En ny tidsalder med data betyr å omfavne kanten





I samarbeid med Hewlett Packard Enterprise

Kunstig intelligens har et enormt løfte, men for å være effektiv må den lære av enorme sett med data – og jo mer mangfoldig jo bedre. Ved å lære mønstre kan AI-verktøy avdekke innsikt og hjelpe beslutningstaking ikke bare innen teknologi, men også legemidler, medisin, produksjon og mer. Data kan imidlertid ikke alltid deles – enten de er personlig identifiserbare, har proprietær informasjon, eller å gjøre det ville være et sikkerhetsproblem – før nå.



Det kommer til å bli en ny tid. Sier Dr. Eng Lim Goh, senior visepresident og CTO for kunstig intelligens hos Hewlett Packard Enterprise. Verden vil skifte fra en der du har sentralisert data, det vi har vært vant til i flere tiår, til en der du må være komfortabel med at data er overalt.

Data overalt betyr kanten, der hver enhet, server og skyforekomst samler inn enorme mengder data. Ett estimat viser at antall tilkoblede enheter på kanten øker til 50 milliarder innen 2022. Gåten: hvordan holde innsamlet data sikker, men også være i stand til å dele lærdom fra dataene, som igjen hjelper til med å lære AI å bli smartere. Gå inn i svermlæring.

Svermlæring , eller svermintelligens, er hvordan svermer av bier eller fugler beveger seg som svar på miljøet deres. Når den brukes på data, forklarer Goh, er det mer peer-to-peer-kommunikasjon, mer peer-to-peer-samarbeid, mer peer-to-peer læring. Og Goh fortsetter, det er grunnen til at svermlæring vil bli mer og mer viktig ettersom … ettersom tyngdepunktet skifter fra sentralisert til desentralisert data.



Tenk på dette eksemplet, sier Goh. Et sykehus trener maskinlæringsmodellene deres på røntgen av thorax og ser mange tilfeller av tuberkulose, men svært lite tilfeller av lungekollaps. Så derfor vil denne nevrale nettverksmodellen, når den er trent, være veldig følsom for det som oppdager tuberkulose og mindre følsom for å oppdage lungekollaps. Goh fortsetter, men vi får det motsatte av det på et annet sykehus. Så det du virkelig ønsker er å la disse to sykehusene kombinere dataene sine slik at den resulterende nevrale nettverksmodellen kan forutsi begge situasjonene bedre. Men siden du ikke kan dele disse dataene, kommer svermlæring inn for å redusere den skjevheten til begge sykehusene.

Og dette betyr at hvert sykehus er i stand til å forutsi utfall, med nøyaktighet og med redusert skjevhet, som om du har samlet alle pasientdata globalt på ett sted og lært av det, sier Goh.

Og det er ikke bare sykehus- og pasientdata som må holdes sikre. Goh understreker Det svermlæring gjør er å prøve å unngå den deling av data, eller helt forhindre deling av data, til [en modell] der du bare deler innsikten, du deler læringen. Og det er derfor det er grunnleggende sikrere.



Vis notater og lenker:

Full utskrift:

Laurel Ruma: Fra MIT Technology Review heter jeg Laurel Ruma. Og dette er Business Lab, showet som hjelper bedriftsledere å forstå nye teknologier som kommer ut av laboratoriet og inn på markedet. Temaet vårt i dag er desentraliserte data. Enten det er fra enheter, sensorer, biler, kanten, om du vil, vokser mengden data som samles inn. Det kan være personlig og det må beskyttes. Men er det en måte å dele innsikt og algoritmer på en sikker måte for å hjelpe andre selskaper og organisasjoner og til og med vaksineforskere?

To ord til deg: svermlæring.

