כמעט בכל אזכור או נושא כיום יש התייחסות לנושא של בינה מלאכותית (AI-Artificial Intelligence), גם כצרכנים הנושא הינו חם ועדכני במיוחד לאור טכניקות לימוד-מכונה (ML- Machine-Learning) המתפתחות ומשתדרגות באופן יומיומי. נושא זה מצוטט לעיתים קרובות כאחד מהשווקים הקריטיים עבור ספקי הציוד האלקטרוני, אך למעשה זהו איננו שוק, זוהי טכנולוגיה. טכנולוגיה זאת חודרת בשקט-או לא כל כך בשקט לשווקים רבים מאד. חלק משווקים אלו כוללים שימושים מצילי-חיים כלומר חיים ושלמות איברים תלויים בכמה טוב יעבדו האביזרים הללו.
טכנולוגיית הבינה המלאכותית הינה חשובה ביותר, אך הינה שונה מטכנולוגיות רבות ושונות אחרות בצורה שבה היא מאומתת.
שלוש דרישות מפתח
אימות של בינה מלאכותית ולמידת מכונה מביא עמו שלושה צרכים מרכזיים: דטרמיניזם, יכולת דירוג ויכולת וירטואליזציה. דרישות אלו אינן שונות מהדרישות לאמולציית חומרה, אולם טכנולוגיות רבות אחרות נדרשות לשתיים מתוך שלוש דרישות אלו בלבד. הבינה המלאכותית הינה “הסערה המושלמת” מבחינה זאת ודורשת את כל השלוש.
לימוד מכונה מערב בנייה של מודל במהלך השלב שנקרא “שלב לאימון” – לפחות בגרסה המבוקרת שלו. מודל זה מיושם לאחר מכן במכשיר מסוים או בענן לצרכי הסקת מסקנות, כאשר המודל לאחר אימון ותרגול מיושם באפליקציה לצורך שימוש.
יישום של תכנון לימור מכונה / בינה מלאכותית
שלב הלימוד והאימון הינו רגיש ביותר. מתוך מספר גדול מאד של דוגמאות אימון, מייצרים את המודל. שינוי של דוגמת אימון אחת בלבד, תייצר מודל שונה. מודל שונה זה יכול לעבוד בצורה תקינה לחלוטין – זהו אחד הדברים המאפיינים למידת מכונה, יש הרבה פתרונות נכונים. בכל אחד מהפתרונות הנכונים נגיע לאותה תשובה אבל הנתיב אל התשובה יהיה שונה. כל טכניקות האימון והלימוד כוללות דרכים להבטיח שהמודל לא יוטה לכיוון אחד מהמערכים של האימון, אולם כל הטכניקות כוללות סטים חוזרים ונשנים של צעדים ונתיבים לפתרון עקבי. מכיוון שלא ניתן לאמת מודל שמשתנה כל הזמן.
בצורה דומה, בזמן ביצוע אימות, מסלולי המידע הנכנס למבחן חייבים להישאר עקביים מריצה לריצה. במידה ותנסו לדוגמא להוציא מידע אקראי מהאינטרנט בשימוש בטכנולוגיות אמולטור תוך-מעגלי (ICE – In Circuit Emulation) לשימוש לצורך בחינה של מודלים לבינה מלאכותית ביישום רשת, לא תצליחו לעולם להתכנס במהלך האיטרציות של התכנון משום שלא תוכלו להשוות את התוצאות מריצה לריצה.
דבר זה מייצר את הצורך בדטרמיניזם
במודלים של בינה מלאכותית מעורב מספר רב של חישובים קטנים, המבוצעים בדרך כלל במערך גדול של מנועי חישוב קטנים. דרישות המידע שלהם שונות מאלו של יישומים רבים אחרים ובכך מביאות לשינוי הדרך שבה נבנה אחסון המידע ושיטת הגישה אליו. החישוב יכול להיות מבוצע באשכול עבור מודל נתון, אבל ליישום הכללי יכול להיות מספר רב של מודלים כאלו, היוצרים תיכנון כולל מקוטע.
במהלך התכנון, המודלים עשויים לגדול בהרבה בשל תהליכי האופטימיזציה והלימוד על הטווח המלא של המידע הנכנס שהם אמורים לעבד. מכך משתמע כ לאורך המסלול של פרוייקט נתון, ובמיוחד כאשר פרוייקט שהסתיים נבנה על פרוייקט חדש, פלטפורמת האימות צריכה לגדול או להתכווץ בכדי להתמודד עם הטווח הרחב של המקורות הנדרשים לאורך מסלול חיי הפרוייקט ובמקביל למזער כל השפעה שלילית על הביצועים.
