عصر جديد من البيانات يعني احتضان الحافة



بمشاركة مؤسسة هيوليت باكارد

يحمل الذكاء الاصطناعي وعودًا هائلة ، ولكن لكي يكون فعالًا ، يجب أن يتعلم من مجموعات ضخمة من البيانات - وكلما كان أكثر تنوعًا كان ذلك أفضل. من خلال أنماط التعلم ، يمكن لأدوات الذكاء الاصطناعي الكشف عن الرؤى والمساعدة في اتخاذ القرار ليس فقط في مجال التكنولوجيا ، ولكن أيضًا في المستحضرات الصيدلانية والطب والتصنيع وغير ذلك. ومع ذلك ، لا يمكن دائمًا مشاركة البيانات - سواء كانت قابلة للتعريف شخصيًا أو تحتفظ بمعلومات ملكية أو أن القيام بذلك سيكون مصدر قلق أمني - حتى الآن.

سيكون عصرًا جديدًا. يقول الدكتور إنج ليم جوه ، نائب الرئيس الأول والمدير التنفيذي للذكاء الاصطناعي في Hewlett Packard Enterprise. سيتحول العالم من عالم تمتلك فيه بيانات مركزية ، ما اعتدنا عليه لعقود من الزمن ، إلى عالم يجب أن تشعر فيه بالراحة مع وجود البيانات في كل مكان.

تعني البيانات في كل مكان الحافة ، حيث يجمع كل جهاز وخادم ومثيل سحابة كميات هائلة من البيانات. تشير إحدى التقديرات إلى زيادة عدد الأجهزة المتصلة على الحافة إلى 50 مليار بحلول عام 2022. اللغز: كيف تحافظ على البيانات المجمعة آمنة ولكن أيضًا أن تكون قادرًا على مشاركة الدروس المستفادة من البيانات ، والتي بدورها تساعد في تعليم الذكاء الاصطناعي ليكون أكثر ذكاءً. أدخل تعلم السرب.



سرب التعلم ، أو ذكاء السرب ، هو كيفية تحرك أسراب النحل أو الطيور استجابةً لبيئتهم. عند تطبيقه على البيانات يشرح جوه ، أنه يوجد المزيد من الاتصالات بين الأقران ، والمزيد من التعاون بين الأقران ، والمزيد من التعلم من نظير إلى نظير. ويتابع جوه ، هذا هو السبب في أن تعلم السرب سيصبح أكثر وأكثر أهمية مثل ... حيث يتحول مركز الثقل من البيانات المركزية إلى البيانات اللامركزية.

قائمة بعثات ناسا

تأمل هذا المثال ، كما يقول جوه. يقوم أحد المستشفيات بتدريب نماذج التعلم الآلي الخاصة بهم على الأشعة السينية للصدر ويرى الكثير من حالات السل ، ولكن القليل جدًا من حالات انهيار الرئة. لذلك ، فإن نموذج الشبكة العصبية هذا ، عند تدريبه ، سيكون حساسًا جدًا لما يكتشف السل وأقل حساسية لاكتشاف انهيار الرئة. يتابع جوه ، لكننا نتحدث عنه في مستشفى آخر. ما تريده حقًا هو أن تجمع هاتان المستشفيتان بياناتهما بحيث يمكن لنموذج الشبكة العصبية الناتج أن يتنبأ بكلتا الحالتين بشكل أفضل. ولكن نظرًا لأنه لا يمكنك مشاركة هذه البيانات ، فإن التعلم الجماعي يأتي للمساعدة في تقليل هذا التحيز في كلا المستشفيين.

وهذا يعني أن كل مستشفى قادرة على التنبؤ بالنتائج بدقة وبتحيز منخفض ، كما لو كنت قد جمعت جميع بيانات المريض عالميًا في مكان واحد وتعلمت منها ، كما يقول جوه.

ولا يجب الحفاظ على أمان بيانات المستشفى والمرضى فقط. يؤكد جوه على أن ما يفعله تعلم السرب هو محاولة تجنب مشاركة البيانات هذه ، أو منع مشاركة البيانات تمامًا ، إلى [نموذج] حيث تشارك الأفكار فقط ، وتشارك ما تعلمته. وهذا هو السبب في أنها أكثر أمانًا بشكل أساسي.



إظهار الملاحظات والروابط:

نسخة كاملة:

لوريل روما: من MIT Technology Review ، أنا لوريل روما. وهذا هو Business Lab ، العرض الذي يساعد قادة الأعمال على فهم التقنيات الجديدة القادمة من المختبر إلى السوق. موضوعنا اليوم هو البيانات اللامركزية. سواء كان ذلك من الأجهزة أو المستشعرات أو السيارات أو الحافة ، إذا صح التعبير ، فإن كمية البيانات التي يتم جمعها في تزايد. يمكن أن تكون شخصية ويجب حمايتها. ولكن هل هناك طريقة لمشاركة الأفكار والخوارزميات بشكل آمن لمساعدة الشركات والمؤسسات الأخرى وحتى الباحثين في مجال اللقاحات؟

كلمتين لك: سرب التعلم.

