211service.com
Supercomputadora de IA construida aprovechando almacenes de datos para su poder de cómputo inactivo
Las mejoras recientes en el reconocimiento de voz e imagen se han producido a medida que empresas como Google construyen sistemas de computadoras más grandes y potentes para ejecutar software de aprendizaje automático. Ahora un pececillo relativo, una empresa privada llamada Sensible con solo unos 70 empleados, dice que puede ensamblar a bajo costo sistemas informáticos aún más grandes para impulsar el software de inteligencia artificial.
Es posible que el enfoque de la empresa no se adapte a todos los tipos de aprendizaje automático, una tecnología que tiene usos tan variados como el reconocimiento facial y el comercio financiero. Sentient no ha publicado detalles, pero dice que ha demostrado que puede reunir suficiente poder de cómputo para producir resultados significativos en algunos casos.
El poder de Sentient proviene de la conexión de cientos de miles de computadoras a través de Internet para que trabajen juntas como si fueran una sola máquina. La compañía no dirá exactamente dónde están todas las máquinas a las que recurre. Pero muchos están inactivos dentro de los centros de datos, las instalaciones similares a almacenes que impulsan los servicios de Internet, como sitios web y aplicaciones móviles, dice Babak Hodjat, cofundador y científico jefe de Sentient. La empresa paga a un operador de centro de datos para que haga uso de sus máquinas de repuesto.
Los centros de datos a menudo tienen una cantidad significativa de máquinas inactivas porque están diseñados para manejar aumentos repentinos de la demanda, como una oleada de ventas en el Black Friday. Sentient ha creado un software que conecta máquinas en diferentes lugares a través de Internet y las pone a trabajar ejecutando software de aprendizaje automático como si fueran una computadora muy poderosa. Ese software está diseñado para mantener los datos encriptados tanto como sea posible para que Sentient esté trabajando, tal vez para un cliente, se mantenga confidencial.
Sentient puede hacer que hasta un millón de núcleos de procesador trabajen juntos en el mismo problema durante meses, dice Adam Beberg, arquitecto principal de computación distribuida en la empresa. Los sistemas de aprendizaje automático más grandes de Google no alcanzan esa escala, dice. Un portavoz de Google se negó a compartir detalles de la infraestructura de la empresa y señaló que los resultados obtenidos mediante el aprendizaje automático son más importantes que la escala del sistema informático que lo respalda. Google utiliza ampliamente el aprendizaje automático en áreas como la búsqueda, el reconocimiento de voz y la orientación de anuncios.
Beberg fue pionero en la idea de conectar computadoras en diferentes lugares para trabajar juntas en un problema (ver Innovadores menores de 35 años: 1999). Fue uno de los fundadores de Distributed.net, un proyecto que fue uno de los primeros en demostrar esa idea a gran escala. Su tecnología condujo a esfuerzos tales comoSeti@HomeyPlegable en casa, en el que millones de personas instalaron software para que sus PC pudieran ayudar a buscar vida extraterrestre o contribuir a la investigación de biología molecular.
Sentient se fundó en 2007 y ha recibido más de $140 millones en fondos de inversión, de los cuales poco más de $100 millones se recibieron a fines del año pasado. Hasta ahora, la empresa se ha centrado en utilizar su tecnología para impulsar una técnica de aprendizaje automático conocida como algoritmos evolutivos. Eso implica generar una solución a un problema a partir de una población inicial de muchos algoritmos ligeramente diferentes. Los mejores resultados de la primera generación se utilizan para formar la base de la siguiente y, a lo largo de generaciones sucesivas, las soluciones mejoran cada vez más.
Sentient actualmente obtiene algunos ingresos de la operación de algoritmos de comercio financiero creados al ejecutar su proceso evolutivo durante meses en cientos de miles de procesadores. Pero la empresa ahora planea usar su infraestructura para ofrecer servicios dirigidos a industrias como la atención médica o el comercio en línea, dice Hodjat. Las empresas en esas industrias teóricamente pagarían a Sentient por esos productos.
No dirá más sobre cuáles podrían ser. Sentient ha realizado investigaciones con la Universidad de Toronto y el MIT para crear un software que pueda predecir el desarrollo de sepsis en pacientes de la UCI a partir de datos como la presión arterial y otros indicadores vitales, dice Hodjat. Los resultados mostraron que el software podría dar una advertencia de 30 minutos sobre el desarrollo de sepsis, con una precisión de alrededor del 90 por ciento, pero la compañía decidió no comercializar ese trabajo, dice.
Más recientemente, Sentient ha estado tratando de adaptar su enfoque para trabajar con un tipo de inteligencia artificial llamada aprendizaje profundo. Esta técnica ha producido recientemente avances sorprendentes en áreas como el reconocimiento de imágenes y voz, y se ha convertido en el principal foco de trabajo sobre inteligencia artificial en empresas como Google, Facebook y Baidu (ver 10 Tecnologías innovadoras 2013: aprendizaje profundo). Algunos de los mejores resultados en el aprendizaje profundo provienen de la ejecución de software en computadoras muy potentes y especializadas (consulte La supercomputadora de inteligencia artificial de Baidu supera a Google en el reconocimiento de imágenes).
Reza Zadeh , un profesor consultor de la Universidad de Stanford que trabaja para que el aprendizaje automático funcione a escala, dice que usar una gran colección de computadoras en diferentes lugares funciona bien para algunos problemas, pero no para todos.
Es más poderoso cuando una tarea se puede dividir en partes pequeñas en las que las computadoras individuales pueden trabajar sin necesidad de comunicarse mucho a través de Internet, que es relativamente lento. Pero algunas de las formas más prometedoras de hacer que el aprendizaje automático sea más poderoso requieren diferentes procesadores para comunicarse mucho, dice Zadeh.
Google y Baidu han informado resultados importantes en el uso del aprendizaje profundo para el reconocimiento de voz e imágenes mediante el uso de conjuntos de datos muy grandes o la construcción de redes neuronales artificiales más grandes. Ambos enfoques requieren flujos constantes de datos entre diferentes procesadores, dice Zadeh.
Berberg está de acuerdo en que el aprendizaje profundo es más difícil de adaptar a un sistema de cientos de miles de computadoras conectadas a través de Internet, pero dice que Sentient está progresando. Tiene miles de procesadores trabajando en aprendizaje profundo a la vez, dice.