Imec が人工知能の産業化をどのように望んでいるか

大学間マイクロエレクトロニクス センター (Imec) は、世界トップ 10 の研究技術組織 (RTO) の 1 つであり、純粋な研究と応用研究の両方を行っています。最も重要なことは、産業化の準備ができている有望な研究を見つけ、その技術を産業で使用する準備をしているということです。

これらすべてを行うために、Imec は産業界のプレーヤーを集めて、今後 10 年間に影響を与える技術革新に協力します。 パートナーは、才能と知的財産だけでなく、コストとリスクも共有します。 ベルギーの RTO は、ベルギー内外の大学のパートナーとも協力しています。また、Imec の研究者の一部は大学と提携しています。

適切なケースは スティーブン・レイター Imec で人工知能 (AI) の研究を率いており、アントワープ大学の非常勤教授でもあります。 彼の主な焦点は、センサー技術とチップ設計を AI アルゴリズムと組み合わせて、ヘルスケアなど AI を最も必要とする分野でソリューションを提供することです。

Latré 氏によると、AI は、ハードウェアが提供できる以上の計算能力をアルゴリズムが要求する重要な段階に近づいています。 Imec が行っている作業の一部は、そのボトルネックを緩和するのに役立つ可能性があります。 この研究組織は、これらの課題に目を向けており、近い将来業界に最も影響を与えると考えられる 3 つの分野 (クラウド AI、エッジ AI、ヘルスケアにおける AI) にも焦点を当てています。

クラウド AI

機械学習アルゴリズムは、コンピューティング リソースに関して非常に貪欲になりつつあります。 などの人気のあるシステム DALL-EGenerative Pre-trained Transformer 3 (GPT-3) 大量のコンピュータ パワーを必要とします。 DALL-E は自然言語の記述からデジタル画像を生成しますが、GPT-3 は深層学習を使用して人間のようなテキストを生成します。

「これらのシステムでは知能の量が非常に高く、美しい結果が得られます」と Latré は言います。 「そのマイナス面は、彼らが必要とする計算の量が今まさに爆発的に増えていることです。 コンピューティング能力に対する需要の進化を見て、それをコンピューターのパフォーマンスの進化と比較すると、すぐに問題が発生することがわかります。

「約 10 年前まで、この種の AI モデルは、2 年ごとに約 2 倍ずつ、コンピューティング能力の需要を増加させていました。 これは CPU の進化と非常によく一致しており、CPU も約 2 年ごとにパワーが 2 倍になっています。」

「しかし、過去 10 年間、処理能力に対する需要は毎年 10 倍ずつ増加しています。 これは、私たちが現在構築しているものは何でも、今から 2 年後には計算速度が 2 倍になることを意味しますが、AI が必要とする計算量は 100 倍になるでしょう。」

それぞれのインテリジェンスのレベルが向上する巨大な AI モデルの数が増えているため、AI の進歩はすぐにボトルネックにぶつかります。 Imec はこの問題を解決する方法を検討しています。研究者は、ソフトウェアとハ​​ードウェアの交差点で、ワークロードを処理し、アルゴリズムと連携して進化できる新しいコンピューター システム アーキテクチャを構築することが最善の選択肢であると考えています。

「私たちは、これらのシステムが何らかの形で機能する AI の冬がもう 1 回あるリスクを冒していますが、すべてを実行するには遅すぎるでしょう。 今何もしなければこうなる」

スティーブン・レイター、アイメック

AI のトレーニング フェーズは、コンピューティングのニーズが急速に高まっている分野の 1 つにすぎません。 このフェーズでは、機械学習システムがラベル付きデータの膨大なセットを処理し、ニューラル ネットワークを開発します。 しかしそれだけではありません。 AI システムの開発と展開の他の段階でも、コンピューティング能力に対する需要が高まっています。

トレーニング フェーズで生成されるモデルは非常に大きく、膨大な数のニューロンとパラメーターがあります。 これらのモデルが 1 日 24 時間、週 7 日実行されるアプリケーション内にある場合、コンピューティング能力の要件は、トレーニング フェーズで必要とされるものと同様になります。 需要は毎年 10 倍ずつ増加します。

「DALL-E および GPT-3 タイプの環境では、すでにそれが確認されています」と Latr 氏は言います。. 「それらは、単純にコンピューターにダウンロードして、再生ボタンを押すだけで再生できるものではありません。 5年前なら、それができた。 今日はできません。