ضيفي هو الدكتور Eng Lim Goh ، وهو نائب الرئيس الأول والمدير التنفيذي للذكاء الاصطناعي في Hewlett Packard Enterprise. قبل هذا المنصب ، كان كبير مسؤولي التكنولوجيا لغالبية 27 عامًا في Silicon Graphics ، وهي الآن شركة HPE. حصل الدكتور جوه على وسام الإنجاز التكنولوجي الاستثنائي من وكالة ناسا لعمله في مجال الذكاء الاصطناعي في محطة الفضاء الدولية. لقد عمل أيضًا في العديد من مشاريع أبحاث الذكاء الاصطناعي من سباقات الفورمولا 1 ، إلى روبوتات البوكر ، إلى محاكاة الدماغ. يحمل الدكتور جوه عددًا من براءات الاختراع وكان له منشور على غلاف مجلة Nature. تم إنتاج هذه الحلقة من Business Lab بالاشتراك مع Hewlett Packard Enterprise. اهلا وسهلا دكتور جوه.

الدكتور. المهندس ليم جوه: أشكركم على استضافتي.

لوريل: لذلك ، بدأنا عقدًا جديدًا مع انتشار جائحة عالمي. لقد سمحت الحاجة الملحة لإيجاد لقاح إلى مشاركة أكبر للمعلومات بين الباحثين والحكومات والشركات. على سبيل المثال ، أصدرت منظمة الصحة العالمية تسلسل mRNA للقاح شركة Pfizer للجمهور لمساعدة الباحثين. كيف تفكر في فرص مثل هذه الخروج من الوباء؟

المهندس ليم: في العلوم والطب وغيرهما ، يعد تبادل النتائج جزءًا مهمًا من تقدم العلم. لذا فإن الطريقة التقليدية هي المطبوعات. الشيء ، في عام ، عام ونصف ، من كوفيد -19 ، كانت هناك موجة من المنشورات المتعلقة بـ كوفيد -19. كان لدى أحد المجمعين ، على سبيل المثال ، طلب 300000 من هذه المستندات المتعلقة بـ covid-19 هناك. يصبح من الصعب ، بسبب كمية البيانات ، أن تكون قادرًا على الحصول على ما تحتاجه.

لذلك بدأ عدد من الشركات والمؤسسات في بناء أدوات معالجة اللغة الطبيعية هذه ، أدوات الذكاء الاصطناعي ، للسماح لك بطرح أسئلة محددة للغاية ، ليس فقط البحث عن الكلمات الرئيسية ، ولكن أسئلة محددة للغاية بحيث يمكنك الحصول على الإجابة التي تحتاجها من هذه المجموعة من الوثائق هناك. يمكن للعالم أن يسأل ، أو يمكن للباحث أن يسأل ، ما هي الطاقة الملزمة لبروتين ارتفاع SARS-CoV-2 لمستقبلنا ACE-2؟ ويمكن أن تكون أكثر تحديدًا وقولًا ، أريدها بوحدات كيلو كالوري لكل مول. وسوف يمر النظام. سوف يمر نظام البرمجة اللغوية العصبية من خلال مجموعة المستندات هذه ويخرج بإجابة محددة لهذا السؤال ، وحتى يشير إلى منطقة المستندات ، حيث يمكن أن تكون الإجابة. إذن هذه منطقة واحدة. للمساعدة في المشاركة ، يمكنك إنشاء أدوات الذكاء الاصطناعي للمساعدة في تصفح هذا الكم الهائل من البيانات التي تم إنشاؤها.

المجال الآخر للمشاركة هو مشاركة بيانات التجارب السريرية ، كما ذكرت. في أوائل العام الماضي ، قبل أن تبدأ أي من التجارب السريرية للقاح SARS-CoV-2 ، حصلنا على بيانات التجارب السريرية للقاح الحمى الصفراء. وبشكل أكثر تحديدًا ، بيانات التعبير الجيني من متطوعي التجربة السريرية. وأحد الأهداف هو ، هل يمكنك تحليل عشرات الآلاف من هذه الجينات التي يعبر عنها المتطوعون والمساعدة في التنبؤ ، لكل متطوع ، ما إذا كان سيصاب بآثار جانبية من هذا اللقاح ، وما إذا كان سيعطيها استجابة جيدة للأجسام المضادة لهذا اللقاح؟ لذلك ، قم ببناء أدوات تنبؤية من خلال مشاركة بيانات التجارب السريرية هذه ، وإن كانت مجهولة الهوية وبطريقة مقيدة.

لوريل: عندما نتحدث عن معالجة اللغة الطبيعية ، أعتقد أن النتيجتين اللتين أخذناهما من هذا المثال المحدد للغاية هما أنه يمكنك بناء أدوات ذكاء اصطناعي أفضل لمساعدة الباحثين. وبعد ذلك أيضًا ، تساعد في بناء أدوات ونماذج تنبؤية.

المهندس ليم: نعم بالتاكيد.

لوريل: لذلك ، كمثال محدد لما كنت تعمل عليه خلال العام الماضي ، نشرت مجلة Nature مؤخرًا مقالًا حول كيف يمكن للنهج التعاوني لرؤى البيانات أن يساعد أصحاب المصلحة هؤلاء ، خاصة أثناء الوباء. ماذا اكتشفت خلال هذا العمل؟

المهندس ليم: نعم. هذا مرتبط ، مرة أخرى ، بنقطة المشاركة التي أحدثتها ، وكيفية مشاركة التعلم حتى يتمكن المجتمع من التقدم بشكل أسرع. ال طبيعة سجية المنشور الذي ذكرته ، وعنوانه هو Swarm Learning [لتعلم الآلة السريري اللامركزي والسري]. دعنا نستخدم مثال المستشفى. هناك هذا المستشفى ، وهو يستقبل مرضاه ، ومرضى المستشفى ، من فئة سكانية معينة. وإذا أرادت بناء نموذج تعلم آلي للتنبؤ بناءً على بيانات المريض ، على سبيل المثال بيانات التصوير المقطعي المحوسب للمريض ، لمحاولة التنبؤ بنتائج معينة. مشكلة التعلم في عزلة كهذه هي أنك تبدأ في تطوير النماذج من خلال هذا التعلم لبيانات المريض الخاصة بك المنحازة إلى التركيبة السكانية التي تراها. أو بطريقة أخرى منحازة لنوع الأجهزة الطبية التي لديك.

