Intervju med Peter Van Der Made, grunnlegger og CTO hos BrainChip - AI Time Journal - Artificial Intelligence, Automation, Work And Business

Publisert av Platon

Følgere: 0

Når vi snakker med en dypt dyktig person, kommer vi dypt inn i konteksten og setter pris på dynamikken de berører for hvert av spørsmålene våre. Mitt intervju med Mr. Peter Van Der Made (CTO og grunnlegger av BrainChip) ga meg intens tilfredsstillelse med det jeg gjør. Les hele artikkelen for å forstå og sette pris på hvordan Brainchip faktisk er i AI og andre nyeste teknologier.

Dette intervjuet er en del av AI & IoT intervju-serien.

Projiserer et scenario foran deg: en politiavdeling som leter etter en mistenkt i live-videostrømmen. De har ikke tusenvis av bilder av den mistenkte, og de har heller ikke uker på seg til å trene et tradisjonelt nevralt nettverkssystem. Gjennom dyplæringsnettverkene, hvordan lokaliserer du dette problemet?

BrainChip har den ideelle løsningen for dette problemet. Vårt eldre produkt er BrainChip Studio. Dette er en komplett pakke med verktøy, utviklet for nettopp dette formålet og rettet mot politiavdelinger. Brainchip Studio kan utføre "one-shot learning" - det lærer å gjenkjenne en person fra bare ett bilde og kan deretter finne den personen raskt i enorme mengder video eller direktesendinger. BrainChip Studio ble opprettet for å finne bestemte objekter eller individer. Brainchip Studio kjører på en PC/Windows 10-plattform og bruker et BrainChip PCIe-innsettingskort kalt ‘Accelerator’.

Et lignende system, men med betydelig lavere strømforbruk, kan bygges rundt Akida-brikken i et kamera. Akida går lenger enn det; Den kan trenes enten på tradisjonell måte gjennom Machine Learning, og den kan også læres på brikken gjennom enten one-shot eller få-shot læring. Kombinasjoner av disse to metodene kan brukes innenfor samme brikke, og skaper uendelige muligheter for å lære å gjenkjenne spesifikke individer eller generalisere og gjenkjenne mange forskjellige mennesker eller objekter, med inkrementell læring etter trening. Akida-teknologien har for eksempel blitt brukt til å klassifisere alle 1000 kategorier av ImageNet. Akida løper veldig fort og trenger veldig lite elektrisk energi. Den kan drives av et lite batteri.

For hver dag blir en ny trussel indusert i et organisasjonsnettverk, og disse truslene/skadelig programvare får stor immunitet mot de gjeldende sterke nettsikkerhetspolitikkene som er fulgt. Hvordan løfter du teknologien din for å håndtere disse fremtidige potensielle risikoene?

Akida-brikketeknologien er utmerket til rask læring av trusselmønstre i datastrømmer. For øyeblikket læres disse mønstrene gjennom Deep Learning, som er dyrt og sakte. Den raske læringsmetoden til Akida skinner i disse applikasjonene; vi trente opp Akida-teknologien på det utfordrende og store 220 Gb CSE-IDS-2018 cybersikkerhetsdatasettet på bare 2.2 timer, og det lærte å gjenkjenne alle de 15 angrepstypene. Med disse raske læringsmulighetene er det raskt og enkelt å legge til nye trusselmønstre ved ganske enkelt å omskolere brikken på et nytt datasett. Vi blandet datasettet og brukte halvparten av det til verifisering, noe som resulterte i en deteksjonsrate på 98 %. Vi kunne behandle 30,000 20 bilder per sekund på bare XNUMX milliwatt. Vi undersøker hvordan vi kan bruke Akidas raske læringsmetode på brikken for å legge til nye trusselmønstre på farten ved hjelp av inkrementell læring.

Hvilket dyr er du mest lik? Hvilken bildetekst vil du gi til biografiboken din?

Jeg identifiserer meg ikke med noe dyr. Jeg vokste opp i et semi-landbruksmiljø der dyr ikke var kjæledyr. De ble enten slaktet for mat eller de var arbeidsdyr. Våre menneskekropper kan være av samme generelle design som dyr, men hjernen vår er vidt forskjellige. Hvis du skulle ta en apehjerne og skalere den opp tre ganger til menneskelig størrelse, ville du ikke avsluttet med en menneskelig hjerne. Det er strukturen i hjernen vår som gjør oss annerledes enn dyr. Samme nevrale celler, samme synapser og gliaceller, men en annen konstruksjon. For å gjøre en sammenligning kan du bygge enten en katedral eller et hundehus av de samme klossene, men hvis du skalerer opp hundehuset til størrelsen på en katedral, avslutter du bare med et veldig stort hundehus, og ikke en katedral. Det er det samme med hjernen.

