Lattice Blog

Share:

エッジでの機械学習を可能に

Machine Learning
Posted 05/23/2017 by Juju Joyce

Posted in

技術の発展で私をわくわくさせるものは、人間の生活を豊かにする将来性です。人工知能(AI)、機械学習、ディープラーニングは、やり方さえあっていれば多くの可能性を秘めています。

機械学習は明示的にプログラムしなくても学習/動作する能力をコンピューターに与える科学と定義されています。この機能によって、コンピュータやロボットはコードに記述するにはあまりにも複雑な作業でも行うことができます。たとえば、ロボットが歩く方法や無人車が安全に運転する方法を指示するコードを記述することを想像してみてください。そのようなアプリケーションで完璧に指示を明記するには、新しい未知のシナリオさえ、考慮すべき点やシナリオが多すぎます。

Artificial Intelligence

ディープラーニングは機械学習のサブフィールドで、機械学習は人工知能のサブフィールドです。

学習過程

機械学習のサブフィールドであるディープラーニングは、その機能性において大きな進歩を遂げており、明示的なプログラムなしの学習/動作ができる複数層の人工ニューラルネットワーク(ANN)を使用したコンピューター向けに普及しています。ANNは人間の脳の生物学的ニューラルネットワークに基づいており、最初に生まれたとき、ニューロンのネットワークはほとんど何もすることができません。しかし、一定期間を経て、私たちは歩き、話し、読むことを学びます。これが“学習”段階です。最終的に、過去の学習や経験から学んだ教訓を思い出すことで、新しい事象が起きたときにも決定を推論できるほどの知識を持ちます。これが“推論”段階です。同じようにANNも一連の学習データを使用して教えられ、その後は新しいデータが提示されたときに行動(「推論」)できる“学習”段階を経験します。たとえば、犬と猫を正確に区別できるANNは、学習檀家で、何千もの犬と猫の画像を与えられ、高いレベルの正確性で違いを認識できるようになります。一度学習したあとは、その特定の犬や猫を見たことがなかったとしても、ANNは現実社会で犬か猫を“推論”(認識)することが可能になります。  

従来の機械学習技術に比べてANNベースの機械学習が優れている点は、犬と猫をうまく区別するために必要な特徴/パラメータが、隔週段階でANNによって自動的に選択されることです。それに対して、従来の機械学習技術では、そのような特徴/パラメータはその分野における専門家(SME)によって手動で選択する必要があります。基本的に、面倒で時間がかかる反復的なプロセスで、最終結果はANNベースの機械学習ほど優れていない可能性があります。

ANNの進歩

ANN技術は何十年も前からありましたが、近年になってようやく、2つの要素によって従来のアルゴリズムよりも優れた結果が示されるようになりました。1つ目は、計算能力の機能とお手ごろな値段が、数十年前には非実用的だったディープニューラルネットワークと呼ばれるより複雑で深いANN層の構築を可能にしたことです。2つ目は、学習のために使われるデジタルデータ、ビデオ、サウンドクリップなど、大容量のデータが可能になったことです。通常、推論のときにANNがどれだけうまく実行できるかは、学習データの量と質にかかっています。上記の犬か猫の学習例でいえば、画像の枚数と、その画像は、実際に“推論”段階になったときにANNに識別されることになる猫および犬の写真として十分な質かどうかが重要です。

学習 vs 推論

訓練は通常、データセンタ/クラウドで、推論はエッジのネットワーク(組込み/モバイルシステム)で行われます。訓練は高性能のCPU、GPU、FPGAもしくはTPU(テンソル・プロセッシング・ユニット)と広範囲な数値を表すときに必要な浮動小数点演算を使用します。訓練されたANNは、コストと電力消費が最適化された組込み/モバイルシステムに移植することができる、極めて複雑さの少ないANNになるよう最適化されます。その時点で浮動小数点演算も通常は固定小数点演算に変換され、複雑さの軽減し、計算リソースの効率的な使用が可能になります。

Edge Computer Platform 

‘クラウド/データセンタでの訓練&エッジでの推論

ネットワークエッジ(組込み/モバイルシステム)での推論をする能力は、意思決定と分析のレイテンシを最小限にし、ネットワークを通じてすべてのデータをデータセンタへと送信・分析されます。これにより、ネットワーク上の混雑が軽減され、ユーザーのプライバシー(データはローカルデバイスに残るため)が向上し、ネットワークなしでの推論が可能となります。

エッジでの推論を可能に

FPGAは(CPUやGPUに比べて)最低の電力消費で高度な1秒あたりの動作(OPS)が可能な並列処理アーキテクチャを採用しているため、エッジでの推論に最適です。ANN処理はFPGAによる並列処理アーキテクチャを使用すると大幅に加速されます。ラティスのFPGAは低消費電力で小型、低コスト向けに最適化されており、それはエッジでの処理で求められるものです。加えて、まだ私たちは機械学習革命のほんの初期段階にいるため、より優れて改良されたANNアークテクチャが日常的に検証され、発売されています。したがって、新しいANNアーキテクチャや技術が利用可能になると、簡単にアップグレードできるように、FPGAでもたらされる柔軟でプログラマブルなハードウェアアーキテクチャが必要になります。新しいエンベデッドビジョン開発キット(ラティスのエンベデッドビジョンソリューションポートフォリオの一部)はロボット、ドローン、先進運転支援システム(ADAS)、スマート監視カメラやAR/VRシステムを含むエッジでのモバイル対応のインテリジェントアプリケーション向けに柔軟な接続性と加速を実現するFPGAベースのプラットフォームの1つです。

まとめ.

私たちの生活をより豊かにする“もの”を作り出す人々の探求において、機械学習(ANN)は、人間のようなインテリジェンスを多くの“もの”に加えるための非常に有望な技術であり、それによって役立つ能力を大幅に向上させます。同時に、安全で人にやさしい操作を保証するために、インテリジェンスな“もの”は逆らってはいけない(または違反してはならない)という境界(または一連のルール)を常に定義することが必要である。

Share:

Like most websites, we use cookies and similar technologies to enhance your user experience. We also allow third parties to place cookies on our website. By continuing to use this website you consent to the use of cookies as described in our Cookie Policy.