MLPerf چیست؟ درک معیار برتر هوش مصنوعی
MLPerf یک مجموعه معیارهای هوش مصنوعی است که به مقایسه عملکرد پردازندهها و سیستمهای مختلف در انجام وظایف هوش مصنوعی میپردازد و اینتل با پردازندههای Xeon 6 نتایج برجستهای در این معیارها ارائه میدهد.
یک مجموعه آزمایشهای هوش مصنوعی دنیای واقعی که بهطور مداوم در حال تحول است، متخصصان اینتل را به چالش میکشد تا عملکرد را افزایش دهند، میدان رقابت را هموار کنند و دسترسی به هوش مصنوعی را برای همه آسانتر کنند.
نتایج واقعی این نکته را نشان میدهد:
هفته گذشته، اینتل همچنان به عنوان تنها فروشندهای که نتایج پردازندههای سرور را به MLPerf ارسال میکند، شناخته شد. این نتایج شامل عملکرد وظایف معمولی هوش مصنوعی مانند بازرسی تصویر و تحلیل اطلاعات با استفاده از پردازندههای Intel® Xeon® 6 بود.
افراد و فرایندهای پشت مسابقات هوش مصنوعی
“MLPerf اکنون معیار شماره یک برای هوش مصنوعی است،” میگوید رامش چوکّا، مدیر مهندسی نرمافزار هوش مصنوعی در گروه نرمافزار مرکز داده و هوش مصنوعی اینتل.
چوکّا نماینده اینتل در هیئت مدیره MLCommons است، کنسرسیومی که اواخر سال 2020 برای گسترش تلاشهای اولیه MLPerf بهمنظور “پیشبرد توسعه و دسترسی به جدیدترین مجموعه دادهها و مدلهای هوش مصنوعی و یادگیری ماشین، بهترین شیوهها، معیارها و شاخصها” تشکیل شد.
مشکلاتی که معیارهای MLPerf حل میکنند
مدلهای هوش مصنوعی برنامههای پیچیدهای هستند و تعداد زیادی کامپیوتر مختلف میتوانند آنها را اجرا کنند. معیارهای MLPerf بهطور خاص طراحی شدهاند تا مقایسههای بهتری از این کامپیوترها ارائه دهند و همزمان محققان و شرکتها را به پیشرفت در این حوزه وادار کنند.
هر معیار بهگونهای طراحی شده است که تا حد ممکن نمایانگر دنیای واقعی باشد و نتایج در یکی از دو بخش قرار میگیرند: بخش بسته که برای مدل هوش مصنوعی و نرمافزارها محدود است و امکان مقایسه دقیق بین سختافزارها را فراهم میکند؛ و بخش باز که اجازه نوآوری میدهد، به این معنا که هر سیستم به همان نتیجه مورد نظر میرسد، اما میتواند به هر طریقی به حداکثر عملکرد دست یابد.
چگونه MLPerf کار میکند و تکامل مییابد
همانطور که چوکّا ذکر کرد، MLPerf در درجه اول با تکامل مداوم و اضافه کردن معیارهای جدید برجسته میماند. فرایند این تکامل عمدتاً از طریق بحثهای باز و تبادل نظر در میان جامعه MLCommons است که شامل شرکتهای بزرگ، استارتاپها و دانشگاهها میشود.
معیارهای جدید پیشنهاد شده و مورد بحث قرار میگیرند و پس از تأیید، به دادههای باز برای آموزش نیاز دارند – که ممکن است وجود داشته باشد یا نه. مشارکتکنندگان داوطلبانه برای تیمی شدن و ساخت معیارها همکاری میکنند و دادهها را جمعآوری میکنند.
دنیای سریعتر و کارآمدتر هوش مصنوعی از دیدگاه جهانی
این که افراد بیشتری در سراسر جهان با استفاده از نیمههادیها مشکلات بیشتری را حل میکنند، نه تنها مزیت بزرگی برای Intel دارد، بلکه دیگر فواید مشارکت Intel در MLPerf نیز وجود دارد.
اینتل همیشه در حال مشارکت در فریمورکهای منبع باز برای هوش مصنوعی مانند PyTorch است. هنگامی که مهندسان اینتل با بهبود کد از طریق تلاشهای خود برای تسریع نتایج MLPerf، این بهبودها بهصورت خودکار به هر کسی که از این نوع هوش مصنوعی بر روی چیپهای اینتل استفاده میکند منتقل میشود.
