СТА 2/2019

интересных и перспективных примене- ний устройств акселерации вычисле- ний – о системах искусственного ин- теллекта (ИИ), этого мостика в буду- щее, с которым многие связывают оче- редную технологическую революцию. Н ЕЙРОННЫЕ ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ Все перечисленные свойства и воз- можности ускорителей Mustang позво- ляют с успехом использовать их в при- ложениях на основе искусственного ин- теллекта. ИИ, в свою очередь, приме- ним практически в любых приложе- ниях, где востребованы компьютеры. Развитием первых систем ИИ являют- ся системы машинного обучения, дей- ствующие на основе наборов правил и инструкций. Дальнейшая эволюция по- родила системы ИИ глубокого обуче- ния на базе нейронных алгоритмов. Внастоящее время именно они особенно эффективны при решении задач класси- фикации и распознавания образов. В двух словах разницу между «про- стым» машинным (Machine Learning – ML) и глубоким (Deep Learning – DL) обучением можно охарактеризовать так: при традиционном подходе за обучение машины отвечает человек, задающий компьютеру правила игрыи проводящий в соответствии с ними обучение маши- ны, при глубоком обучении машина спо- собна сама генерировать правила и соз- давать по ним модели оптимального по- ведения. Примеры классического (ML) ИИ: компьютерное зрение (распознава- ние лиц, рукописного текста, шаблонов). Примеры ИИ с глубоким обучением (DL): распознавание речи, машинный перевод, классификация изображений. Системы ML хорошо подходят для применений с анализом типовых си- стем высокой плотности, например, механических изделий на конвейере (рис. 8). DL имеет преимущества при большой вариативности исследуемых образов, например, при анализе каче- ства пищевых продуктов, распознава- нии лиц в потоке, при медицинской ди- агностике (рис. 9). Несмотря на значи- тельно более высокую сложность реа- лизации и ресурсоёмкость, по мере ро- ста производительности вычислитель- ных устройств именно DL-системы ста- новятся фаворитами. Одной из перспективнейших алго- ритмических технологий для распозна- вания и классификации изображений считается технология свёрточной ней- ронной сети (convolutional neural net- work, CNN), рис. 10. Поэтому CNN се- годня рассматривается как неотъемле- мая часть технологий глубокого обуче- ния. Её принципы были сформулирова- ны еще в 1988 году французским учё- ным Яном Лекуном. Не вдаваясь в сложности матричных вычислений, суть работы свёрточной нейронной сети ОБ ЗОР / В С Т РАИВ А ЕМЫЕ СИС Т ЕМЫ СТА 2/2019 20 www.cta.ru 7-сегментный индикатор (ID карты, отладочные коды) Вентилятор ЦПУ Питание PCIe Переключатель выбора карты Двойной отладочный разъём USB 2.0 Двойной отладочный разъём USB 2.0 Отладочный коннектор Micro HDMI Рис. 6. Расположение коннекторов Mustang-200 с лицевой стороны Рис. 7. Расположение коннекторов Mustang-200 с тыльной стороны 1 1 2 2 3 3 4 4 Условные обозначения: 1...4 – точки, по которым производится идентификация образа. Рис. 8. Контроль изделий на конвейере ( а и б – деталь на конвейере в различных положениях) Рис. 9. Распознавание лиц в потоке Искусственный интеллект Машинное обучение Глубокое обучение Алгоритмы свёрточной нейронной cети и т.п. Рис. 10. Эволюция искусственного интеллекта а б