25.03.2019
Automatische Bilderkennung
MIT will Künstliche Intelligenz demokratisieren
Autor: Alexandra Lindner
Sergey Tarasov / shutterstock.com
Das MIT hat eine Methode entwickelt, die Erstellung von neuronaler Netze weniger rechenintensiv, schneller und kostengünstiger zu gestalten. Damit soll die KI demokratischer und zugänglicher gemacht werden.
Forscher des MIT (Massachusetts Institute of Technology) haben eine neue Methode entwickelt, die Berechnung mithilfe von neuronale Netzen nicht nur effizienter, sondern auch um ein Vielfaches schneller zu gestalten. Die Experten hoffen, die Entwicklung von maschinellen Lernsystemen damit einerseits kostensparender zu gestalten und andererseits auch den Zugang zu dieser Technologie für eine breitere Masse zu öffnen.
Als Vergleichsbeispiel ziehen die Forscher Google heran. Der Suchmaschinenprimus benötige für die Erstellung eines einzigen konvoluten neuronalen Netzes zur Bildklassifizierung etwa 48.000 GPU-Stunden. Die neue Methode des MIT hingegen könne diese Zeit auf gerade einmal 200 GPU-Stunden verkürzen.
Erreicht wird dies durch die Löschung nicht benötigter Komponenten, so die Forscher. Dazu kommen einige Filter in Form von anpassbaren Parametern zum Einsatz. Jeder dieser Filter verarbeitet Bildpixel in einem Rasternetz. Prinzipiell fassen die Filter mehrere Pixel systematisch zusammen und komprimieren das Bild auf diese Weise.
Path-Level-Binarisierung
Daneben verwenden die Forscher ein System, welches sie "Path-Level-Binarisierung" nennen. Normalerweise speichert ein neuronales Netzwerk alle Pfadmöglichkeiten vollständig ab. Dazu wird allerdings sehr viel Speicherkapazität benötigt. Beim Vorgehen der MITler wird allerdings nur einer der abgetasteten Pfade gespeichert. Durch mehrfache Kombination und Analyse aller ursprünglich erstellten Pfade ermittelt der Algorithmus schlussendlich denjenigen, der die höchsten Wahrscheinlichkeit aufweist. Alle anderen werden entfernt. Mit diesem Vorgang würden keine Neuronen verworfen, der "beschnittene" Pfad hingegen verändere das gesamte Netzwerk vollständig, so die Forscher. Dennoch werde durch diese Methode weder die Genauigkeit beeinträchtigt, noch gingen Daten verloren.
Durch die enorme Einsparung an Kosten und Zeit sollen nicht nur großen Unternehmen wie Google, IBM und Co. in der Lage sein, KI-Modelle zu trainieren, sondern auch kleine Firmen und Entwickler, denen ansonsten die finanziellen Mittel dafür fehlen.
Smartphone
Pixel 8a - Google erneuert seine Mittelklasse
Mit dem Pixel 8a bringt Google etwas unvermittelt ein neues Smartphone auf den umkämpften Markt, das vor allem durch seine KI-Funktionen überzeugen soll.
>>
Wavehouse Campbell
Das Rechenzentrum aus dem 3D-Drucker
Ein Gebäude aus dem 3D-Drucker? Das ist inzwischen gar nicht mehr so ungewöhnlich. In Heidelberg ist allerdings ein ganzes Rechenzentrum auf diese Art gewachsen, derzeit das größte im 3D-Druck entstandene Gebäude in Europa.
>>
Web Scraping mit KI
Scrapegraph-ai - per Prompt ausgewählte Inhalte einer Website laden
Mittels Web Scraping lassen sich Daten von Websites laden. Das Problem dabei: Die Daten sind in einem Berg von HTML vergraben. Eine Python-Bibliothek hilft die Spreu vom Weizen zu trennen - mit Hilfe von Künstlicher Intelligenz.
>>
Motor der Digitalisierung
Virtuelle Doppelgänger
Digitale Zwillinge optimieren Prozesse, minimieren Ausfallzeiten und reduzieren Kosten. Es ist aber nicht trivial, sie in der Praxis aufzubauen.
>>