Rêves et défis de l'intelligence artificielle de pointe

Dans cet article, nous explorons principalement deux questions principales, à savoir la justification de la mise en œuvre de l'intelligence artificielle dans les « petites machines », et quels défis seront confrontés dans le développement de petites machines dotées d'intelligence artificielle

À l'avenir, quand ? En ce qui concerne l'intelligence artificielle, nous devrions avoir des voitures volantes et des robots majordomes. Nous pourrions même rencontrer des robots sensibles qui décident de se rebeller contre nous. Même si nous n’en sommes pas encore là, il est clair que la technologie de l’intelligence artificielle (IA) a fait son entrée dans notre monde.

Chaque fois que nous demandons à l'assistant vocal intelligent de faire quelque chose, la technologie d'apprentissage automatique comprendra d'abord ce que vous avez dit et essaiera de prendre la meilleure décision quant à ce que vous voulez qu'il fasse. Par exemple, chaque fois qu'un site Web de vidéo ou une plateforme de commerce électronique vous recommande des « films que vous pourriez aimer » ou des « produits dont vous pourriez avoir besoin », il s'appuie sur des algorithmes d'apprentissage automatique complexes pour vous fournir des suggestions aussi convaincantes que possible. c'est clairement plus attractif que les promotions précédentes.

Même si nous ne disposons pas tous de voitures autonomes, nous sommes parfaitement conscients des évolutions dans ce domaine et du potentiel qu'offre la navigation autonome.

La technologie de l'intelligence artificielle est très prometteuse : les machines peuvent prendre des décisions basées sur le monde qui les entoure, traiter les informations comme les humains, ou même d'une manière meilleure que les humains. Mais si nous réfléchissons aux exemples ci-dessus, nous constatons que les promesses de l’IA ne peuvent être réalisées que par de « grosses machines », qui n’ont généralement aucune contrainte de puissance, de taille ou de coût. En d’autres termes, ils chauffent, sont alimentés par fil, sont grands et coûteux. Par exemple, les principaux géants mondiaux de l'informatique tels qu'Alexa et Netflix s'appuient sur de grands serveurs (centres de données) gourmands en énergie dans le cloud pour déduire les intentions des utilisateurs.

Bien que les voitures autonomes dépendent très probablement de batteries, leur capacité énergétique est énorme étant donné que ces batteries doivent faire tourner les roues et diriger. Ce sont d’énormes dépenses énergétiques par rapport aux décisions d’IA les plus coûteuses.

Ainsi, malgré les promesses de l’intelligence artificielle, les « petites machines » sont laissées pour compte. Les appareils alimentés par des batteries plus petites ou soumis à des contraintes de coût et de taille ne peuvent pas participer à l’idée selon laquelle les machines peuvent voir et entendre. Aujourd’hui, ces petites machines ne peuvent utiliser que des techniques simples d’intelligence artificielle, par exemple en écoutant un mot-clé ou en analysant les signaux de faible dimension de la fréquence cardiaque, comme la photopléthysmographie (PPG).

Et si la petite machine pouvait voir et entendre ?

Mais y a-t-il de la valeur à ce qu'une petite machine soit capable de voir et d'entendre ? Il peut être difficile pour beaucoup de gens d’imaginer de petits appareils comme des caméras de sonnette qui utilisent des technologies telles que la conduite autonome ou le traitement du langage naturel. Il existe néanmoins des opportunités pour des calculs d'IA moins complexes et moins gourmands en traitement, comme la reconnaissance de mots, la reconnaissance vocale et l'analyse d'images :