דבר זה מייצר את הצורך ביכולת דירוג
לבסוף: כל האלגוריתמים הינם חדשים. אין מורשת. מכך משתמע שגם אם ברצונכם להשתמש בטכניקת אמולציה תוך מעגלית, קיימים מספר מקורות של מידע אמת מיישומי תכנון ישנים יותר שבהם ניתן להשתמש לצורך האימות של יישום חדש. כל זה הינו חומר חדש לחלוטין וכתוצאה מכך עליכם לבנות סביבת אימות וירטואלית.
גם אם יש באפשרותנו להשתמש באמולציה פנים-מעגלית, סביבה וירטואלית הינה עדיין הסביבה המועדפת. במהלך ביצוע הדיבוג לדוגמא לא ניתן לעצור את שעון המקור באמולציה תוך מעגלית. ניתן להפסיק לחפש מידע אך השעון ממשיך בכל זאת להתקדם גם בלעדיכם. לעומת זאת, סביבת מידע וירטואלית הינה וירטואלית בכל המובנים, כולל השעון. כך שאתם יכולים לעצור את התכנון בנקודה קריטית, לבחון ולבדוק מה מתרחש באותה נקודה ואז להמשיך הלאה מהנקודה המדויקת שבה הפסקתם. דבר זה עוזר לתכונת הדטרמיניזם שכפי שראינו הינה אחת התכונות הנדרשות.
וכך לבסוף, דבר זה מייצר את הצורך בווירטואליות
מאפייני Veloce
שלושת הדרישות שהוזכרו: דטרמיניזם, יכולת דירוג ווירטואליזציה מותאמות בצורה מושלמת עם שלושת הבסיסים המרכזיים של אמולטורים מדגם Veloce.
האימות על אמולטורים מדגם Veloce יכול להיות דטרמיניסטי לחלוטין. בין אם בוחנים תוכנה או בוחנים חומרה ניתן לחזור על הריצות שוב ושוב ולחקור את החומרה וכל שורת קוד בתוכנה עד שכל אספקט ונקודה בתכנון שלכם נבדק כראוי.
האמולטורים מדגם Veloce הינם בעלי יכולות שדרוג מ 40 מיליון עד ל15 מיליארד שערים. לא משנה מה הגודל והמורכבות של המודלים שלכם, פלטפורמות Veloce הינן המקור ב”גודל הנכון” לצורך ביצוע האימות. עם הגידול בסדרי הגודל של התכנון שלכם, פלטפורמת האמולציה שלכם יכולה לעבור שדרוג של הקיבולת שלה ללא הפרעה או פגיעה בביצועים וזאת ככדי להבטיח שתסיימו את האימות שלכם בלוח הזמנים שנקבע.
סט הנתונים המלא הנדרש לאימות התכנון באמולטורים מדגם Veloce יכול להיות וירטואלי. בין אם נעשה מינוף של כמות מסוימת מהבלוקים הרבים המובנים מראש לצורך האימות, או בתכנון בלוקים משלכם, יש לכם שקיפות מוחלטת וחופש מוחלט לשלוט בביצוע חבילת האימות. פעילות זאת כוללת נושאי דיבוג וכן מדידה מדויקת של פרמטרי התנהגות חשובים של המערכת.
ויזואליזציה מאפשרת ריצה של מסגרות ומערות בינה מלאכותית ולימוד מכונה תחת אמות מידה לביצועים.
לסיכום
בינה מלאכותית ולימוד מכונה מאלצים אותנו לחשוב על דרכים חדשות לתכנון ולאימות. אמולטורים מדגם Veloce שכבר מהווים גורם חשוב בשווקים רבים שבהם הכל הינו דינאמי ומשתנה, יהוו כלי נוסף וחשוב עוד יותר להבטיח שהפרויקטים מכווני הבינה המלאכותית שלכם יעברו את האימות שהינו שלב קריטי ונדרש, במסגרת הזמן שתאפשר לכם יציאה בזמן לשוק.
ג’אן-מרי ברונט הינו מנהל שיווק בכיר ביחידת האמולציה בחברת Mentor השייכת לחברת Siemens. הוא עבד במשך 20 שנה בתפקידי הנדסת אפליקציות, שיווק וניהול בתעשיית ה EDA. ושימש במנהל תיכנון מכשור ובקרה וניהול התיכנון בחברות כמו STMicrolectronics, Gadence וגם בחברת Micron.לג’אן-מארי יש תואר שני בהנדסת חשמל מבית הספר להנדסת חשמל I.S.E.N. בעיר לייל שבצרפת.
