AI Yaşlanabilir mi?
Bir IQ testinin size söyleyebileceği bir şey, bu dejenerasyonun görevleri yerine getirme yeteneğinizi nasıl etkilediğidir. Beyin aktivitesi açısından, yaşlanmanın etkilerini tersine çevirdiği gösterildiğinden, beyin jimnastiği uygulamalarının kullanımı belirli yaş gruplarında oldukça popüler hale geldi. Organik bir beyin, tıpkı vücuttaki diğer kaslar gibi düzenli egzersizden yararlanır.
Aynı şey muhtemelen AI için de geçerli değil, ancak belki de henüz bunu doğrulamak için yeterli veri yok. Bir yapay zeka kullanımla gelişiyorsa ve bu kullanım zaman alıyorsa, yapay zekanın yaşları olduğunu düşünebilir miyiz? Ergen bir yapay zeka meraklı ve kaygısız olurken, daha olgun bir yapay zeka sorumlu ve temkinli olur ve geçmişteki hatalarından yararlanır. Uçta ve hacimde dağıtılan yapay zekanın bu iki yaş arasında bir yerde oturması gerekecek: paylaşılan bilgiden faydalanırken muhtemelen daha fazla deneyime katkıda bulunmak.
Yapay zeka için bir hizmet olarak para ödüyor olsaydınız, çocuksu şeylerini bir kenara koyan bir yapay zeka talep eder miydiniz? Uygulamada, bir yapay zekanın yaşını – veya belki de olgunluk daha iyi bir terimdir – değerlendirmenin tek yolu, yeteneğini bir şekilde ölçmek olacaktır. IQ testi burada öne çıkıyor.
En yaygın olarak, işleme kaynaklarının neredeyse sonsuz olacak şekilde ölçeklenebilir olduğu sunucu çiftliklerinde ve veri merkezlerinde bulunmasına rağmen, AI’nın hala donanım ve yazılım arasında bir işbirliği olduğunu hatırlamak önemlidir. Bu, yapay zekayı işleme kaynaklarının çok sınırlı olduğu ağın kenarına koyduğumuzda daha da belirgindir. Yapay zekayı çalıştırmak için gereken işlemci performansı, şüphesiz normal bir uç noktada ihtiyaç duyulan kaynaklardan daha yüksektir. Ne kadar yüksek olduğu, ne kadar zekaya ihtiyaç duyulduğuna ve donanımın onu ne kadar iyi çalıştırabileceğine bağlı olacaktır. Bu nedenle, bir tür standart ölçüme sahip olmak yakın gelecekte çok önemli olabilir.
ML için bir kıyaslama oluşturma
Yapay zekayı uç noktaya koymaktan bahsettiğimizde, bu genellikle ML (makine öğrenimi) uygulamak için çıkarım modellerini kullanma bağlamındadır. Bunlar, genellikle bir bulut bilgi işlem veri merkezi gibi daha büyük, daha az kısıtlı çerçevelerde AI sistemleri olarak eğitilen ve daha sonra, sunulan verilere dayanarak kararlar alabilecekleri bir model oluşturmak için ayrıştırılan modellerdir. Bunlar hala hem uzman donanım hem de yazılım içeren karmaşık sistemlerdir ve ML modellerini en küçük mimarilere bile taşımak için çaba sarf edilirken, genellikle hala önemli miktarda CPU veya GPU döngüsü gerektirirler.
Gömülü Mikroişlemci Kıyaslama Konsorsiyumu, EEMBC, 20 yılı aşkın süredir bağımsız kriterler geliştirmektedir. En yenilerinden biri, uç cihazlarda makine öğrenimi çıkarımını karakterize eden MLMark karşılaştırmasıdır. EEMBC için yol gösterici bir ilke, kıyaslamalarının tekrarlanabilir, şeffaf ve kısıtlı olması gerektiğidir.
Bu hedeflere ulaşmak için üreticiler, sağlanan veri setini ve kuralları kullanarak karşılaştırmalı değerlendirmeyi uygulamalıdır. MLMark, bir görüntü veri seti kullanır, bu nedenle kıyaslama, bir platformun görüntülerdeki özellikleri algılamak için ML’yi ne kadar iyi uygulayabileceğinin bir ölçüsüdür. Bu, ML’nin nasıl kullanıldığına dair gerçek dünyadan bir örnek olsa da, üreticilerin ML’yi uç cihazlarda kullanabileceği tüm olası yolları hiçbir şekilde kapsamaz. Ancak, tipik olarak üreticinin yazılım çerçevesini kullanarak belirli bir işlemcinin nasıl performans gösterdiğini ölçmek için iyi bir temel nokta sağlar.
Ancak bu nedenlerden dolayı, MLMark kıyaslaması, herhangi bir uygulama için herhangi bir platformun zekasını ölçmenin bir yolunu sağlayamaz ve sağlamayı amaçlamamaktadır. Bu farklı bir yaklaşım gerektirecektir.
