Εξάρτηση PiLogic Treewidth έναντι συμβατικών μοντέλων AI
Είχα την ευκαιρία να μιλήσω με τους ιδρυτές μιας εταιρείας που ονομάζεται PiLogic πρόσφατα σχετικά με την προσέγγισή τους στην επίλυση ορισμένων προβλημάτων που λένε ότι μπορούν να λυθούν ταχύτερα και με λιγότερη κατανάλωση ενέργειας από τα μοντέλα μεγάλων γλωσσών (LLM). Η προσέγγισή τους κάνει χρήση ακριβών πιθανολογικών συμπερασμάτων. Η PiLogic λέει ότι η μηχανή συμπερασμάτων της είναι η πιο προηγμένη στον κόσμο, όπως συγκρίνεται με το Join Tree και άλλες κορυφαίες μεθόδους.
Η PiLogic υποβάλλει επίσης αίτηση για ένταξη στην ομάδα εργασίας πράσινων υπολογιστών της Διεθνούς Ένωσης Τηλεπικοινωνιών (ITU). Πιστεύουν ότι οι μέθοδοί τους μπορεί να είναι χρήσιμες για πολλές εφαρμογές γενικής πληροφορικής και τεχνολογίας υπολογιστών (ΤΠΕ).
Αυτή η προσέγγιση δεν απαιτεί τεράστια σύνολα δεδομένων και εξειδικευμένο ακριβό υλικό, όπως Μονάδες Επεξεργασίας Γραφικών (GPU). Έχει ιδιαίτερη αξία για περιπτώσεις μηχανικής χρήσης, δεν έχει παραισθήσεις και δίνει αποτελέσματα ακριβή και ακριβή. Προς το παρόν προορίζεται για χρήση σε εφαρμογές αεροδιαστημικής και κυβερνοασφάλειας, αλλά η εταιρεία πιστεύει ότι θα μπορούσε να γίνει μια τυπική εργαλειοθήκη AI οπουδήποτε χρειάζεται απαντήσεις βασισμένες στα μαθηματικά, όπου τα λάθη είναι ακριβά και όπου τα αποτελέσματα πρέπει να συμμορφώνονται με τις ειδικές γνώσεις.
Μερικές από τις περιπτώσεις χρήσης είναι (1) αυτόνομα συστήματα, όπως η αυτόνομη πτήση, (2) η κυβερνοασφάλεια, όπως η διαχείριση σημαιών του Κέντρου Επιχειρήσεων Ασφαλείας (SOC) και η αυτόματη πρόβλεψη και απόκριση απειλών, και (3) η αεροδιαστημική, όπως η αναγνώριση και η παρακολούθηση με ραντάρ, και διάγνωση και πρόβλεψη βλαβών ηλεκτρικού συστήματος σε αεροσκάφη και διαστημόπλοια. Η μηχανή συμπερασμάτων και το κιτ εργαλείων AI μπορούν να εφαρμοστούν σε πολλά σύνθετα προβλήματα σε βιομηχανίες όπως η χρηματοδότηση, η ενέργεια, το cloud και η υγειονομική περίθαλψη. Η παρακάτω εικόνα δείχνει τη ροή της διαδικασίας PiLogic, συμπεριλαμβανομένου ενός Bayesian Network και μιας μηχανής συμπερασμάτων που βασίζεται σε στοιχεία.
Ροή λειτουργίας PiLogic
Ο κινητήρας PiLogic λειτουργεί με τα λεγόμενα δίχτυα Bayes, τα οποία διαθέτουν πολλά πλεονεκτήματα σε σχέση με άλλους τύπους μοντέλων. Για παράδειγμα, μπορούν να ενσωματώσουν ειδικές γνώσεις, να χειριστούν περιορισμένα δεδομένα εκπαίδευσης και να διευκολύνουν την ανάλυση του γιατί το μοντέλο συμπεριφέρεται όπως συμπεριφέρεται. Μία από τις τεχνικές που χρησιμοποιούνται στον κινητήρα PiLogic δημιουργεί ένα αποδοτικό Αριθμητικό κύκλωμα (AC) από το δίχτυ Bayes. Η παρακάτω εικόνα δείχνει εξαρτήσεις σε ένα AC που δημιουργείται από το Δίκτυο Baynes.