سوف يغلق الإنترنت

الحل لذلك هو جمع البيانات من مستشفيات مختلفة ، ربما من مناطق مختلفة أو حتى دول مختلفة. ثم قم بدمج جميع بيانات هذه المستشفيات ثم تدريب نموذج التعلم الآلي على البيانات المجمعة. المشكلة في ذلك هي أن خصوصية بيانات المريض تمنعك من مشاركة تلك البيانات. يأتي التعلم الجماعي لمحاولة حل هذه المشكلة بطريقتين. أولاً ، بدلاً من جمع البيانات من هذه المستشفيات المختلفة ، نسمح لكل مستشفى بتدريب نموذج التعلم الآلي الخاص بهم على بيانات المرضى الخاصة بهم. ثم من حين لآخر ، تأتي سلسلة الكتل (blockchain). هذه هي الطريقة الثانية. يأتي blockchain ويجمع كل ما تم تعلمه. أؤكد. التعلم وليس بيانات المريض. اجمع ما تم تعلمه فقط وادمجها مع ما تعلمته من مستشفيات أخرى في مناطق أخرى وبلدان أخرى ، وقم بتوسيطها ثم أرسلها مرة أخرى إلى جميع المستشفيات ، متوسط ​​التعلم المجمّع عالميًا المحدث.

وأعني بالمعرفة المعلمات ، على سبيل المثال ، أوزان الشبكة العصبية. المعلمات التي تمثل أوزان الشبكة العصبية في نموذج التعلم الآلي. لذلك في هذه الحالة ، لا تغادر أي بيانات مريض مستشفى فرديًا. ما يترك المستشفى هو فقط التعلم أو المعلمات أو أوزان الشبكة العصبية. وهكذا ، عندما ترسل المعلمات التي تم تعلمها محليًا ، وما تحصل عليه من blockchain هو المعلمات المتوسطة العالمية. ثم تقوم بتحديث نموذجك بالمتوسط ​​العالمي ، ثم تواصل التعلم محليًا مرة أخرى. بعد بضع دورات من مشاركة هذه المعلومات ، قمنا باختبارها ، كل مستشفى قادر على التنبؤ بدقة وبتحيز أقل ، كما لو كنت قد جمعت جميع بيانات المريض عالميًا في مكان واحد ، وتعلمت منها.

لوريل: والسبب في استخدام blockchain هو أنه في الواقع اتصال آمن بين مختلف الأجهزة ، في هذه الحالة ، أليس كذلك؟

المهندس ليم: هناك سببان ، نعم ، لماذا نستخدم blockchain. السبب الأول هو أمنه. ثانيًا ، يمكننا الحفاظ على خصوصية هذه المعلومات لأنه ، في blockchain الخاص ، يُسمح فقط للمشاركين أو المشاركين الرئيسيين أو المشاركين المعتمدين في blockchain. الآن ، حتى لو تم اختراق blockchain ، فإن ما يُرى فقط هو أوزان أو معلمات التعلم ، وليس بيانات المريض الخاصة ، لأن بيانات المريض الخاصة ليست في blockchain.

والسبب الثاني لاستخدام blockchain ، هو أنه على عكس وجود وصي مركزي يقوم بجمع المعلمات والمعلمات. لأنه بمجرد تعيينك وصي ، كيان ، يجمع كل هذه المعلومات ، إذا أصبح أحد المستشفيات هو الوصي ، فعندئذ يكون لديك موقف يكون فيه هذا الوصي المعين لديه معلومات أكثر من البقية ، أو لديه قدرة أكبر من البقية. ليس الكثير من المعلومات ، ولكن المزيد من القدرات من البقية. لذلك من أجل الحصول على مشاركة أكثر إنصافًا ، نستخدم blockchain. وفي نظام blockchain ، ما يفعله هو أنه يقوم بشكل عشوائي بتعيين أحد المشاركين ليكون جامعًا ، كقائد ، لجمع المعلمات وتوسيطها وإرسالها مرة أخرى. وفي الدورة التالية ، يتم تعيين مشارك آخر بشكل عشوائي.