Bana 4 yaşındaymışım gibi açıkla
İnsanlardaki zeka, nitel ve nicel ölçütlere dayalı olarak ölçülür. Çocuklar, sınıflandırma için çerçeve sağlayan ortalama puanlarla sınav yoluyla derecelendirilir. Standart sınavlar üzerinde anlaşabilirsek, aynı yaklaşım yapay zekaya da uygulanabilir.
Diğer bir seçenek de, cihaza gömülü zekanın türünü ve ne ölçüde olduğunu yakından tanımlamaktır. Örneğin, bir uç cihaz ağırlıklı olarak mantıksal akıl yürütme kullanabilir, ancak çok az yapay empatiye sahip olabilir veya hiç olmayabilir. Bu, kapı ve pencere sensörlerini izleyen bir güvenlik sistemi için iyi bir seçenek olabilir, ancak belki de yüz tanıma kullanarak erişim kontrolü için o kadar iyi değil.
Bu metriklere duyulan ihtiyaç gözden kaçmadı. Akıllı Sistemler için Performans Metrikleri – PerMIS – çalıştayları son yirmi yıldır yapılıyor. Başlangıçta ABD’deki Ulusal Standartlar ve Teknoloji Enstitüsü (NIST) dahil olmak üzere devlet kurumları tarafından kısmen finanse edilen PerMIS, araştırmalarına devam ediyor.
Yapay zekayı yaratıcılık açısından ölçmeye artan bir ilgi var. Yaratıcı hizmetlerin, özellikle mekanik olarak otomatikleştirilebilenler olmak üzere, diğer faaliyetlere göre AI’dan daha az tehdit altında olduğu belirtilir. Ancak, son zamanlarda, yapay yaratıcılık örnekleri daha sık hale geliyor. Bir yapay zekaya sadece bir müzik aleti çalmayı değil, aynı zamanda beste yapmayı, şiir yazmayı veya resim çizmeyi öğretmek buna örneklerdir.
Bu, zeka ölçümünü kesin olarak sübjektif olandan yana koyar. İnsanların bir sanat eserinin duygusal zekası üzerinde anlaşmaya varması zordur, öyleyse bir yapay zekanın duygusal zekayı içeren bir şey yaratma yeteneğini nasıl yargılayacağız?
AI’yı uç cihazlara yerleştirmek
Genel olarak, mevcut kaynaklar sınırlı olduğunda, yapay zekanın ne kadar “yeterli” olduğunu anlamanın nedeni gerçekten önemlidir. Şu anda belirli bir uygulama için ne kadar AI’nın gerekli olduğunu denemeden çözemezsek, o zaman belki de sadece denemeye devam etmemiz gerekir?
Bu, kaynakları doğru yere koymak anlamına gelir. Tipik olarak küçük, düşük güçlü ve ucuz olan uç cihazlar için (ancak bunların tümü veya herhangi biri olması gerekmez), kullanılan işlemci, bu üç başlığın tamamında bütçenin en büyük bölümünü temsil edecektir. ML’nin uygulanacağını varsayarsak, iki seçenek vardır: uç cihaza daha fazla işlem kaynağı koyun veya ML’yi mevcut işleme kaynaklarına sığacak şekilde sıkıştırın. Bu senaryoların her ikisinin de avantajları vardır.
Üreticiler artık watt başına çok daha fazla performans sunabilir. Güç ve saat geçişi gibi teknikler sistem gücünü düşük tutmaya yardımcı olurken, donanım hızlandırıcıların ve yüksek performanslı belleğin kullanımı yürütme gücünü düşük tutar. Ve tüm bunlara ek olarak, endüstri, daha düşük işletim gücü avantajıyla gelen özellik boyutlarını küçültmeye devam ediyor.
Aynı zamanda, eğitim tarafından oluşturulan yazılım modellerini optimize etmek için çok çaba harcanmaktadır. Araştırmacılar, çıkarım motorlarının daha küçük olması ve daha az sistem kaynağı gerektirmesi için nöral networkleri budamanın yeni yollarını buluyor. uTensor çerçevesini ve TensorFlowLite Micro’yu içeren platformlar, buradaki yolu şekillendirmeye yardımcı oluyor.
Şu anda, AI’nın nasıl ölçüleceğini veya belirli bir görev için ne kadar zeka gerektiğini tahmin etmek için değil, nerede kullanılabilir olursa olsun, AI’nın dağıtımını daha kolay hale getirmek için çaba harcanıyor . Yapay zekayı ölçmek veya bir uygulamanın ne kadar yapay zekaya ihtiyaç duyduğunu modellemek için gerçekten tatmin edici bir yol asla geliştiremeyebiliriz, ancak işleme kaynaklarını her anlamda daha uygun maliyetli hale getirme yarışını kazanırsak, o zaman belki de bu gerçekten önemli değil.