• Les caméras de sonnette et les caméras de sécurité grand public déclenchent souvent des événements inintéressants, par exemple des mouvements d'usines provoqués par le vent, des événements dramatiques. les changements de lumière causés par les nuages, ou même par des choses comme un chien ou un chat se déplaçant devant la caméra. Cela peut entraîner le déclenchement de fausses alarmes et le fait que les propriétaires commencent à manquer des événements importants. Les propriétaires peuvent voyager dans différentes parties du monde ou dormir pendant que leurs caméras de sécurité alertent fréquemment des changements d'éclairage causés par les levers, les nuages ​​et les couchers de soleil. Des caméras plus intelligentes peuvent identifier avec plus de précision les changements d'objets, tels que le contour du corps humain, évitant ainsi les fausses alarmes.
• Une serrure de porte ou un autre point d'accès peut utiliser la reconnaissance faciale ou même la reconnaissance vocale pour vérifier l'accès humain, dans de nombreux cas sans avoir besoin d'une clé ou d'une carte IC.
• De nombreuses caméras souhaitent se déclencher lors de certains événements : par exemple, une caméra de suivi peut vouloir se déclencher lorsqu'un certain animal est dans le cadre, une caméra de sécurité peut vouloir se déclencher lorsqu'une personne est dans le cadre ou qu'il y a du bruit comme celui d'un ouverture de porte ou bruits de pas, et certains La caméra peut vouloir être déclenchée par commande vocale et ainsi de suite.
• Les commandes de vocabulaire étendu sont utiles dans de nombreuses applications. Bien qu'il existe de nombreuses solutions « Hey Alexa », « Hey Siri », si vous commencez à penser à des vocabulaires de 20 mots ou plus, vous pouvez les trouver dans les équipements industriels, la domotique, les appareils de cuisine et bien d'autres appareils destinés à simplifier le travail des gens. vies. L’utilisation de l’interaction informatique.

Ces exemples sont tout simplement superficiels. L’idée de permettre aux petites machines de voir, d’entendre et de résoudre des problèmes qui nécessitaient auparavant une intervention humaine est puissante, et nous continuons de trouver chaque jour de nouveaux cas d’utilisation créatifs.

Quels sont les défis de faire voir et entendre une petite machine ?

Alors, si l’IA est si précieuse pour les petites machines, pourquoi ne l’utilisons-nous pas déjà plus largement ? La réponse est la puissance de calcul. Le raisonnement de l’intelligence artificielle est le résultat de calculs de modèles de réseaux neuronaux. Considérez un modèle de réseau neuronal comme une approximation approximative de la façon dont votre cerveau traite une image ou un son, en le décomposant en très petits morceaux, puis en reconnaissant des modèles lorsque ces petits morceaux sont assemblés.

Le principal modèle de problèmes de vision modernes est le réseau neuronal convolutif (CNN). Ces modèles sont excellents en analyse d’images et sont également très utiles en analyse audio. Le défi est que de tels modèles nécessitent des millions, voire des milliards de calculs mathématiques. Traditionnellement, ces applications sont difficiles à mettre en œuvre :

• Utilisez des solutions de microcontrôleurs bon marché et à faible consommation. Bien que la consommation d'énergie moyenne puisse être faible, le calcul des CNN peut prendre plusieurs secondes, ce qui signifie que l'inférence de l'IA n'est pas en temps réel et consomme donc beaucoup d'énergie de la batterie.
• Achetez un processeur coûteux et performant capable d'effectuer ces opérations mathématiques dans la latence requise. Ces processeurs sont souvent volumineux et nécessitent un grand nombre de composants externes, notamment un dissipateur thermique ou un composant de refroidissement similaire. Cependant, ils effectuent des inférences IA très rapidement.
• Impossible d'être mis en œuvre. Les solutions de microcontrôleurs basse consommation seront trop lentes à utiliser, tandis que les approches de processeurs hautes performances feront exploser les budgets en termes de coût, de taille et d'énergie.

Ce dont nous avons besoin, c'est d'une solution d'intelligence artificielle embarquée, conçue dès le départ pour minimiser la consommation d'énergie des calculs de CNN. L'inférence de l'IA doit être effectuée d'un ordre de grandeur par rapport aux solutions traditionnelles de microcontrôleurs ou de processeurs et ne nécessite pas l'aide de composants externes tels que la mémoire, qui consomment de l'énergie, du volume et des coûts.

Si les solutions d'inférence d'IA pouvaient éliminer la perte d'énergie de la vision industrielle, alors même les plus petits appareils pourraient voir et identifier ce qui se passe dans le monde qui les entoure.

Heureusement, nous sommes au début de cette révolution des « petites machines ». Des produits sont désormais disponibles qui peuvent pratiquement éliminer les coûts énergétiques de l’inférence de l’IA et permettre une vision industrielle alimentée par batterie. Par exemple, un microcontrôleur peut être utilisé pour effectuer une inférence IA tout en ne consommant que des microjoules d’énergie.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!