「20 年前のディープ ラーニングに対する批判を見ると、人々はそれがうまくいかなかったと言っているのではなく、十分に具体的なものを構築するには遅すぎると言っただけです。 コンピューティング能力はこれらのアルゴリズムに対応するのに十分なほど成長しましたが、同じ問題が今から 5 年または 10 年後に発生します。 これらのシステムがある程度機能する AI の冬がもう 1 回あるリスクがありますが、すべてを実行するには遅すぎます。 今何もしなければ、そうなってしまう」

クラウド AI のパフォーマンスを向上させるために、Imec は、設計者が次世代のスーパーコンピューターを構築できるようにする新しいコンピューター システム アーキテクチャ、テクノロジを構築しています。彼ら。 後でé は、この増大する需要を満たす方法は、 ハードウェアまたはソフトウェアに個別に集中しますが、2 つを一緒に作業します。

エッジ AI

Imec が取り組んでいる 2 つ目のトピックは、エッジ AI です。 クラウドに巨大なコンピューティング リソースを用意することは重要ですが、スマートフォンやウェアラブル デバイスで現在のモデルの能力の一部を利用することも重要です。また、モデルをパーソナライズする必要があります。

「私のエクササイズを常にサポートしてくれる AI システムを考えてみてください」と Latr 氏は言います。. 「Apple Watch システムは、デバイス自体で私のライフスタイル全体を測定し、パーソナライズされた推奨事項を提供することができます。 それにはすでに非常に複雑な AI モデルが必要ですが、それが私のためにパーソナライズされているという事実が加わり、事態はさらに複雑になります。」

いくつかの点で、エッジ AI の課題はクラウド AI の課題と似ていますが、重要な違いがいくつかあります。 エネルギー消費は、エッジ デバイスでの大きな懸念事項です。 雲の中ほど多くのエネルギーを消費することはできません。 結局のところ、エッジ テクノロジーは非常に小さなバッテリーで動作するため、さまざまな種類の機械学習が必要になります。

Imec は、アプリケーションとセンサーについて知れば知るほど、AI モデルをより効率的に作成できるという実用的なアプローチを採用しています。 エネルギー消費を削減するために行うことができる多くの最適化があります。これは、一般的なコンピューティング サービスを実行する必要があるクラウド AI とはまったく対照的です。

AI コミュニティは、エッジ アプリケーション向けの特定のアルゴリズムの構築に遅れをとっていますが、Imec は、重点分野と見なされるほど重要であると感じており、現在取り組んでいます。

「私たちはセンサーとの緊密な統合を真剣に検討しています」と Latr 氏は言います。. 「所有しているセンサーの種類と、開発したいアプリケーションの種類がわかっている場合は、それに適合するように AI コンピューティング モデルを設計できます。 大規模な研究組織としての利点の 1 つは、この統合されたアプローチに必要な幅広い専門知識を持っていることです。」

Imec はすでにいくつかの重要な技術とスキルを保有しています。 同社は何年にもわたってセンサーを構築しており、センサーに合わせて調整されたアルゴリズムを備えており、特定の AI コンピューター チップ (現世代のディープ ラーニング タイプのチップ) を構築しています。 また、人間の脳の機能を模倣するニューロモルフィック チップの研究も行っています。 結局のところ、脳は、最新の AI アルゴリズムでは処理できないタスクを実行するために、ほとんどエネルギーを使用しません。

ヘルスケアにおける AI

Imec の 3 つ目の重点分野はヘルスケアです。 急速に成長している分野は個別化医療です。これは、センサーに依存する個人治療であり、多くの場合、AI はセンサーによって生成された膨大な量の生データから洞察を生み出す適切なテクノロジーです。 ただし、この場合、特定の種類の AI が必要です。これには 2 つの理由があります。

1 つ目の理由は、人間がトレーニング データを見て、機械学習モデルに入力する必要があるラベルを特定することは些細なことですが、AI がラベルを自分で判断するのは非常に難しいことです。 しかし、医療アプリケーションでは、システムは、人間がカテゴリを識別できないデータのパターンを見つける必要があります。 これには、まったく異なるタイプの AI である教師なし学習が必要です。

個別化医療で AI が異なる 2 つ目の理由は、画像認識以上のものを必要とすることです。 AI モデルをヘルスケアで使用するには、説明可能性、信頼性、プライバシーという 3 つの側面が非常に高いレベルで存在する必要があります。