Min gjest er Dr. Eng Lim Goh, som er senior visepresident og CTO for kunstig intelligens hos Hewlett Packard Enterprise. Før denne rollen var han CTO i et flertall av sine 27 år i Silicon Graphics, nå et HPE-selskap. Dr. Goh ble tildelt NASAs Exceptional Technology Achievement Medal for sitt arbeid med AI i den internasjonale romstasjonen. Han har også jobbet med en rekke kunstig intelligens-forskningsprosjekter fra F1-racing, til pokerroboter, til hjernesimuleringer. Dr. Goh har en rekke patenter og har publisert på forsiden av Nature. Denne episoden av Business Lab er produsert i samarbeid med Hewlett Packard Enterprise. Velkommen Dr. Goh.

Dr. Eng Lim Goh: Takk for at jeg fikk komme.



Laurel: Så vi har startet et nytt tiår med en global pandemi. Det haster med å finne en vaksine har muliggjort større informasjonsdeling mellom forskere, myndigheter og selskaper. For eksempel offentliggjorde Verdens helseorganisasjon Pfizer-vaksinens mRNA-sekvens for å hjelpe forskere. Hvordan tenker du på muligheter som dette som kommer ut av pandemien?

Eng Lim: Innen vitenskap og medisin og andre er deling av funn en viktig del av å fremme vitenskapen. Så den tradisjonelle måten er publikasjoner. Saken er at i løpet av et år, og et halvt år med covid-19 har det vært en bølge av publikasjoner relatert til covid-19. Én aggregator hadde for eksempel størrelsesorden 300 000 slike dokumenter relatert til covid-19 der ute. Det blir vanskelig, på grunn av mengden data, å kunne få det du trenger.

Så en rekke selskaper, organisasjoner, begynte å bygge disse naturlige språkbehandlingsverktøyene, AI-verktøyene, for å la deg stille veldig spesifikke spørsmål, ikke bare søke etter nøkkelord, men veldig spesifikke spørsmål slik at du kan få svaret du trenger fra dette korpuset av dokumenter der ute. En vitenskapsmann kan spørre, eller en forsker kan spørre, hva er bindingsenergien til SARS-CoV-2 spikeproteinet til ACE-2-reseptoren vår? Og kan være enda mer spesifikk og si, jeg vil ha det i enheter av kcal per mol. Og systemet ville gå gjennom. NLP-systemet ville gå gjennom dette korpuset av dokumenter og komme med et spesifikt svar på det spørsmålet, og til og med peke på dokumentområdet der svaret kan være. Så dette er ett område. For å hjelpe med deling, kan du bygge AI-verktøy for å hjelpe deg med å gå gjennom denne enorme mengden data som har blitt generert.

Det andre området for deling er deling av data fra en klinisk prøve, som du har nevnt. Tidlig i fjor, før noen av de kliniske studiene av SARS-CoV-2-vaksine hadde startet, fikk vi data om gulfebervaksine. Og enda mer spesifikt, genuttrykksdataene fra de frivillige i den kliniske studien. Og et av målene er, kan du analysere titusenvis av disse genene som uttrykkes av frivillige og hjelpe til med å forutsi, for hver frivillig, om han eller hun vil få bivirkninger av denne vaksinen, og om han eller hun vil gi god antistoffrespons på denne vaksinen? Så bygg prediktive verktøy ved å dele disse kliniske studiedataene, om enn anonymiserte og på en begrenset måte.

Laurel: Når vi snakker om naturlig språkbehandling, tror jeg de to alternativene vi har tatt fra det veldig spesifikke eksemplet, er at du kan bygge bedre AI-verktøy for å hjelpe forskerne. Og så hjelper det å bygge prediktive verktøy og modeller.

Eng Lim: Ja absolutt.

Laurel: Så, som et spesifikt eksempel på hva du har jobbet med det siste året, publiserte Nature Magazine nylig en artikkel om hvordan en samarbeidende tilnærming til datainnsikt kan hjelpe disse interessentene, spesielt under en pandemi. Hva fant du ut under arbeidet?