لوريل: إذن ، هناك نقطتان مهمتان هنا. الأول هو أن هذا المشروع نجح لأنك لا تستخدم بياناتك الخاصة فقط. يُسمح لك بالاشتراك في هذه العلاقة لاستخدام ما تعلمته من بيانات باحثين آخرين أيضًا. وهذا يقلل من التحيز. هذا نوع واحد من المشاكل الكبيرة التي تم حلها. ولكن بعد ذلك أيضًا هذه القضية الأخرى المثيرة للاهتمام المتعلقة بالإنصاف وكيف يمكن أن تكون الخوارزميات أقل إنصافًا من وقت لآخر. ولكن عندما يكون لديك خوارزمية عشوائية مقصودة في blockchain تعين القيادة لجمع الدروس المستفادة من كل كيان ، فهذا يساعد على استبعاد أي نوع من التحيز المحتمل أيضًا ، أليس كذلك؟

المهندس ليم: نعم نعم نعم. ملخص رائع يا لوريل. إذن ، هناك التحيز الأول ، وهو ، إذا كنت تتعلم في عزلة ، فإن المستشفى يتعلم ، نموذج الشبكة العصبية ، أو نموذج التعلم الآلي ، بشكل عام ، يتعلم المستشفى بشكل منفصل فقط على بيانات المريض الخاصة به ، سيكونون منحازين بشكل طبيعي تجاه التركيبة السكانية التي يرونها. على سبيل المثال ، لدينا مثال حيث تقوم إحدى المستشفيات بتدريب نماذج التعلم الآلي الخاصة بها على صور الأشعة السينية للصدر وترى الكثير من حالات السل. ولكن القليل جدا من حالات انهيار الرئة. لذلك ، فإن نموذج الشبكة العصبية هذا ، عند تدريبه ، سيكون حساسًا جدًا لما يكتشف السل وأقل حساسية لاكتشاف انهيار الرئة ، على سبيل المثال. ومع ذلك ، نحصل على العكس في مستشفى آخر. ما تريده حقًا هو أن تجمع هاتان المستشفيتان بياناتهما بحيث يمكن لنموذج الشبكة العصبية الناتج أن يتنبأ بكلتا الحالتين بشكل أفضل. ولكن نظرًا لأنه لا يمكنك مشاركة هذه البيانات ، فإن التعلم الجماعي يأتي للمساعدة في تقليل هذا التحيز في كلا المستشفيين.

لوريل: حسنا. لذلك لدينا كمية هائلة من البيانات. ويستمر في النمو بشكل كبير مع توسع الحافة ، التي هي في الحقيقة أي جهاز أو نظام أو مستشعر لتوليد البيانات. إذن كيف تغير البيانات اللامركزية الطريقة التي تحتاجها الشركات للتفكير في البيانات؟

المهندس ليم: أوه ، هذا سؤال عميق. هناك تقدير واحد يقول أنه بحلول العام المقبل ، بحلول عام 2022 ، سيكون هناك 50 مليار جهاز متصل على الحافة. وهذا ينمو بسرعة. وقد وصلنا إلى نقطة أن لدينا في المتوسط ​​حوالي 10 أجهزة متصلة من المحتمل أن تجمع البيانات ، لكل شخص ، في هذا العالم. بالنظر إلى هذا الموقف ، سينتقل مركز الثقل من مركز البيانات باعتباره الموقع الرئيسي الذي يولد البيانات إلى مركز يكون فيه مركز الثقل على الحافة من حيث مكان إنشاء البيانات. وسيؤدي ذلك إلى تغيير ديناميكيات المؤسسات بشكل كبير. لذلك سترى الحاجة إلى هذه الأجهزة الموجودة حيث يتم إنشاء هذا الكم الهائل من البيانات عند الحافة مع وجود الكثير من هذه الأجهزة هناك بحيث ستصل إلى نقطة لا يمكنك فيها تحمل تكلفة إعادة كل تلك البيانات أو استعادتها إلى السحابة أو مركز البيانات بعد الآن.

حتى مع 5G و 6 G وما إلى ذلك. سوف يتجاوز نمو البيانات ذلك ، وسوف يتجاوز بكثير النمو في عرض النطاق الترددي لقدرات الاتصالات الجديدة هذه. على هذا النحو ، ستصل إلى نقطة ليس لديك فيها خيار سوى دفع الذكاء إلى الحافة بحيث يمكنك تحديد البيانات التي تريد إرجاعها إلى السحابة أو مركز البيانات. لذلك سيكون عصرًا جديدًا. سيتحول العالم من عالم تمتلك فيه بيانات مركزية ، ما اعتدنا عليه لعقود من الزمن ، إلى عالم يجب أن تشعر فيه بالراحة مع وجود البيانات في كل مكان. وعندما يكون الأمر كذلك ، فأنت بحاجة إلى القيام بالمزيد من الاتصالات بين الأقران ، والمزيد من التعاون بين الأقران ، والمزيد من التعلم بين الأقران.

وهذا هو السبب في أن تعلم السرب سيصبح أكثر وأكثر أهمية مع تقدم هذا ، حيث ينتقل مركز الثقل هناك من مركز تكون فيه البيانات مركزية ، إلى مركز تكون فيه البيانات في كل مكان.

نظرية فوضى تأثير الفراشة

لوريل: هل يمكنك التحدث أكثر قليلاً عن كيفية تأمين ذكاء السرب حسب التصميم؟ بمعنى آخر ، يسمح للشركات بمشاركة الأفكار من تعلم البيانات مع المؤسسات الخارجية ، أو حتى داخل المجموعات في الشركة ، ولكن بعد ذلك لا يشاركون البيانات الفعلية؟

المهندس ليم: نعم. بشكل أساسي ، عندما نريد التعلم من بعضنا البعض ، تتمثل إحدى الطرق في مشاركة البيانات حتى يتمكن كل منا من التعلم من بعضنا البعض. ما يفعله التعلم الجماعي هو محاولة تجنب مشاركة البيانات ، أو منع مشاركة البيانات تمامًا ، إلى [نموذج] حيث تشارك الأفكار فقط ، وتشارك ما تعلمته. وهذا هو السبب في أنها أكثر أمانًا بشكل أساسي ، باستخدام هذا النهج ، حيث تظل البيانات خاصة في الموقع ولا تترك هذا الكيان الخاص أبدًا. ما يترك هذا الكيان الخاص ليست سوى التعلم. وفي هذه الحالة ، أوزان الشبكة العصبية أو معلمات تلك التعلم.

