自動(dòng)化設(shè)備機(jī)器學(xué)習(xí)開啟新模式，分布式機(jī)器人走進(jìn)智能工廠 從語音識(shí)別系統(tǒng)到自助停車等人工智能領(lǐng)域，“機(jī)器學(xué)習(xí)”的最新進(jìn)展總能吸引大眾的眼球。 所謂機(jī)器學(xué)習(xí)，就是讓計(jì)算機(jī)在數(shù)據(jù)庫中搜索特定模型從而獲得新技能，以及讓自主機(jī)器人對(duì)所處環(huán)境建立行為模型。傳統(tǒng)機(jī)器學(xué)習(xí)方法，需要把訓(xùn)練數(shù)據(jù)集中于某一臺(tái)機(jī)器或是單個(gè)數(shù)據(jù)中心里。 但是，這種建模在集群機(jī)器人協(xié)同工作中變得非常復(fù)雜。這些機(jī)器人可能集體搜集到很完美的、但對(duì)單個(gè)機(jī)器人毫無用處的模型。針對(duì)這一問題，有研究人員進(jìn)行了一個(gè)實(shí)驗(yàn)，在這個(gè)實(shí)驗(yàn)中，研究人員運(yùn)用了分布式運(yùn)算方案，這一方案優(yōu)于目前流行的將數(shù)據(jù)聚合在單個(gè)位置的標(biāo)準(zhǔn)算法。 “單個(gè)計(jì)算機(jī)需要從巨型批處理數(shù)據(jù)庫學(xué)習(xí)建模以處理難題，但在糟糕的處理方案出現(xiàn)時(shí)，它們通常會(huì)卡殼。如果小數(shù)據(jù)塊被單個(gè)計(jì)算機(jī)預(yù)先處理再整合，最后建立的模型則很少出現(xiàn)卡殼現(xiàn)象?！甭槭±砉W(xué)院航空航天專業(yè)畢業(yè)生特雷沃·坎貝爾在與導(dǎo)師喬納森·豪爾·理查德·科克馬克勞林教授共同寫的一篇論文中總結(jié)道。 為解海量決數(shù)據(jù)難題，谷歌等云服務(wù)巨頭還建設(shè)了規(guī)模龐大的云計(jì)算基礎(chǔ)設(shè)施，來對(duì)數(shù)據(jù)進(jìn)行處理?，F(xiàn)在，為利用移動(dòng)設(shè)備上的人機(jī)交互來訓(xùn)練模型，谷歌發(fā)明了一個(gè)新名詞——Federated Learning。谷歌表示，這會(huì)是機(jī)器學(xué)習(xí)的另一大未來發(fā)展方向。 什么是 Federated Learning？它的意思是“聯(lián)合學(xué)習(xí)”，即能使多臺(tái)智能手機(jī)以協(xié)作的形式，學(xué)習(xí)共享的預(yù)測(cè)模型。與此同時(shí)，所有的訓(xùn)練數(shù)據(jù)保存在終端設(shè)備。這意味著在 Federated Learning的方式下，把數(shù)據(jù)保存在云端，不再是搞大規(guī)模機(jī)器學(xué)習(xí)的必要前提。 而同樣的數(shù)據(jù)處理難題也發(fā)生在深度學(xué)習(xí)領(lǐng)域。迄今為止的深度學(xué)習(xí)分析系統(tǒng)，都只能運(yùn)行在單臺(tái)服務(wù)器上；用例僅僅是不能通過添加更多服務(wù)器來擴(kuò)展而已，這背后有些深層次的原因。 不過這一切都成為了歷史。8月8日，IBM宣稱，已找到新的分布式深度學(xué)習(xí)軟件開發(fā)路線，不久之后深度學(xué)習(xí)負(fù)載分布式處理不再是夢(mèng)。同日，IBM發(fā)布了其 Power AI 軟件貝塔版，供認(rèn)知和AI開發(fā)者打造更準(zhǔn)確的AI模型，發(fā)展更好的預(yù)測(cè)。該軟件將有助于縮短AI模型訓(xùn)練時(shí)間，可從數(shù)天乃至數(shù)周，縮短至數(shù)小時(shí)。 隨著分布式機(jī)器學(xué)習(xí)、分布式深度學(xué)習(xí)的發(fā)展，分布式機(jī)器人開始走進(jìn)智能工廠。分布式機(jī)器人控制系統(tǒng)可以減輕負(fù)擔(dān)，提升本地化設(shè)備運(yùn)行效率，未來工廠中分布式機(jī)器人將會(huì)變得更加重要。 分布式機(jī)器人是一項(xiàng)具有挑戰(zhàn)性的工程，從AI的角度來說，工程師必需考慮機(jī)器人之間可以互相作用，機(jī)器人不是單獨(dú)作業(yè)，需要對(duì)周邊環(huán)境的變化作為反應(yīng)。目前分布式機(jī)器人正處于初始階段，或許要經(jīng)歷很長(zhǎng)一段時(shí)間的發(fā)展，但總有一天它會(huì)成為智能工廠乃至智慧城市的重要組成部份。
|