Δημιουργία Αριθμητικού κυκλώματος από Μπεϋζιανό Δίκτυο
Ένας λόγος για τον οποίο το AC είναι αποτελεσματικό είναι ότι ωθεί το μεγαλύτερο μέρος της εργασίας που απαιτείται για την εκτέλεση συμπερασμάτων σε μια φάση προ-ανάπτυξης που χρειάζεται να εκτελεστεί μόνο μία φορά. Μετά την ανάπτυξη, η εργασία πριν από την ανάπτυξη μπορεί να αποσβεστεί σε μεγάλο αριθμό ερωτημάτων. Ένας δεύτερος λόγος είναι ότι το συμπέρασμα μετά την ανάπτυξη απαντά σε πολλαπλά ερωτήματα ταυτόχρονα.
Εκτός από την αποτελεσματικότητα, τα AC έχουν και άλλα πλεονεκτήματα. Για παράδειγμα, είναι δυνατό να γνωρίζουμε ακριβώς πόσος χρόνος και χώρος απαιτείται για να απαντηθούν ερωτήματα, και έτσι η προσέγγιση λειτουργεί καλά στο πλαίσιο των απαιτήσεων σε πραγματικό χρόνο. Επιπλέον, το AC μπορεί να ενσωματωθεί σε πολλά προϊόντα και εφαρμογές, καθώς δεν απαιτεί εξειδικευμένο υλικό. Αυτές οι βελτιώσεις απόδοσης οδηγούν επίσης σε εξοικονόμηση ενέργειας για ολόκληρη τη διαδικασία εξαγωγής συμπερασμάτων σε συνεχή βάση για τους τελικούς χρήστες.
Στο γράφημα στην κορυφή του άρθρου, το «πλάτος» του Μπεϋζιανού Δικτύου, στον οριζόντιο άξονα, είναι μια αντανάκλαση του πόσο δύσκολο είναι ένα δίκτυο για μια συμβατική μηχανή συμπερασμάτων. Οι συμβατικές μηχανές συμπερασμάτων λειτουργούν σε χρόνο και χώρο που είναι εκθετικός σε αυτό το πλάτος και κατά συνέπεια λειτουργούν μόνο σε δίκτυα με περιορισμένο πλάτος, όπως φαίνεται παρακάτω.
Η PiLogic λέει ότι έχει βρει έναν τρόπο να σπάσει αυτή την εκθετική αύξηση της πολυπλοκότητας υπολογισμού για πολλά προβλήματα. Το κάνουν αυτό χρησιμοποιώντας δομή στο πρόβλημα, ιδιαίτερα τοπική δομή. Αυτό μπορεί να είναι μηδενικά ή επαναλαμβανόμενες τιμές στο μοντέλο που μπορούν να απλοποιήσουν τους απαιτούμενους υπολογισμούς. Κατά συνέπεια, η PiLogic λέει ότι εάν υπάρχει επαρκής τοπική δομή, μπορούν να λύσουν προβλήματα με το πλάτος δέντρου μέχρι τα 100, όπως φαίνεται παραπάνω. Σημειώστε ότι εάν δεν υπάρχει τέτοια δομή στο μοντέλο, τότε ο κινητήρας PiLogic θα έχει τους ίδιους περιορισμούς πλάτους με τους συμβατικούς κινητήρες συμπερασμάτων.
Η δυνατότητα αντιμετώπισης προβλημάτων μεγαλύτερου πλάτους καθιστά δυνατή τη χρήση πιο στιβαρών μοντέλων που μπορούν να αντιμετωπίσουν προβλήματα που σπάνια εμφανίζονται στα δεδομένα εκπαίδευσης. Μπορεί επίσης να επιτρέψει τη χρήση αυτών των μοντέλων για πιο προληπτικές και όχι αντιδραστικές εφαρμογές, καθώς το μοντέλο μπορεί να μάθει από πηγές γνώσης άλλες από τα ακατέργαστα ιστορικά δεδομένα.
Η PiLogic έχει αναπτύξει μια μεθοδολογία μοντελοποίησης τεχνητής νοημοσύνης που επιτρέπει την απλοποίηση της εκπαίδευσης τεχνητής νοημοσύνης χρησιμοποιώντας γνωστή δομή στα δεδομένα και στο σύστημα που μοντελοποιείται. Αυτό επιτρέπει ταχύτερη εκπαίδευση και εξαγωγή συμπερασμάτων όπου υπάρχει τέτοια δομή και μειώνει την κατανάλωση ενέργειας για πολλά βασικά προβλήματα που αντιμετωπίζονται από την προηγμένη τεχνητή νοημοσύνη.