Eng Lim: Ja. Dette er, igjen, relatert til delingspunktet du kom med, hvordan dele læring slik at fellesskapet kan gå raskere videre. De Natur publikasjonen du nevnte, tittelen på den er Swarm Learning [for desentralisert og konfidensiell klinisk maskinlæring]. La oss bruke sykehuseksemplet. Det er dette sykehuset, og det ser sine pasienter, sykehusets pasienter, av en viss demografi. Og hvis den ønsker å bygge en maskinlæringsmodell for å forutsi basert på pasientdata, si for eksempel en pasients CT-skanningsdata, for å prøve å forutsi visse utfall. Problemet med læring isolert som dette er at du begynner å utvikle modeller gjennom denne læringen av pasientdataene dine, forutsatt til hva som er demografien du ser. Eller på andre måter, partisk mot typen medisinsk utstyr du har.

Løsningen på dette er å samle inn data fra forskjellige sykehus, kanskje fra forskjellige regioner eller til og med forskjellige land. Og så kombinere alle disse sykehusenes data og deretter trene maskinlæringsmodellen på de kombinerte dataene. Problemet med dette er at personvernet til pasientdata hindrer deg i å dele disse dataene. Svermlæring kommer inn for å prøve å løse dette, på to måter. Én, i stedet for å samle inn data fra disse forskjellige sykehusene, lar vi hvert sykehus trene sin maskinlæringsmodell på sine egne private pasientdata. Og av og til kommer en blokkjede inn. Det er den andre måten. En blokkjede kommer inn og samler all læring. understreker jeg. Læringene, og ikke pasientdataene. Samle kun læringen og kombiner den med læringen fra andre sykehus i andre regioner og andre land, gjennomsnitt dem og send deretter tilbake til alle sykehusene, den oppdaterte globalt kombinerte gjennomsnittlige læringen.

Og med læring mener jeg parametrene, for eksempel til vekten av det nevrale nettverket. Parametrene som er nevrale nettverksvekter i maskinlæringsmodellen. Så i dette tilfellet forlater ingen pasientdata noen gang et enkelt sykehus. Det som forlater sykehuset er kun læringen, parametrene eller vektene på nevrale nettverk. Og så, når du sendte opp de lokalt lærte parameterne dine, og det du får tilbake fra blokkjeden er de globale gjennomsnittsparametrene. Og så oppdaterer du modellen din med det globale gjennomsnittet, og så fortsetter du å lære lokalt igjen. Etter noen sykluser med disse læringsdelingene, har vi testet det, hvert sykehus er i stand til å forutsi, med nøyaktighet og med redusert skjevhet, som om du har samlet alle pasientdata globalt på ett sted, og lært av det.

Laurel: Og grunnen til at blockchain brukes er fordi det faktisk er en sikker forbindelse mellom ulike, i dette tilfellet, maskiner, ikke sant?

Eng Lim: Det er to grunner, ja, hvorfor vi bruker blockchain. Den første grunnen er sikkerheten ved det. Og nummer to, vi kan holde den informasjonen privat fordi i en privat blokkjede er det bare deltakere, hoveddeltakere eller sertifiserte deltakere som er tillatt i denne blokkjeden. Nå, selv om blokkjeden er kompromittert, er det som bare sees vektene eller parameterne for læringen, ikke de private pasientdataene, fordi de private pasientdataene ikke er i blokkjeden.

Og den andre grunnen til å bruke en blokkjede, det er i motsetning til å ha en sentral depotansvarlig som gjør innsamlingen av parametrene, av læringene. For når du først utnevner en depotmottaker, en enhet, som samler inn alle disse læringene, hvis et av sykehusene blir den depotmottakeren, har du en situasjon der den oppnevnte depotmannen har mer informasjon enn resten, eller har mer kapasitet enn resten. Ikke så mye mer informasjon, men mer kapasitet enn resten. Så for å få en mer rettferdig deling bruker vi en blokkjede. Og i blokkjedesystemet er det den tilfeldig utnevner en av deltakerne som samleren, som lederen, for å samle parameterne, snitte dem og sende dem ned igjen. Og i neste syklus, tilfeldig, blir en annen deltaker utnevnt.