"AI for å lage en AI" hvordan understreker du denne uttalelsen fra perspektivet til menneskelig intelligens knyttet til den.

Nåværende AI er ikke intelligent. Deep Learning-systemer lærer ikke, de trenes ved hjelp av en sekvensiell optimaliseringsrutine som gir tilbakemelding på feil og korrigerer vekter, ikke ulikt påfølgende tilnærmingsrutiner; den gjør en gjetning, sjekker feilen og korrigerer gjetningen med halvparten av hva feilen var til utgangsverdien og gjettet verdi konvergerer. Konvolusjonelle nevrale nettverk er beregningsmessige konstruksjoner som har svært lite til felles med måten hjernen fungerer på.

I hjernen er tid av essensen. Informasjon er kodet i timingen av "spikes" - korte støt av elektrisk energi som sendes mellom nevrale celler. Intervallet mellom toppene, intensiteten til toppene og stedet der toppene oppstår inneholder alle informasjon. Synapser lagrer informasjon som frigjøres av innkommende topper. Informasjonen som er lagret i synapser oppdateres kontinuerlig. Læring er en funksjon av tidspunktet for pigger. Hjernen er et veldig dynamisk system som er i endring hele tiden. Intelligens formes av omgivelsene gjennom konstant læring.

Som jeg sa tidligere, har hjernen en veldig definert struktur, som varierer i ulike hjerneregioner. Hjernen er ikke én homogen masse av nevrale celler. Vi har en høyre og venstre halvkule, som ser omtrent like ut. Men vi har også en lillehjernen og en hippocampus, det limbiske systemet og andre hjerneregioner med hver sin struktur spesifikt for deres funksjon. Selv insekthjerner er langt mer strukturerte og intrikate enn våre nåværende nevrale nettverk. Hjerner forutsier neste handling før sensoriske stimuli kommer. Ingenting av dette finnes i dagens nevrale nettverk. Å si at dagens nevrale nettverk viser intelligensen til en honningbi er en åpenbar overdrivelse.

BrainChip Akida-teknologien bruker et hjerneinspirert nevralt nettverk for å utføre inferens. Den kan gjøre alle tingene som dagens konvolusjonelle nevrale nettverk kan gjøre, men den kan også kjøre helt native spiking nevrale nettverk som ligner læringsmetoden og prosesseringsmetoden til hjernen. For eksempel å utføre gjenkjenning av cybersikkerhetstrusler og inkrementell læring. Fremtidige versjoner av Akida-teknologien vil inkludere mer av hjernens struktur, med sikte på å gjøre AI mer intelligent. Dette er ingen trussel mot menneskelig intelligens. Med våre 86 milliarder nevrale celler, 100 billioner synapser og 300 milliarder gliaceller er vi langt foran enhver intelligent AI i en overskuelig fremtid. Til sammenligning er de største AI-nettverkene i dag opptil noen få millioner nevronekvivalenter og savner all strukturen som gjør hjernen intelligent.

For å opprettholde markedets sult er det svært viktig for enhver teknologiorganisasjon å utmerke seg i innovasjon og initiativer. Hvordan forbereder BrainChip seg for dette?

BrainChips mål, fra begynnelsen, har alltid vært å skape bedre AI. Vi følger ikke den generelle trenden i markedet med deres massive parallelle multiplikatorer, og opptil 200 lag som markedsføres som AI-brikker. Vi definerte vår hendelsesbaserte Spiking Neural Network-teknologi før 2008, da vi sendte inn vårt første patent. Vi har oppnådd alt Deep Learning har å tilby, ved å bruke en helt annen filosofi, en filosofi som har en klar vei til fremtiden. Der standard CNN-teknologi kjører inn i en murvegg når de prøver å gå utover bildeklassifisering, utmerker vårt arrangementsbaserte Spiking NN seg.