الآن ، هناك أشخاص يبحثون عن القدرة على استنتاج البيانات من التعلم ، ما زال في مرحلة البحث ، لكننا جاهزون إذا نجح ذلك على الإطلاق. وهذا هو ، في blockchain ، نقوم بتشفير متماثل للأوزان ، للمعلمات ، للتعلم. نعني بالتشابه المتماثل أنه عندما يجمع القائد المعين كل هذه الأوزان ثم يقوم بتوسيطها ، يمكنك متوسطها في الشكل المشفر بحيث إذا اعترض شخص ما البلوك تشين ، يرى التعلم المشفر. إنهم لا يرون التعلم بأنفسهم. لكننا لم ننفذ ذلك حتى الآن ، لأننا لا نرى أنه ضروري حتى الآن حتى هذا الوقت نرى أن القدرة على عكس هندسة البيانات من التعلم أصبح أمرًا ممكنًا.

لوريل: وهكذا ، عندما نفكر في زيادة القواعد والتشريعات المحيطة بالبيانات ، مثل القانون العام لحماية البيانات (GDPR) وقانون كاليفورنيا لحماية خصوصية المستهلك (CCPA) في كاليفورنيا ، يجب أن يكون هناك نوع من الحلول لمخاوف الخصوصية. هل ترى أن تعلم السرب هو أحد تلك الخيارات الممكنة حيث تقوم الشركات بتنمية كمية البيانات التي تمتلكها؟

المهندس ليم: نعم ، كخيار. أولاً ، إذا كانت هناك حاجة إلى أجهزة متطورة للتعلم من بعضها البعض ، فإن تعلم السرب مفيد لها. وثانيًا ، كما تتعلم ، لا تريد أن تترك البيانات من كل كيان أو مشارك في تعلم السرب هذا الكيان. يجب أن يبقى فقط حيث هو. وما يتبقى هو فقط المعايير والدروس. ترى ذلك ليس فقط في سيناريو المستشفى ، لكنك ترى ذلك في التمويل. على سبيل المثال ، لن ترغب شركات بطاقات الائتمان ، على سبيل المثال ، في مشاركة بيانات عملائها مع شركة بطاقات ائتمان منافسة أخرى. لكنهم يعلمون أن الدروس المستفادة من نماذج التعلم الآلي محليًا ليست حساسة لبيانات الاحتيال لأنهم لا يرون جميع أنواع الاحتيال المختلفة. ربما يشاهدون نوعًا واحدًا من الاحتيال ، لكن شركة بطاقات ائتمان مختلفة قد تشهد نوعًا آخر من الاحتيال.

يمكن استخدام تعلم Swarm هنا حيث تحافظ كل شركة بطاقات ائتمان على خصوصية بيانات عملائها ، دون مشاركة ذلك. لكن blockchain يأتي ويشارك التعلم ، وتعلم بيانات الاحتيال ، ويجمع كل تلك المعارف ، ويضع متوسطها ويعيدها إلى جميع شركات بطاقات الائتمان المشاركة. لذلك هذا مثال واحد. يمكن للبنوك أن تفعل الشيء نفسه. يمكن للروبوتات الصناعية أن تفعل الشيء نفسه أيضًا.

لدينا عميل سيارات لديه عشرات الآلاف من الروبوتات الصناعية ، ولكن في بلدان مختلفة. الروبوتات الصناعية اليوم تتبع التعليمات. لكن في الجيل القادم من الروبوتات ، باستخدام الذكاء الاصطناعي ، سيتعلمون أيضًا محليًا ، على سبيل المثال ، لتجنب بعض الأخطاء وعدم تكرارها. ما يمكنك القيام به ، باستخدام تعلم السرب ، هو ، إذا كانت هذه الروبوتات في بلدان مختلفة حيث لا يمكنك مشاركة البيانات ، فقم باستشعار البيانات من البيئة المحلية عبر حدود البلد ، ولكن يُسمح لك بمشاركة ما تعلمته لتجنب هذه الأخطاء ، يمكن لتعلم السرب لذلك يتم تطبيقها. لذلك تتخيل الآن سربًا من الروبوتات الصناعية ، عبر بلدان مختلفة ، يتشاركون التعلم حتى لا يكرروا نفس الأخطاء.

لذا نعم. في المؤسسة ، يمكنك رؤية تطبيقات مختلفة لتعلم السرب. المالية والهندسة وبالطبع في الرعاية الصحية كما ناقشناها.