Laurel: Så det er to interessante poeng her. Den ene er at dette prosjektet lykkes fordi du ikke bare bruker dine egne data. Du har lov til å velge dette forholdet for å bruke lærdommen fra andre forskeres data også. Så det reduserer skjevheten. Så det er ett slags stort problem som er løst. Men så også dette andre interessante spørsmålet om egenkapital og hvordan selv algoritmer kanskje kan være mindre rettferdige fra tid til annen. Men når du har en tilsiktet tilfeldig algoritme i blokkjeden som tildeler lederskap for innsamlingen av læringen fra hver enhet, hjelper det med å fjerne enhver form for mulig skjevhet også, ikke sant?

Eng Lim: Ja, ja, ja. Strålende oppsummering, Laurel. Så det er den første skjevheten, som er at hvis du lærer isolert, lærer sykehuset, en nevrale nettverksmodell, eller en maskinlæringsmodell, mer generelt, av et sykehus lærer isolert bare på sine egne private pasientdata, de vil være naturlig partisk mot demografien de ser. For eksempel har vi et eksempel der et sykehus trener sine maskinlæringsmodeller på røntgen av thorax og ser mange tuberkulosetilfeller. Men svært få tilfeller av lungekollaps. Så derfor vil denne nevrale nettverksmodellen, når den er trent, være veldig følsom for hva som oppdager tuberkulose og mindre følsom for å oppdage lungekollaps, for eksempel. Imidlertid får vi det motsatte av det på et annet sykehus. Så det du virkelig ønsker er å la disse to sykehusene kombinere dataene sine slik at den resulterende nevrale nettverksmodellen kan forutsi begge situasjonene bedre. Men siden du ikke kan dele disse dataene, kommer svermlæring inn for å redusere den skjevheten til begge sykehusene.

Laurel: Greit. Så vi har en enorm mengde data. Og den fortsetter å vokse eksponentielt ettersom kanten, som egentlig er enhver datagenererende enhet, system eller sensor, utvides. Så hvordan endrer desentraliserte data måten bedrifter trenger å tenke på data?

Eng Lim: Å, det er et dypt spørsmål. Det er ett anslag som sier at innen neste år, innen år 2022, vil det være 50 milliarder tilkoblede enheter på kanten. Og dette vokser raskt. Og vi kommer til et punkt at vi har et gjennomsnitt på rundt 10 tilkoblede enheter som potensielt samler inn data, per person, i denne verden. Gitt den situasjonen vil tyngdepunktet skifte fra datasenteret som hovedstedet som genererer data til et hvor tyngdepunktet vil være på kanten når det gjelder hvor data genereres. Og dette vil endre dynamikken enormt for bedrifter. Du vil derfor se behovet for disse enhetene som er der ute der denne enorme mengden data genereres på kanten med så mye av disse enhetene der ute at du vil nå et punkt hvor du ikke har råd til å hente tilbake eller hente tilbake all den dataen til skyen eller datasenteret lenger.

Selv med 5G, 6G og så videre. Veksten av data vil overgå det, vil langt overstige veksten i båndbredden til disse nye telekommunikasjonsmulighetene. Som sådan vil du nå et punkt hvor du ikke har noe annet valg enn å presse intelligensen til kanten slik at du kan bestemme hvilke data som skal flyttes tilbake til skyen eller datasenteret. Så det kommer til å bli en ny tid. Verden vil skifte fra en der du har sentralisert data, det vi har vært vant til i flere tiår, til en der du må være komfortabel med at data er overalt. Og når det er tilfelle, må du gjøre mer peer-to-peer-kommunikasjon, mer peer-to-peer-samarbeid, mer peer-to-peer læring.

Og det er grunnen til at svermlæring vil bli mer og mer viktig ettersom dette skrider frem, ettersom tyngdepunktet flytter seg der ute fra et hvor data er sentralisert, til et hvor data er overalt.