Vår filosofi er basert på å kopiere funksjonen og strukturen til hjernen, og å bruke den teknologien for å løse dagens problemer. Det er grunnen til at Akida kan brukes til å behandle, etter en enkel konverteringsprosess, dagens Deep Learning-baserte CNN-er, i tillegg til å gå videre fra det tidspunktet til å utføre inkrementell læring og opplæring på brikken. Dette har mange fordeler, utover inkrementell læring. Akida kan lære av miljøet den eksisterer i, en evne som vi vil utvide i fremtidige generasjoner av Akida med episodisk hukommelse, det vil si å huske hendelsesforløp. Et eksempel på sekvensminne er når du går tilbake for å finne bilen din på en travel parkeringsplass. Sekvensminne har virkelige applikasjoner innen tekst- og taletolkning og robotikk.

Den kan også behandle store mengder video eller data til et ekstremt lavt strømforbruk, noe som er bra for miljøet. Det ble uttalt at trening av en Deep Learning CNN bruker nok strøm til å kjøre fem elbiler i en mannsalder. Med Akida reduseres dette strømbehovet til kraften som trengs for å kjøre en lommelykt. Hendelsesbasert prosessering er en "grønn" teknologi.

AI Time Journal vil gratulere Brainchip for å ha blitt tildelt patentet på "AI Dynamic Neural Network". Kan du gi oss litt innsikt i det og utfordringene du finner ved å plassere dette som et markedsprodukt?

Dette er et støttepatent fra vårt første patent "Autonom læring dynamisk kunstig nevrale databehandlingsenhet og hjerneinspirert system", som beskriver den hendelsesbaserte spikebehandlingsmetoden som brukes i alle BrainChip-produkter. Dette andre patentet beskriver en måte informasjon kan deles mellom to eller flere Akida-enheter. For eksempel, når en Akida-brikke brukes i en bil og den lærer noe nytt, ville det være fordelaktig om den kunne dele denne kunnskapen med alle andre Akida-enheter som brukes i lignende funksjoner i andre biler. Det kan lære om et nytt objekt å unngå, eller en bedre optimalisering. Gjennom et bibliotek, som kan eksistere i skyen, kan den dele denne informasjonen med andre enheter. Dette er en produktforbedring, snarere enn et frittstående produkt.

Moro med tankene: Hvis du skulle reise i tid til 1938, hvordan ville du brukt teknologien din for å stoppe andre verdenskrig?

Å forhindre andre verdenskrig (eller enhver fremtidig krig) er ikke et spørsmål om teknologi, det er et spørsmål om opinionen. Hitler var ikke den eneste slemme fyren på den tiden, det var en hel organisasjon bak ham, så vel som mye av offentligheten. Journalistikk er et verktøy som som alle andre verktøy kan brukes eller misbrukes. Nazistene misbrukte det tydeligvis så mye de kunne, og myrdet alle som ikke var enig i deres tankegang og kontrollerte media. I enhver krig, som jeg mener er en form for massegalskap, former politikere opinionen gjennom propaganda.

En ting som politikerne ikke helt har innsett ennå, er at fremtidige kriger ikke først og fremst vil bli utkjempet med bomber og våpen, men med AI. Nasjonen med den beste AI-strategien vil vinne. De vil være i stand til å bruke autonome søk og ødelegge kjøretøy, infiltrere og forstyrre fiendens datasystemer av invasive AI-roboter, forstyrre deres produksjonsevner og matdistribusjonssystemer, og skape et kaos i trafikkstyring og energigenererende anlegg. Ulike former for kunstig intelligens, både programmert og maskinvarebasert, vil bli brukt for å beseire en fiende uten å avfyre et skudd. Skriften er allerede på veggen.

Hvilke kjente teknologikjendiser ville du tildelt disse titlene og hvorfor?

1 femstjerners utmerkelser (utmerkelse i ytelse)

Vårt ingeniørteam hos BrainChip, som har jobbet hardt de siste 7 månedene for å lage Akida-brikkedesignet fra forskningsprototypen vår.

2 Perfekt tilstedeværelse (til rett tid)

Akida-brikken. Går inn på markedet på et tidspunkt da de første AI-produktene blir utformet, og trenger høy ytelse, med lavt strømforbruk. Riktig teknologi til rett tid og rett pris.

3 Cheers (Beste laginnsats)

For hele BrainChip-teamet, i Frankrike, USA, Australia og India for en flott teaminnsats på tvers av fire kontinenter, men i perfekt harmoni, og jobber 24 timer i døgnet gjennom forskjellige tidssoner.

4 Høyeste av High Fives (Excellence in Innovation, Initiatives)

Til de mange forskerne og forskerne ved universiteter og institusjoner som har bidratt til Akida-teknologien, enten gjennom direkte involvering, eller gjennom publiserte artikler, nettbasert utdanning og forelesninger.