Fujitsu: Doorbraak AI dankzij stroom IoT-data

Ronald Bottenberg, business entrepreneur bij Fujitsu

De wereld staat aan de vooravond van de doorbraak van Artificial Intelligence. Business entrepreneur Ronald Bottenberg van Fujitsu is daar van overtuigd en denkt dat die ontwikkeling mede te danken is aan Internet of Things. “Onze supercomputers verwerken heel veel IoT-data om AI-systemen mee te trainen.”

 

Over Artificial Intelligence (AI) wordt al lang gesproken maar in de praktijk brengen, blijkt een stuk lastiger. Dat verandert echter snel vindt business entrepreneur Ronald Bottenberg van Fujitsu. “We zijn op een kantelpunt aangekomen. Daarbij speelt IoT een essentiële rol. IoT-sensoren genereren gigantische hoeveelheden data. Online data groeit in de vorm van tekst en beeld met petabytes per dag. Er is nu eindelijk genoeg data om AI-systemen te voeden en te trainen.”

Menselijk brein

Het trainen van neurale netwerken is een van de meest uitdagende aspecten van kunstmatige intelligentie. Fujitsu doet daar al jarenlang onderzoek naar en ontwikkelt er speciale computers voor. “Het verwerken van problemen door neurale netwerken is complex”, legt Bottenberg uit. “Het gebeurt door een probleem in kleine taakjes op te delen die allemaal tegelijk worden opgelost. Het systeem lijkt een beetje op het menselijke brein. Het is opgebouwd uit neuronen die informatie verwerken. Deze neuronen ontvangen input en geven output. In de trainingsfase gaat er veel tijd zitten in het nauwkeurig afstemmen van deze neuronen.” Anders dan traditionele computers zijn neurale netwerken niet gebouwd rond een of enkele krachtige processor(en). “In plaats daarvan wordt voor meerdere kleinere processoren gekozen die gezamenlijk reageren op patronen die ze ontvangen van onder meer IoT-devices. In een simpel model komen de signalen aan de ene kant binnen en worden daarna van laag naar laag doorgegeven in het netwerk. Meer complexe netwerken passen een terugkoppeling toe. Signalen worden doorgegeven tot een zekere diepte in het netwerk, waarna ze worden teruggestuurd naar eerdere lagen, aangevuld met meer informatie”, aldus de business entrepreneur.

Processorkracht

Dit verklaart waarom het trainen van neurale netwerken rekenkundig zo intensief is. “Zeker als we het aantal neuronen vergroten”, verduidelijkt Bottenberg. “Met die kennis in het achterhoofd kan ook het belang van al (deels) getrainde netwerken op waarde worden geschat. Een hertraining is veel makkelijker dan het eerste trainingsproces.” Een technische uitdaging is hoe om te gaan met de extreme eisen aan processoren in dit soort complexe neurale netwerken. “Het gaat daarbij niet zozeer om pure processorkracht. Natuurlijk zijn snelle processors belangrijk, maar dat is niet het enige. Het gaat meer nog om het systeem rond de processoren dat ze snel genoeg kan voeden met input en output. Het fundament hiervoor is een uitgekiend systeemontwerp voor parallel processing.”

‘ We hebben de snelheid van neurale netwerken verdubbeld’

Fujitsu werkt al jaren aan dergelijke computers. “In 2011 bouwde we de supercomputer K”, zegt Bottenberg. “Genoemd naar het Japanse woord ‘kei’ (京), wat de betekenis heeft van 10 tot de macht 16. De supercomputer K is gebaseerd op een gedistribueerde geheugenarchitectuur met meer dan 80.000 computernodes. Er worden allerlei problemen mee opgelost waaronder klimaatonderzoek, ramppreventie en medisch onderzoek. Supercomputer K behoort nog altijd tot de wereldtop en is op het vlak van het gelijktijdig verwerken van processen nog steeds ongeslagen.”

Grafische chips

Als het aankomt op processoren, dan is een traditionele aanpak met een centrale processing unit (CPU) volgens Bottenberg niet genoeg voor het gebruik in neurale netwerken. Veel geschikter zijn chips met parallelle processing capaciteit zoals in grafische chips (GPU’s). Bedrijven als Nvidia ontwikkelingen dergelijke chips. Door parallelle processen kan het algoritme van een neuraal netwerk worden versneld. “Helaas werkt dat maar tot een bepaald punt”, aldus Bottenberg. “De bottleneck is de snelheid waarmee informatie tussen de losse chips beweegt. Daar hebben we een aantal slimme ingrepen op bedacht werken om deze beperking heen. Door de efficiëntie van het geheugen van elke GPU te verbeteren en algoritmes te gebruiken gaan berekeningen in neurale netwerken efficiënter. Dit heeft de snelheid van neurale netwerken verdubbeld.”

‘ AI bevindt zich in een ronduit spannende fase’

Tienduizend keer

In sommige neurale netwerken is het optimaliseren van hard- en software niet genoeg. “In zo’n geval kiezen we ervoor om processen direct door de hardware te laten uitvoeren zonder software-laag”, aldus Bottenberg. “Er is dan geen vertaling nodig, waardoor de hardware een signaal extreem snel kan verwerken. De uitdaging is dat de hardware wel herconfigureerbaar moet zijn. Dat is waar de Field Programmable Gate Arrays om de hoek komen kijken. We hebben veel kennis over het maken van chips in deze hardware class. Recent onderzoek toonde aan dat de chips bepaalde problemen tienduizend keer sneller oplossen dan conventionele computers.” Om te zorgen dat de snelheden voldoen aan de eisen die AI stelt, blijft Fujitsu zoeken naar mogelijkheden om de hardware te verbeteren. “Elke aanpassing maakt verschil. Een goed ontworpen systeem kan een belangrijk verschil maken. AI bevindt zich in een ronduit spannende fase”, zegt Bottenberg tot besluit. “Fujitsu levert daar een actieve bijdrage aan. Onze ervaring met dergelijke systemen is de sleutel naar een volgende generatie AI.”

Fujitsu

[Dit artikel is eerder gepubliceerd in het IoT-Dossier 2017]

Lees het artikel hier in PDF