Laurel: Kan du snakke litt mer om hvordan svermintelligens er utformet sikker? Med andre ord lar det bedrifter dele innsikt fra datalæring med eksterne bedrifter, eller til og med innenfor grupper i en bedrift, men deler de faktisk ikke de faktiske dataene?

Eng Lim: Ja. I utgangspunktet, når vi ønsker å lære av hverandre, er en måte å dele dataene slik at hver enkelt av oss kan lære av hverandre. Det svermlæring gjør er å prøve å unngå den deling av data, eller helt forhindre deling av data, til [en modell] der du bare deler innsikten, du deler læringen. Og det er derfor det er grunnleggende sikrere ved å bruke denne tilnærmingen, der data forblir private på stedet og aldri forlater den private enheten. Det som forlater den private enheten er bare læringen. Og i dette tilfellet vekter det nevrale nettverket eller parametrene for disse læringene.

Nå er det folk som forsker på muligheten til å utlede data fra læringen, det er fortsatt i forskningsfasen, men vi er forberedt på om det noen gang fungerer. Og det vil si at i blokkjeden gjør vi homomorfisk kryptering av vektene, parametrene, læringen. Med homomorf mener vi at når den utnevnte lederen samler alle disse vektene og deretter gjennomsnittliggjør dem, kan du snitte dem i kryptert form, slik at hvis noen fanger opp blokkjeden, ser de krypterte læringer. De ser ikke læren selv. Men vi har ikke implementert det ennå, fordi vi ikke ser det nødvendig ennå før vi ser at det blir mulig å reversere dataene fra læringen.

Laurel: Og så, når vi tenker på å øke regler og lovgivning rundt data, som GDPR og Californias CCPA, må det finnes en slags løsning på personvernproblemer. Ser du på svermlæring som et av de mulige alternativene når bedrifter øker mengden data de har?

Eng Lim: Ja, som et alternativ. For det første, hvis det er behov for kantenheter for å lære av hverandre, er svermlæring der, og er nyttig for det. Og nummer to, mens du lærer, vil du ikke at dataene fra hver enhet eller deltaker i svermlæring skal forlate den enheten. Den skal bare bli der den er. Og det som etterlater seg er bare parametrene og læringen. Du ser det ikke bare i et sykehusscenario, men du ser det i økonomi. Kredittkortselskaper, for eksempel, vil selvfølgelig ikke dele kundedataene sine med et annet konkurrent kredittkortselskap. Men de vet at læringen til maskinlæringsmodellene lokalt ikke er like følsomme for svindeldata fordi de ikke ser alle de forskjellige typene svindel. Kanskje de ser en form for svindel, men et annet kredittkortselskap kan se en annen form for svindel.

Swarm learning kan brukes her der hvert kredittkortselskap holder kundedataene sine private, ingen deling av det. Men en blokkjede kommer inn og deler læringen, svindeldatalæringen, og samler alle disse læringene, beregner gjennomsnittet og gir det tilbake til alle de deltakende kredittkortselskapene. Så dette er ett eksempel. Bankene kan gjøre det samme. Industriroboter kan også gjøre det samme.

Vi har en bilkunde som har titusenvis av industriroboter, men i forskjellige land. Industriroboter følger i dag instruksjoner. Men i neste generasjons roboter, med AI, vil de også lære lokalt, for eksempel å unngå visse feil og ikke gjenta dem. Det du kan gjøre ved å bruke svermlæring er at hvis disse robotene er i forskjellige land der du ikke kan dele data, sensordata fra lokalmiljøet på tvers av landegrensene, men du har lov til å dele læringen om å unngå disse feilene, kan svermlæring derfor brukes. Så du forestiller deg nå en sverm av industriroboter, på tvers av forskjellige land, som deler lærdom slik at de ikke gjentar de samme feilene.

Så ja. I bedriften kan du se forskjellige anvendelser av svermlæring. Finans, ingeniørfag og selvfølgelig i helsevesenet, som vi har diskutert.

