozására, valamint inkrementális tanulásra és chipen belüli képzésre. Ennek számos előnye van a fokozatos tanuláson túl. Az Akida tanulhat abból a környezetből, amelyben létezik, ezt a képességet, amelyet az akida következő generációiban ki fogunk terjeszteni epizodikus emlékezetünkkel, vagyis emlékezni az események sorozataira. A sorozatmemória példája az, amikor a lépéseit követve megtalálja autóját egy forgalmas parkolóban. A szekvenciamemória valós alkalmazásokkal rendelkezik a szöveg- és beszédértelmezésben és a robotikában. 

Nagy mennyiségű videót vagy adatot is képes feldolgozni rendkívül alacsony energiafogyasztás mellett, ami jót tesz a környezetnek. Azt állították, hogy egy Deep Learning CNN képzése elegendő energiát használ öt elektromos autó egy életen át tartó működtetéséhez. Az Akida esetében ez az energiaigény a zseblámpa működtetéséhez szükséges teljesítményre csökken. Az eseményalapú feldolgozás „zöld” technológia. 

Az AI Time Journal szeretne gratulálni a Brainchipnek, amiért elnyerte az „AI Dynamic Neural Network” szabadalmat. Tudna néhány betekintést nyújtani nekünk erről és azokról a kihívásokról, amelyekkel ezt piaci termékként helyezi el?

Ez egy támogató szabadalom első szabadalmunkból, az „Autonóm tanulási dinamikus mesterséges neurális számítástechnikai eszköz és agy által ihletett rendszer”, amely leírja a BrainChip összes termékében használt eseményalapú tüskefeldolgozási módszert. Ez a második szabadalom az információ megosztásának módját írja le két vagy több Akida eszköz között. Például, amikor egy Akida chipet használnak egy autóban, és az megtanul valami újat, hasznos lenne, ha megosztaná ezt a tudást az összes többi Akida eszközzel, amelyet más autókban hasonló funkciókban használnak. Megtudhat egy új elkerülendő objektumot vagy egy jobb optimalizálást. A felhőben esetleg létező könyvtáron keresztül megoszthatja ezeket az információkat más eszközökkel. Ez egy termékbővítés, nem pedig önálló termék. 

Szórakozás a gondolatokkal: Ha időutazna 1938-ba, hogyan használná a technológiáját a második világháború megállítására?

A második világháború (vagy bármilyen jövőbeli háború) megakadályozása nem technológia, hanem közvélemény kérdése. Nem Hitler volt akkoriban az egyetlen rosszfiú, egy egész szervezet állt mögötte, valamint a nyilvánosság nagy része. Az újságírás egy olyan eszköz, amely, mint bármely más eszköz, használható vagy visszaélhető. A nácik egyértelműen visszaéltek vele, amennyire csak lehetett, meggyilkoltak mindenkit, aki nem értett egyet a gondolkodásukkal, és ellenőrizték a médiát. Minden háborúban, amely szerintem a tömeges őrület egyik formája, a politikusok a propagandán keresztül alakítják a közvéleményt.  

A politikusok még nem ismerték fel teljesen, hogy a jövő háborúit elsősorban nem bombákkal és fegyverekkel, hanem mesterséges intelligenciával vívják meg. A legjobb AI-stratégiával rendelkező nemzet nyer. Képesek lesznek autonóm keresésre és járművek megsemmisítésére, invazív AI-botokkal beszivárogni és megzavarni az ellenség számítógépes rendszereit, megzavarva gyártási képességeiket és élelmiszer-elosztó rendszereiket, valamint káoszt teremtenek a forgalomirányításban és az energiatermelő üzemekben. A mesterséges intelligencia különféle formáit, mind a programozott, mind a hardveres alapúakat használják az ellenség legyőzésére anélkül, hogy lövést lőnének. Az írás már a falon van. 

Melyik híres technológiai hírességnek ítélnéd ezeket a címeket, és miért?

1 Ötcsillagos kitüntetés (kiváló teljesítmény)

Mérnöki csapatunk a BrainChipnél, akik az elmúlt 7 hónapban erőteljesen dolgoztak azon, hogy kutatási prototípusunkból megalkossák az Akida chip dizájnt.  

2 tökéletes jelenlét (időben) 

Az Akida chip. Belépés a piacra egy olyan időszakban, amikor az első élvonalbeli AI-termékeket tervezik, amelyek nagy teljesítményt igényelnek, alacsony energiafogyasztás mellett. Megfelelő technológia a megfelelő időben és megfelelő áron.

3 Cheers (a legjobb csapatmunka)

A BrainChip teljes csapatának Franciaországban, az USA-ban, Ausztráliában és Indiában egy nagyszerű csapatmunkáért négy kontinensen, mégis tökéletes harmóniában, a nap 24 órájában, különböző időzónákon keresztül. 

A 4 legjobb ötös (Kiválóság az innovációban, kezdeményezések)

Az egyetemeken és intézményekben dolgozó számos kutatónak és tudósnak, akik akár közvetlen részvételükkel, akár publikált tanulmányok, online oktatás és előadások révén hozzájárultak az Akida technológiához. 

Forrás: https://www.aitimejournal.com/@jagan/interview-with-peter-van-der-made-founder-and-cto-at-brainchip