SC14’de Makine Öğrenimi Vites Artırdı
Geçen hafta, New Orleans’da SC14 Supercomputing konferansına geldim, telefonumun Google Asistan uygulaması bana yerel hava durumu hakkında bilgi verdi ve gelen sesli komutları kullanarak iyi bir restoran aradım.
Nereye doğru gittiğim göz önüne alındığında, bunların dünyanın en büyük süper bilgisayarlarından bazıları üzerinde çalıştırıldığı düşünülüyor. Bununla birlikte,makine bilgisinin büyük verilere uygulanması kadar az ilgi çekici konu oluşturdu . Stand konuşmalarımızın yaklaşık beşte biri, bilgisayarların nesneleri, görüntüleri, işaretleri ve veri modellerini tanımlamaları için nasıl eğitildiğine odaklandı. Ve alanın muazzam potansiyeli göz önüne alındığında – önde gelen araştırmacılar tarafından web alanı kiralayan neredeyse her büyük web hizmetleri şirketi – önümüzdeki yıllarda yükselmesinin neredeyse kesin olduğu yönünde düşünceler hakim.
Arama devi Baidu’ nun kıdemli araştırmacısı Bryan Catanzaro, SC14′ teki stantta konuşurken bir noktaya değindi.
“Dürüst olmak gerekirse, önümüzdeki birkaç on yıl boyunca, makine öğrenimini ” x ” e uygulayan daha fazla insan olacak ve bu da büyük ekonomik değer oluşturacak ” dedi. Süper bilgisayarlar – özellikle GPU ile hızlandırılmış süper bilgisayarlar – büyük boyutlu veri setlerini hızla işlemekten dolayı makinenin öğreniminde merkezi olduğu ispatlanabilir.
Bu setler, kabinimizdeki konuşmacılardan Carnegie Mellon Üniversitesi’ nden bir araştırmacı olan Shoou-I Yu’ nun yaptığı gibi 50.000 yıllık DVD kalitesinde video eşdeğeri, bir exabyte verileri kolayca aşabilir. Ekibi, bir gün sadece bir kaç tıklamayla YouTube’ da belirli bir kullanıcının videolarını bulabilmeniz için dört yıl boyunca video üzerinde aşırı hızlı arama yapmaya çalışıyor.
Söz konusu kapsam göz önüne alındığında, bu görev şaşırtıcıdır. Yu, YouTube’ un günün her saatinde yüz saatlik bir videonun yüklendiğini belirtti. Ancak ekibiyle birlikte 8000 saatlik videolarda belirli nesneleri tarayabilen ve gerçek zamanlı olarak sonuç üreten araçlar geliştirdi.
Araştırmacılar, mercanın farklı türlerini tanımlamak için GPU hızlandırmalı makine öğrenimi kullanıyor.
Makine öğreniminin uygulanabilirliği dijital alanın çok ötesine uzanır.
NVIDIA’nın makine öğrenimi uzmanı Jonathon Cohen, mercan türlerinin okyanus tabanlarında dağılımını haritaya koymaya yardımcı olmak için GPU hızlandırmalı makine öğrenimi yapmaya başlayan University of California, San Diego’daki araştırmacılar tarafından yapılan çalışmaları anlattı.
Geçmişte, bu son derece karmaşık görevin üstesinden gelmenin tek yolu, deniz biyologlarının resif görüntüleri üzerinde gözenek oluşturması, mercan ve mercimek arasında tarama yapması ve sonra da belirli mercan türlerini görünüşe dayalı olarak belirlemesi idi. Bilim adamları elle yaptıklarında, mercan resiflerinden yalnızca bir veya iki yüzde görüntü verebilirler. Günümüzde bilgisayarlar, görüntülerin yüzde 60’ını, bilim adamlarından sadece yüzde 5 daha az doğruluğa sahip olarak yapabilir. Ve UCSD bilim insanları bunu yüzde 90’a yükseltme yolunda.
GPU’ lar, bilgisayarların meme kanseri tespitine yardımcı olmak için, doku örnekleri içindeki mitoz hızını (kromozomların bölünmesi) belirleyerek yardımcı oluyor.
İsviçreli bir yapay zeka laboratuarı olan IDSIA’ da çalışan Dan Ciresan, yarım düzine uluslararası yarışmaları yakalayan derin sinir ağlarını kullanarak ekibinin bu alandaki çalışmalarını insanlardan çok daha iyi ve çok daha hızlı bir şekilde anlattı. Zor tıbbi görüntü değerlendirildi.
Konuyla ilgili diğer uzmanlar – Microsoft Laboratuarları, diğer kuruluşlar arasında – makine öğrenimini kullanma hakkındaki kendi yaklaşımlarını açıkladı. Ancak, konuların her alanına rağmen, herkes makine öğrenmesinin yeni başlamasını ve gelecek kasım SC’ nin Austin konferansında kesinlikle daha büyük olacağını kabul etti.