Laurel: Hvordan tror du bedrifter må begynne å tenke annerledes om deres faktiske dataarkitektur for å oppmuntre muligheten til å dele denne innsikten, men ikke faktisk dele dataene?

Eng Lim: Først og fremst må vi være komfortable med det faktum at enheter som samler inn data vil spre seg. Og de vil være på kanten der dataene først lander. Hva er kanten? Kanten er der du har en enhet, og hvor dataene først lander elektronisk. Og hvis du forestiller deg 50 milliarder av dem neste år, for eksempel, og vokser, i ett anslag, må vi være komfortable med det faktum at data vil være overalt. Og for å designe organisasjonen din, design måten du bruker data på, design måten du får tilgang til data med det konseptet i tankene, dvs. å gå fra en som vi er vant til, det vil si at data blir sentralisert mesteparten av tiden, til en der data er overalt. Så måten du får tilgang til data på må være annerledes nå. Du kan nå ikke tenke på først å samle alle dataene, trekke alle dataene, tilbakehauler alle dataene fra kanten til et sentralisert sted, og deretter jobbe med det. Vi må kanskje bytte til et scenario der vi opererer på dataene, og lærer av dataene mens dataene fortsatt er der ute.

Laurel: Så vi snakket litt om helsevesen og produksjon. Hvordan ser du også for deg at de store ideene om smarte byer og autonome kjøretøy passer inn med ideene om svermintelligens?

Eng Lim: Ja, ja, ja. Dette er to store, store gjenstander. Og veldig lik også, du tenker på en smart by, den er full av sensorer, full av tilkoblede enheter. Du tenker på autonome biler, et anslag anslår at det er noe sånt som 300 sensorenheter i en bil, som alle samler inn data. En lignende måte å tenke på, data kommer til å være overalt, og samles inn i sanntid på disse kantene. For smarte byer kan det være gatelys. Vi jobber med én by med 200 000 gatelys. Og de ønsker å gjøre hver og en av disse gatelysene smarte. Med smart mener jeg evnen til å anbefale beslutninger eller til og med ta beslutninger. Du kommer til et punkt hvor du, som jeg har sagt før, ikke kan hente all data hele tiden til datasenteret og ta avgjørelser etter at du har gjort aggregeringen. Mange ganger må du ta avgjørelser hvor dataene samles inn. Og derfor må ting være smart på kanten, nummer én.

Og hvis vi tar det skrittet lenger enn å handle på instruksjoner eller å handle på nevrale nettverksmodeller som er forhåndstrenet og deretter sendt til kanten, tar du ett skritt utover det, og det vil si at du vil at edge-enhetene også skal lære på sine egne fra dataene de har samlet inn. Men å vite at dataene som samles inn er partiske til det de bare ser, vil svermlæring være nødvendig på en peer-to-peer måte for at disse enhetene skal lære av hverandre.

Så denne sammenkoblingen, peer-to-peer-sammenkoblingen til disse kantenhetene, krever at vi tenker på nytt eller endrer måten vi tenker på databehandling. Bare ta for eksempel to autonome biler. Vi kaller dem koblede biler til å begynne med. To tilkoblede biler, den ene foran den andre på 300 meter eller 300 meter. Den foran, med masse sensorer i, for eksempel i støtdemperne, aner et jettegryte. Og den kan faktisk tilby de sansede dataene at det er et jettegryte som kommer opp til bilene bak. Og hvis bilene bak slår på for å automatisk akseptere disse, dukker det hullet opp på bilen baks dashbord. Og bilen bak betaler bare kanskje 0,10 cent for den informasjonen til bilen foran.

Så du får en situasjon der du får disse peer-to-peer-delingene, i sanntid, uten å måtte sende alle disse dataene først tilbake til et sentralt sted og deretter sende tilbake ned og deretter den nye informasjonen til bilen bak. Så du vil at det skal være peer-to-peer. Så mer og mer, jeg sier ikke at dette er implementert ennå, men dette gir deg en ide om hvordan tenkning kan endre seg fremover. Mye mer peer-to-peer-deling, og mye mer peer-to-peer læring.