لوريل: كيف تعتقد أن الشركات بحاجة إلى البدء في التفكير بشكل مختلف حول بنية البيانات الفعلية الخاصة بها لتشجيع القدرة على مشاركة هذه الأفكار ، ولكن ليس في الواقع مشاركة البيانات؟

المهندس ليم: أولاً وقبل كل شيء ، يجب أن نكون مرتاحين لحقيقة أن الأجهزة التي تجمع البيانات سوف تتكاثر. وسيكونون على الحافة حيث تهبط البيانات أولاً. ما هي الحافة؟ الحافة هي المكان الذي يوجد لديك جهاز فيه ، وحيث تهبط البيانات أولاً إلكترونيًا. وإذا تخيلت 50 مليارًا منها العام المقبل ، على سبيل المثال ، وتتزايد ، وفقًا لأحد التقديرات ، فنحن بحاجة إلى أن نكون مرتاحين لحقيقة أن البيانات ستكون في كل مكان. ولتصميم مؤسستك ، صمم الطريقة التي تستخدم بها البيانات ، صمم طريقة وصولك إلى البيانات مع وضع هذا المفهوم في الاعتبار ، على سبيل المثال ، الانتقال من واحد اعتدنا عليه ، وهو البيانات التي تكون مركزية في معظم الوقت ، إلى واحدة حيث البيانات في كل مكان. لذا يجب أن تكون طريقة الوصول إلى البيانات مختلفة الآن. لا يمكنك الآن التفكير في تجميع جميع البيانات أولاً ، وسحب جميع البيانات ، وإعادة تجميع جميع البيانات من الحافة إلى موقع مركزي ، ثم العمل معها. قد نحتاج إلى التبديل إلى سيناريو حيث نعمل على البيانات ، ونتعلم من البيانات بينما لا تزال البيانات موجودة.

لوريل: لذلك ، تحدثنا قليلاً عن الرعاية الصحية والتصنيع. كيف تتخيل أيضًا الأفكار الكبيرة للمدن الذكية والمركبات ذاتية القيادة التي تتناسب مع أفكار ذكاء السرب؟

المهندس ليم: نعم نعم نعم. هذان عنصران كبيران وكبيران. ومشابه جدًا أيضًا ، تفكر في مدينة ذكية ، إنها مليئة بأجهزة الاستشعار ، ومليئة بالأجهزة المتصلة. أنت تفكر في السيارات ذاتية القيادة ، أحد التقديرات يضعها في ما يقرب من 300 جهاز استشعار في السيارة ، وكلها تجمع البيانات. بطريقة مماثلة في التفكير ، ستكون البيانات في كل مكان ، ويتم جمعها في الوقت الفعلي على هذه الأجهزة المتطورة. بالنسبة للمدن الذكية ، يمكن أن تكون أضواء الشوارع. نحن نعمل مع مدينة واحدة بها 200000 مصباح شوارع. وهم يريدون أن يجعلوا كل واحد من مصابيح الشوارع هذه ذكيًا. بالذكاء ، أعني القدرة على التوصية بالقرارات أو حتى اتخاذ القرارات. تصل إلى نقطة حيث ، كما قلت من قبل ، لا يمكنك إعادة نقل جميع البيانات طوال الوقت إلى مركز البيانات واتخاذ القرارات بعد الانتهاء من التجميع. في كثير من الأحيان يتعين عليك اتخاذ قرارات حيث يتم جمع البيانات. وبالتالي ، يجب أن تكون الأشياء ذكية على الحافة رقم واحد.

وإذا اتخذنا هذه الخطوة إلى أبعد من التصرف بناءً على التعليمات أو العمل على نماذج الشبكة العصبية التي تم تدريبها مسبقًا ثم إرسالها إلى الحافة ، فأنت تخطو خطوة واحدة أبعد من ذلك ، أي أنك تريد أن تتعلم الأجهزة المتطورة أيضًا الخاصة بهم من البيانات التي جمعوها. ومع ذلك ، مع العلم أن البيانات التي تم جمعها منحازة لما يرونه فقط ، ستكون هناك حاجة إلى تعلم السرب بطريقة نظير إلى نظير حتى تتعلم هذه الأجهزة من بعضها البعض.

لذا ، فإن هذا الترابط ، الترابط من نظير إلى نظير لهذه الأجهزة المتطورة ، يتطلب منا إعادة التفكير أو تغيير طريقة تفكيرنا في الحوسبة. فقط خذ على سبيل المثال سيارتين مستقلتين. نطلق عليهم سيارات متصلة للبدء بها. سيارتان متصلتان ، واحدة أمام الأخرى بمسافة 300 ياردة أو 300 متر. الذي في المقدمة ، مع الكثير من المستشعرات ، على سبيل المثال في ماصات الصدمات ، يستشعر حفرة. ويمكنه في الواقع أن يقدم تلك البيانات المحسوسة بأن هناك حفرة قادمة من السيارات خلفها. وإذا كانت السيارات الموجودة خلفها قيد التشغيل لقبولها تلقائيًا ، فستظهر تلك الحفرة على لوحة القيادة في السيارة. والسيارة التي تسير في الخلف قد تدفع 0.10 سنت فقط مقابل تلك المعلومات للسيارة التي أمامها.

لذلك ، تحصل على موقف تحصل فيه على هذه المشاركة من نظير إلى نظير ، في الوقت الفعلي ، دون الحاجة إلى إرسال كل تلك البيانات أولاً إلى موقع مركزي ما ، ثم إعادة إرسال المعلومات الجديدة إلى السيارة خلفك. لذا ، فأنت تريد أن يكون برنامج نظير إلى نظير. لذلك ، أكثر وأكثر ، لا أقول أن هذا قد تم تنفيذه بعد ، لكن هذا يعطيك فكرة عن كيف يمكن أن يتغير التفكير في المستقبل. المزيد من المشاركة من نظير إلى نظير ، والمزيد من التعلم من نظير إلى نظير.

