- מעבדות Fujitsu באירופה פיתחו טכנולוגיה סקלבילית וחסכונית בעלויות ובמשאבי זיכרון ללמידה עמוקה ביישומי בינה מלאכותית (AI) ובכך התגברו על מגבלות זיכרון ה-GPU הקיימות.
- הפתרון, שהינו חלק מיוזמת Zinrai של Fujitsu לפיתוח בינה מלאכותית הממוקדת באדם, מאפשר לתשתיות מחשוב קיימות להתמודד עם אתגרי AI בהיקף גדול ללא צורך בהשקעה משמעותית נוספת בתשתית.
- הפתרון עושה שימוש במנגנון חדשני של הקבלת מודלים בכדי לשפר ולמכן את ביזור הזיכרון ברשת זיכרון עצבית עמוקה, ובניסויים ראשוניים השיג ניצולת של 90 אחוזים.
- הפתרון מאפשר שימוש בתמונות בעלות רזולוציה גבוהה יותר לזיהוי מרכיבים זעירים, לשיפור הסיווג לקטגוריות מעודנות יותר ואפשור פיתוחים המשפיעים על חיי היומיום שלנו.
- הטכנולוגיה הודגמה לראשונה ב-2017 Fujitsu Innovation Gathering שהתקיים במהלך הביקור בגרמניה שלFujitsu World Tour 2017 ב-23 במאי בברלין.
Fujitsu הכריזה על פריצת דרך חשובה בטכנולוגיית למידה עמוקה עם מנגנון חדשני ויעיל ביותר שפיתחה לביזור הזיכרון ברשתות עצביות עמוקות (DNNs). השימוש ב-DNNs ביישומים רבים של בינה מלאכותית המשלבים דיבור וזיהוי וסיווג עצמים מחייב משאבי מחשוב מסיביים ומציב תביעות עצומות מתשתיות המחשוב הקיימות. פתרון הלמידה העמוקה החדש של מעבדות Fujitsu באירופה משתמש בהקבלת מודלים (model parallelism) בכדי לבזר את דרישות זיכרון ה-DNN באופן ממוכן, שקוף וקל לניהול. הודות לכך, קיבולת התשתיות הקיימות להתמודדות עם יישומי AI גדולים משתפרת במידה רבה ללא צורך בהשקעה נוספת.
הפתרון החדש משיג את תהליך הביזור החדש של הזיכרון באמצעות הסבת רבדים של רשתות עצביות, שתוכננו באופן שרירותי לרשתות מקבילות אשר חלק, או כל הרבדים שבהן מוחלפים בכמה חלקים קטנים יותר של רובדי משנה. חלקים אלה של רובדי המשנה נועדו לשמש כשווי ערך מבחינה פונקציונלית לרבדים המקוריים, אך הינם הרבה יותר יעילים לביצוע מבחינה מחשובית. בנוסף, מאחר והרבדים המקוריים והחדשים נובעים מאותו פרופיל, תהליך ההכשרה של ה-DNN שעבר שינויים ובוזר מתלכד בזה של ה-DNN המקורי ללא עלות נוספת.
מעבדות Fujitsu באירופה בחנו את הטכנולוגיה החדשה לעומק, לרבות ביישום המנגנון החדש על Caffe, מסגרת מקור פתוח ללמידה עמוקה הנמצאת בשימוש נרחב בקהילות מו”פ ברחבי העולם. הפתרון השיג יעילות של יותר מ-90 אחוזים בביזור הזיכרון בעת הסבת רבדי AlexNet מחוברים במלואם לכמה GPUs של NVIDIA. כטכנולוגיה שאינה תלויה בחומרה, היא מסוגלת לנצל את עוצמת המחשוב של יחידות העיבוד הקונבנציונליות וכן את זו של מאיצים קיימים או חדשים, לרבות GPUs של NVIDIA, Intel Xeon Phi, FPGAs, ASICs וכו’ או כל שבבי חומרה חלופיים אחרים שהותאמו במיוחד להגדלת היעילות המחשובית בלמידה עמוקה.
דוגמאות ליישומים שיעשו שימוש בפתרון החדש כוללות ניתוח נתונים רפואיים (למשל, איתור מחלות של הרשתית הנגרמות בעקבות סוכרת); סיווג לניתוח של תמונות לוויין; עיבוד שפה טבעית, אשר בו מודלי למידה עמוקה נדרשים בכדי למדל וללמוד את מלוא המורכבות של השפה האנושים; נתוני גרפים בהיקף גדול מהתקני אינטרנט של הדברים, טרנסאקציות פיננסיות, שירותי רשתות חברתיות ועוד.
מעבדות Fujitsu באירופה הן מרכז מצוינות של המחקרים המתקדמים שעורכת Fujitsu בלמידת מכונה ולמידה עמוקה כחלק מפיתוח פתרונות ושירותים דיגיטליים במסגרת יוזמת Zinrai של Fujitsu לבינה מלאכותית המתמקדת באדם. הפעילויות כוללות שיתופי פעולה נרחבים ויצירה משותפת עם לקוחות Fujitsu וארגוני מחקר באירופה, המזרח התיכון, הודו ואפריקה, לרבות עם בית החולים הקליני סאן קרלוס במדריד, (בפתרון HIKARI AI healthcare), עם אוניברסיטת סביליה (באנליטיקה שלנתונים ביישומי תיירות), ובמרכז החדשנות של G5 בבריטניה.
רענן ביבר, מנהל פוגיטסו ישראל, מסר: “גם בישראל יש הרבה פעילות סביב HPC (High-Performance Cluster) לצורך עיבוד מקבילי רב עוצמה ליישומי Machine learning, מחקרים באקדמיה, בתחומי הסייבר ועוד. בזכות פועלה של חברת האם והובלתה בתחום מתאפשר ללקוחות בישראל ליהנות מהניסיון העשיר והתמיכה העשירה שמעמידה החברה בסביבות מורכבות אלו”.
בתמונה: רענן ביבר, מנהל פוגיטסו ישראל