Laurel: Når du tenker på hvor lenge vi har jobbet i teknologibransjen for å tro at peer-to-peer som en frase har kommet tilbake, der det pleide å bety at folk eller til og med datamaskiner deler forskjellige biter av informasjon over internett. Nå er det enheter og sensorer som deler informasjonsbiter med hverandre. En slags annen definisjon av peer-to-peer.

Eng Lim: Ja. Tenking er i endring. Og peer, ordet peer, peer-to-peer, som betyr at det har en konnotasjon av en mer rettferdig deling der inne. Det er grunnen til at det er behov for en blokkjede i noen av disse tilfellene, slik at det ikke er noen sentral depotansvarlig for å snitte læringen, for å kombinere læringen. Så du vil ha et ekte peer-to-peer-miljø. Og det er det svermlæring er bygget for. Og nå er grunnen til det, det er ikke fordi vi føler at peer-to-peer er den neste store tingen og derfor bør vi gjøre det. Det er på grunn av data og spredningen av disse enhetene som samler inn data.

Tenk deg titalls milliarder av disse der ute, og hver og en av disse enhetene blir smartere og bruker mindre energi for å være så smarte og beveger seg fra en hvor de følger instruksjoner eller trekker ut den forhåndstrente nevrale nettverksmodellen gitt til dem, til en der de til og med kan gå videre mot læring på egenhånd. Men å vite at disse enhetene er så mange av dem der ute, derfor ser hver av dem bare en liten del. Liten er fortsatt stor hvis du kombinerer dem alle, 50 milliarder av dem. Men hver av dem ser bare en liten del av data. Og derfor, hvis de bare lærer isolert, vil de være sterkt partiske til det de ser. Som sådan må det være en måte hvor de kan dele læringen sin uten å måtte dele sine private data. Og derfor svermlæring. I motsetning til å tilbakehale alle disse dataene fra de 50 milliarder edge-enhetene tilbake til disse skylokasjonene, datasenterplasseringene, slik at de kan gjøre den kombinerte læringen.

Laurel: Noe som sikkert ville kostet mer enn en brøkdel av en cent.

Eng Lim: Å ja. Det er et ordtak som sier: båndbredde du betaler for. Latens svetter du for. Så det er kostnad. Båndbredde er kostnad.

Laurel: Så som ekspert på kunstig intelligens, mens vi har deg her, hva er du mest begeistret for i årene som kommer? Hva ser du som du tenker på, som kommer til å bli noe stort i løpet av de neste fem, 10 årene?

Eng Lim:

Takk, Laurel. Jeg ser ikke på meg selv som en ekspert på AI, men en person som får i oppgave og er begeistret for å jobbe med kunder om AI-brukstilfeller og lære av dem. Mangfoldet av disse forskjellige AI-brukssakene og lærer av dem – noen ledende team jobber direkte med prosjektene og fører tilsyn med noen av prosjektene. Men når det gjelder spenningen, kan det faktisk virke hverdagslig. Og det vil si, det spennende er at jeg ser AI. Evnen for smarte systemer til å lære og tilpasse seg, og i mange tilfeller gi beslutningsstøtte til mennesker. Og i andre mer begrensede tilfeller, ta avgjørelser til støtte for mennesker. Utbredelsen av kunstig intelligens er i alt vi gjør, mange ting vi gjør – visse ting bør vi kanskje begrense – men i mange ting vi gjør.