説明可能性とは、AI モデルがどのように意思決定を行うかを人間が理解できるようにすることです。 トレーニング フェーズでは、理解できない巨大なニューラル ネットワークが生成されます。 AI をヘルスケアで使用するには、説明可能性を高める必要があります。

「視覚化は、アルゴリズムが特定の決定にどのように到達したかを説明するためによく使用されます」と Latr 氏は言います。. 「たとえば、写真のどの要素が AI システムにとって重要かを視覚化するヒートマップを考えてみてください。 多くの場合、これらのビジュアライゼーションはまったく明確に解釈できません。 そのため、最近の研究では、言語を使用して AI がどのように意思決定に至ったかをわかりやすい方法で説明できるようにすることに重点が置かれています。」

次に、信頼性があります。 AI モデルは、出力に関する確信度に関係なく、入力を受け取り、常に出力を生成します。 確度はしばしば提供されません。 しかし、ヘルスケア アプリケーションでは、ポイントは医師をコンピューターに部分的に置き換えることです。 アルゴリズムは、医師が使用できる医学的アドバイスを提供します。 これが機能するためには、AI は医者と同じくらい信頼できるものでなければなりません。つまり、疑念を表明する必要があります。

「AI がすでに非常にうまく機能しているケースはたくさんあります。おそらく 99% のケースです」と Latré 氏は言います。 「しかし、失敗するケースの 1% では、惨めに失敗します。 それは間違いなくあなたがヘルスケアで望んでいることではありません。」

「AI がすでに非常にうまく機能しているケースはたくさんあります。おそらく 99% のケースです。 しかし、失敗するケースの 1% では、惨めに失敗します。 それは間違いなくあなたがヘルスケアで望んでいることではありません。」

スティーブン・レイター、アイメック

プライバシーに関しては、さまざまなデータ ソースを組み合わせて、大きな違いを生む方法で隠された情報を見つける大きなチャンスがあります。 血液の結果は、ウェアラブル デバイスによって生成される運動およびストレス レベルの情報と組み合わせることができます。 これは、遺伝子データやその他の医療記録と組み合わせることもできます。 このすべての情報を組み合わせることで、個別化された治療を改善できます。

このデータはすべて個人に関連付けられており、診療所、クラウド、ウェアラブル デバイスなど、さまざまな場所に保存されています。 データ分析の観点からは、このすべての情報を集中型データベースに結合できればよいでしょう。 しかし、プライバシーの観点からすると、それは大惨事です。

Imec は、機密性を侵害することなくデータを使用する方法を研究しています。 研究の1つの領域がオンになっています 個体、によって造られた用語 ティム・バーナーズ=リー、ワールド ワイド ウェブの発明者。 Solid プロジェクトは、マサチューセッツ工科大学の Berners-Lee が率いています。

「私たちはこのコンセプトを構築するための多くの専門知識を持っています」とLater氏は言います. 「Solid は、市民としてすべてのデータにアクセスできるパーソナライズされたデータ保管庫です。 誰が何にアクセスできるかを制御でき、そのアクセスを再度取り消すこともできます。

アイメックでは、その上で、機械学習レベルでプライバシーを保護することに重点を置いています。 あなたは自分自身のデータでパーソナライズされたデータ保管庫を持っており、おそらく臨床医やゲノムセンターにデータベースがあります. 私たちが答えようとしている問題は、これらのさまざまなパターンをすべて学習できる機械学習システムを構築するにはどうすればよいかということです。ただし、データを一元化することなく、データ侵害に対して脆弱になる可能性があります。」

この概念は、 連合学習. 機械学習 AI モデルは、データベースからデータベースへと移動し、異なるソースからのデータを結合することなく、各データセットから学習します。 Imec は、フェデレーテッド ラーニングをエッジ AI と組み合わせて、インテリジェンスをセンサーに近づけることが最善のアプローチであると考えています。

まだまだ課題はたくさんありますが、その後 最も重要な仕事は、純粋な研究の成果を産業界に持ち込むことにあると確信しています。 「過去 5 年間で、理論的な観点からかなりの数のブレークスルーがすでにありました」と彼は言います。 「近い将来ブレークスルーが見られるのは、アプリケーション レベルです。 これには、理論上のブレークスルーを業界で使用できるものに変換することが含まれます。」

Leave a Comment

Your email address will not be published. Required fields are marked *