لوريل: عندما تفكر في المدة التي عملنا فيها في صناعة التكنولوجيا على التفكير في أن مصطلح `` نظير إلى نظير '' كعبارة قد عادت مرة أخرى ، حيث كانت تعني الأشخاص أو حتى أجهزة الكمبيوتر التي تشارك أجزاء مختلفة من المعلومات عبر الإنترنت. الآن أصبحت الأجهزة وأجهزة الاستشعار تشترك في أجزاء من المعلومات مع بعضها البعض. نوع من تعريف مختلف للند للند.

المهندس ليم: بلى. التفكير يتغير. و peer ، تعني كلمة peer ، peer-to-peer ، بمعنى أن لها دلالة على مشاركة أكثر إنصافًا هناك. هذا هو سبب الحاجة إلى blockchain في بعض هذه الحالات بحيث لا يوجد وصي مركزي لمتوسط ​​التعلم ، للجمع بين ما تم تعلمه. لذا فأنت تريد بيئة حقيقية من نظير إلى نظير. وهذا ما تم بناء تعلم السرب من أجله. والسبب الآن في ذلك ، ليس لأننا نشعر أن نظير إلى نظير هو الشيء الكبير التالي وبالتالي يجب علينا القيام به. إنه بسبب البيانات وانتشار هذه الأجهزة التي تجمع البيانات.

تخيل عشرات المليارات من هذه الأجهزة هناك ، وكل جهاز من هذه الأجهزة يصبح أكثر ذكاءً ويستهلك طاقة أقل ليكون ذكيًا وينتقل من جهاز يتبع التعليمات أو يستنتج من نموذج الشبكة العصبية المُدرَّب مسبقًا والمُعطى لهم ، حيث يمكنهم حتى التقدم نحو التعلم بمفردهم. لكن مع العلم أن هذه الأجهزة كثيرة جدًا ، لذلك لا يرى كل منها سوى جزء صغير. الصغير لا يزال كبيرًا إذا جمعت كل منهم ، 50 مليارًا منهم. لكن كل واحد منهم يرى فقط جزءًا صغيرًا من البيانات. وبالتالي ، إذا تعلموا فقط في عزلة ، فسيكونون منحازين للغاية تجاه ما يرونه. على هذا النحو ، يجب أن يكون هناك طريقة ما يمكنهم من خلالها مشاركة ما تعلموه دون الحاجة إلى مشاركة بياناتهم الخاصة. وبالتالي ، سرب التعلم. على عكس إعادة كل تلك البيانات من 50 مليار جهاز حافة إلى هذه المواقع السحابية ، مواقع مراكز البيانات ، حتى يتمكنوا من القيام بالتعلم المشترك.

لوريل: الذي سيكلف بالتأكيد أكثر من جزء من المائة.

المهندس ليم: أه نعم. هناك قول مأثور ، عرض النطاق الترددي ، تدفع ثمنه. الكمون ، أنت تتعب. لذا فهي التكلفة. عرض النطاق الترددي هو التكلفة.

لوريل: بصفتك خبيرًا في الذكاء الاصطناعي ، أثناء وجودك هنا ، ما أكثر ما يثير حماستك في السنوات القادمة؟ ما الذي تراه وتفكر فيه ، سيكون شيئًا كبيرًا في السنوات الخمس أو العشر القادمة؟

المهندس ليم:

شكرا لوريل. لا أرى نفسي كخبير في مجال الذكاء الاصطناعي ، ولكني شخص مكلف ومتحمس للعمل مع العملاء في حالات استخدام الذكاء الاصطناعي والتعلم منها. تنوع حالات استخدام الذكاء الاصطناعي المختلفة والتعلم منها - تعمل بعض الفرق القيادية مباشرة على المشاريع وتشرف على بعض المشاريع. لكن فيما يتعلق بالإثارة ، قد يبدو في الواقع عاديًا. وهذا هو ، الجزء المثير هو أنني أرى الذكاء الاصطناعي. قدرة الأنظمة الذكية على التعلم والتكيف ، وفي كثير من الحالات ، تقديم دعم اتخاذ القرار للبشر. وفي حالات أخرى محدودة ، اتخذ قرارات لدعم البشر. إن انتشار الذكاء الاصطناعي في كل ما نقوم به ، وفي أشياء كثيرة نقوم بها - أشياء معينة ربما يجب علينا تقييدها - ولكن في أشياء كثيرة نقوم بها.

أعني ، دعنا فقط نستخدم أبسط الأمثلة. كيف يمكن أن يكون هذا التقدم. لنأخذ مفتاح الضوء. في الأيام الأولى ، حتى اليوم ، يكون مفتاح الإضاءة الأساسي هو المفتاح اليدوي. يمضي الإنسان قدمًا ، ويلقي المفتاح ، ويضيء الضوء. ويرمي المفتاح ، وينطفئ الضوء. ثم ننتقل إلى المستوى التالي. إذا كنت تريد تشبيهًا ، فالمستوى التالي أكثر ، حيث نقوم بأتمتة هذا التبديل. وضعنا مجموعة من التعليمات على هذا المفتاح بمقياس ضوئي ، وضبطنا التعليمات لتقول ، إذا انخفضت الإضاءة في هذه الغرفة إلى 25٪ من ذروتها ، فقم بتشغيلها. لذلك ، في الأساس ، قدمنا ​​تعليمات باستخدام جهاز استشعار للذهاب معه ، إلى المفتاح. ثم أصبح التبديل الآن تلقائيًا. وبعد ذلك عندما تنخفض الإضاءة في الغرفة إلى 25٪ من ذروتها ، من ذروة الإضاءة ، تضيء الأضواء. حتى الآن أصبح التبديل آليًا.