Jeg mener, la oss bare bruke de mest grunnleggende eksemplene. Hvordan denne progresjonen kan være. La oss ta en lysbryter. I de tidlige dagene, selv frem til i dag, er den mest grunnleggende lysbryteren en der den er manuell. Et menneske går foran, slår på bryteren, og lyset tennes. Og slår av bryteren, og lyset slukkes. Så går vi videre til neste nivå. Hvis du vil ha en analogi, mer neste nivå, hvor vi automatiserer den bryteren. Vi setter et sett med instruksjoner på den bryteren med en lysmåler, og setter instruksjonene til å si at hvis belysningen i dette rommet faller til 25 % av toppen, slå på. Så i utgangspunktet ga vi en instruksjon med en sensor for å gå med den, til bryteren. Og så er bryteren nå automatisk. Og så når belysningen i rommet synker til 25 % av toppbelysningen, av toppbelysningen, slår den på lysene. Så nå er byttet automatisert.

Nå kan vi til og med ta et steg videre i den automatiseringen, ved å gjøre bryteren smart, ved at den kan ha flere sensorer. Og deretter, gjennom kombinasjonene av sensorer, ta avgjørelser om hvorvidt lyset slås på. Og for å kontrollere alle disse sensorene, bygde vi en nevrale nettverksmodell som har blitt forhåndstrent separat, og deretter lastet ned på bryteren. Det er her vi er i dag. Bryteren er nå smart. Smart by, smarte gatelys, autonome biler og så videre.

Nå, er det et annet nivå utover det? Det er. Og det er når bryteren ikke bare følger instruksjoner eller ikke bare har en trent nevrale nettverksmodell for å bestemme på en måte å kombinere alle de forskjellige sensordataene, for å bestemme når lyset skal slås på på en mer presis måte. Den går videre til en hvor den lærer. Det er stikkordet. Den lærer av feil. Hva vil eksemplet være? Eksemplet vil være, basert på den nevrale nettverksmodellen den har, som ble forhåndsopplært tidligere, lastet ned på bryteren, med alle innstillingene. Den slår på lyset. Men når mennesket kommer inn, sier mennesket at jeg ikke trenger lyset på her denne gangen, mennesket slår av lyset. Så innser bryteren at den faktisk tok en avgjørelse som mennesket ikke likte. Så etter noen av disse begynner den å tilpasse seg, lære av disse. Tilpass seg selv slik at du kan tenne et lys til skiftende menneskelige preferanser. Det er neste trinn der du vil at edge-enheter som samler inn data på kanten skal lære av dem.

Så, hvis du tar det enda lenger, lærer selvfølgelig alle bryterne på dette kontoret eller i en boenhet av hverandre. Det blir svermlæring. Så hvis du deretter utvider byttet til brødristere, til kjøleskap, til biler, til industriroboter og så videre, vil du se at ved å gjøre dette, vil vi klart redusere energiforbruket, redusere avfall og forbedre produktiviteten. Men nøkkelen må være, for menneskers beste.

Laurel: Og for en fantastisk måte å avslutte samtalen vår på. Tusen takk for at du ble med oss ​​på Business Lab.

Eng Lim: Takk Laurel. Høyt verdsatt.

Laurel: Det var Dr. Eng Lim Goh, senior visepresident og CTO for kunstig intelligens ved Hewlett Packard Enterprise, som jeg snakket med fra Cambridge, Massachusetts, hjemmet til MIT og MIT Technology Review, med utsikt over Charles River. Det var alt for denne episoden av Business Lab, jeg er verten din, Laurel Ruma. Jeg er direktør for Insights, den tilpassede publiseringsavdelingen til MIT Technology Review. Vi ble grunnlagt i 1899 ved Massachusetts Institute of Technology. Og du kan finne oss på trykk, på nettet og på arrangementer hvert år rundt om i verden. For mer informasjon om oss og showet, vennligst sjekk ut nettstedet vårt på technologyreview.com. Showet er tilgjengelig uansett hvor du får podcastene dine. Hvis du likte denne episoden, håper vi at du tar deg tid til å vurdere og anmelde oss. Business Lab er en produksjon av MIT Technology Review. Denne episoden ble produsert av Collective Next. Takk for at du lyttet.

Denne podcast-episoden ble produsert av Insights, den tilpassede innholdsarmen til MIT Technology Review. Den ble ikke produsert av MIT Technology Reviews redaksjon.

gjemme seg