Mélyebb és olcsóbb lesz a gépi tanulás

A témakör szakértői szerint olcsóbb és a mélytanulás-számításokra jobban összpontosító termékekké válnak a gépitanulás-technológiák.

A terület egyik népszerű módszere a Google Tenzor feldolgozóegységében (TPU) is használt alkalmazás-specifikus áramkörök. A felhasználás helyén programozható logikai kapumátrix (logikai blokkoknak hívott programozható logikai komponenseket és összeköttetéseket tartalmazó félvezető eszköz) szintén gyakori. Nagy előnye, hogy változó számítási igények szerint rekonfigurálható. A leggyakoribb technika azonban grafikai processzorok használata matematikai műveletek párhuzamos végrehajtására.

William Dally stanfordi professzor három mélytanulásos hardveralkalmazást említ (amellett, hogy a hardver jelentőségének fokozatos csökkenését is kiemeli). Az „adatközpontban gyakorlás” az egyik: sok idegsejt-kapcsolat hozzáadásával a mesterséges idegháló kivitelezi a rábízott feladatot. A „következtetés az adatközpontban” lényege, hogy lehetővé válik a felhőszámítás-alapú ideghálók folyamatos munkája. Ezeknek a hálóknak korábban már megtanították más feladatok végrehajtását. A „következtetés beágyazott eszközökben” (okostelefon, tablet, kamera) a harmadik: alacsony fogyasztású alkalmazás-specifikus integrált áramkörökön (ASIC) keresztül valósul meg appokban, amelyek teljesítményét jelentősen növelik a mélytanulás-szoftverek.