الآن يمكننا حتى أن نخطو خطوة إلى الأمام في تلك الأتمتة ، من خلال جعل المفتاح ذكيًا ، حيث يمكن أن يحتوي على المزيد من أجهزة الاستشعار. وبعد ذلك ، من خلال مجموعات المستشعرات ، اتخذ قرارات بشأن تشغيل المصباح. والتحكم في كل هذه المستشعرات ، قمنا ببناء نموذج شبكة عصبية تم تدريبه مسبقًا بشكل منفصل ، ثم تنزيله على المحول. هذا هو المكان الذي نحن فيه اليوم. أصبح التبديل الآن ذكيًا. مدينة ذكية ، وأضواء شوارع ذكية ، وسيارات ذاتية القيادة ، وما إلى ذلك.

الآن ، هل هناك مستوى آخر أبعد من ذلك؟ يوجد. وذلك عندما لا يتبع المحول التعليمات فقط أو لا يكون لديه فقط نموذج شبكة عصبية مدرب ليقرر بطريقة تجمع جميع بيانات المستشعر المختلفة ، لتحديد وقت تشغيل الضوء بطريقة أكثر دقة. إنه يتقدم أكثر إلى واحد حيث يتعلم. هذه هي الكلمة الأساسية. يتعلم من الأخطاء. ماذا سيكون المثال؟ سيكون المثال ، استنادًا إلى نموذج الشبكة العصبية الذي تم تدريبه مسبقًا ، والذي تم تنزيله على المحول ، مع جميع الإعدادات. يضيء الضوء. لكن عندما يأتي الإنسان ، يقول الإنسان أنني لست بحاجة إلى الإضاءة هنا هذه المرة ، يقوم الإنسان بإطفاء الضوء. ثم يدرك المفتاح أنه اتخذ بالفعل قرارًا لم يعجبه الإنسان. لذلك بعد عدد قليل من هؤلاء ، يبدأ في التكيف مع نفسه ، والتعلم من هؤلاء. تكيف نفسها بحيث يمكنك تشغيل الضوء على التفضيلات البشرية المتغيرة. هذه هي الخطوة التالية حيث تريد أن تتعلم منها الأجهزة المتطورة التي تجمع البيانات على الحافة.

ثم بالطبع ، إذا ذهبت إلى أبعد من ذلك ، فإن جميع المفاتيح في هذا المكتب أو في وحدة سكنية ، فتعلم من بعضها البعض. سيكون ذلك تعلم السرب. لذا إذا قمت بعد ذلك بتمديد التحول إلى المحمصات والثلاجات والسيارات والروبوتات الصناعية وما إلى ذلك ، فسترى أنه عند القيام بذلك ، فإننا سنقلل بوضوح من استهلاك الطاقة ، وخفض الفاقد ، وتحسين الإنتاجية. لكن المفتاح يجب أن يكون لصالح الإنسان.

جيسي ريتشمان العلوم السياسية

لوريل: ويا لها من طريقة رائعة لإنهاء حديثنا. شكرًا جزيلاً على انضمامك إلينا في Business Lab.

المهندس ليم: شكرا لوريل. مقدر جدا.

لوريل: كان هذا هو الدكتور Eng Lim Goh ، نائب الرئيس الأول ورئيس قسم التكنولوجيا للذكاء الاصطناعي في Hewlett Packard Enterprise ، الذي تحدثت معه من كامبريدج ، ماساتشوستس ، موطن MIT و MIT Technology Review ، المطل على نهر تشارلز. هذا كل شيء في هذه الحلقة من Business Lab ، أنا مضيفتك ، لوريل روما. أنا مدير Insights ، قسم النشر المخصص في MIT Technology Review. تأسسنا عام 1899 في معهد ماساتشوستس للتكنولوجيا. ويمكنك أن تجدنا في المطبوعات وعلى الويب وفي الأحداث التي تعقد كل عام حول العالم. لمزيد من المعلومات عنا وعن العرض ، يرجى مراجعة موقعنا على technologyreview.com. العرض متاح أينما تحصل على البودكاست الخاص بك. إذا استمتعت بهذه الحلقة ، نأمل أن تستغرق دقيقة لتقييمنا ومراجعتنا. Business Lab هو إنتاج من MIT Technology Review. تم إنتاج هذه الحلقة بواسطة Collective Next. شكرا على الإنصات.

تم إنتاج حلقة البودكاست هذه بواسطة Insights ، ذراع المحتوى المخصص لـ MIT Technology Review. لم يتم إنتاجه من قبل فريق التحرير في MIT Technology Review.

يخفي

التقنيات الفعلية

فئة

غير مصنف

تكنولوجيا

التكنولوجيا الحيوية

سياسة التكنولوجيا

تغير المناخ

البشر والتكنولوجيا

وادي السيليكون

الحوسبة

مجلة Mit News

الذكاء الاصطناعي

الفراغ

المدن الذكية

بلوكشين

قصة مميزة

الملف الشخصي للخريجين

اتصال الخريجين

ميزة أخبار معهد ماساتشوستس للتكنولوجيا

1865

وجهة نظري

77 Mass Ave

قابل المؤلف

ملامح في الكرم

شوهد في الحرم الجامعي

خطابات الخريجين

أخبار

انتخابات 2020

فهرس With

تحت القبه

خرطوم الحريق

قصص لانهائية

مشروع تكنولوجيا الوباء

من الرئيس

غلاف القصه

معرض الصور

موصى به