Neuromation. Democratizzare l’accesso all’intelligenza artificiale

L’intelligenza artificiale è esistita sin dalla nascita dei computer digitali negli anni ’50 e le reti neurali e di apprendimento automatico sono emerse negli anni ’80. Il miglioramento degli algoritmi e l’entità del vantaggio che rappresentavano divenne evidente quando si rese disponibile un hardware sufficientemente potente per sperimentarli all’inizio del 2010. In particolare, gli stessi approcci specialistici, le GPU (Graphical Processing Units), utilizzati per creare la grafica avanzata dei videogiochi, potevano essere utilizzati per l’elaborazione parallela richiesta dall’apprendimento automatico, con un’accelerazione drammatica dei risultati.

A sua volta, lo sviluppo del software si è sempre più affidato alla collaborazione decentralizzata, con open source e repository di componenti riutilizzabili che diventano così importanti, che quei team e aziende che non vogliono partecipare si sentono sempre meno in grado di competere. Oggi è naturale dare per scontato che l’approccio più avanzato sarà pubblicato su articoli scientifici, insieme agli algoritmi per implementarlo e codice di esempio per eseguirlo.

IL RUOLO DEI DATI

Questo lascia il ruolo dei dati come cruciale, specialmente nelle applicazioni commerciali, che non possono fare affidamento sui repository accademici. Le grandi aziende hanno un vantaggio decisivo, essendo in grado di dedicare risorse alla raccolta e alla cura dei dati dal mondo fisico, che mantengono come vantaggio competitivo. Spesso, come nel caso di Google e di Facebook, i dati non vengono solo raccolti direttamente dalle società, ma vengono forniti volontariamente dagli utenti delle loro applicazioni.

NEUROMATION

Neuromation democratizza l’accesso ad approcci avanzati di intelligenza artificiale per gli sviluppatori, consentendo l’uso della rete GPU ampiamente diffusa di mining blockchain per creare dati sintetici per la formazione di reti neurali. La sicurezza della blockchain dipende da calcoli che risolvono le sfide crittografiche, ma non producono essi stessi risultati utili, al di là dell’importante e concreto effetto di rendere sicure le transazioni blockchain.

La novità dell’approccio di Neuromation è di raggiungere questo risultato generando calcoli utili. Come elemento importante, i dati sintetici generati sono per definizione correttamente etichettati, dal momento che il computer che li genera sa quale immagine sta disegnando a priori. È essenziale addestrare le reti da set di dati adeguatamente etichettati, e questo non è sempre realizzabile, anche quando è disponibile la raccolta di dati reali.

Nel video sul sito c’è una conversazione con Andrew Rabinovich, Advisor of Neuromation e Director of Deep Learning di Magic Leap: perché il deep learning è importante e di come questi nuovi approcci possano diffonderne la conoscenza e i benefici, democratizzando accesso all’intelligenza artificiale.

Articolo originale qui

(Disclaimer: David Orban is an advisor to Neuromation.)