Yapay Zekaya Özel Üretilen İşlemciler Gerçekte Ne İş Yaparlar?

14
6
2
2
1
Son zamanlarda revaçta olan 'cihaz üzeri makine öğrenimi' işlemini gerçekleştirmeyi hedefleyen yapay zekaya özel işlemci tasarımları, aynı zamanda güç kullanımını da minimize ederek, batarya ömrünü uzatmayı hedefliyor. Yeni mimarilerin yapısını ve gerçek hayatta ne oranda işe yarar olduklarını görmeye çalışıyoruz.

Teknolojinin en büyük oyuncularının kucakladığı bir devrim, yapay zeka devrimi. Apple, Qualcomm ve Huawei’nin her biri, birbirinden kısmen farklı yaklaşımlara sahip, makine öğreniminin beraberinde getirdiği işlemleri yerine getirecek mimarilerle donattılar mobil çipsetlerini. Huawei bu yılki IFA’da ‘Kirin 970’ adını verdiği çip setini tanıtırken, sadece nöral işlem yapmak için ayrılmış ilk çip seti olduğu konusuna vurgu yapmıştı. Daha sonra Apple ‘A11 Bionic Chip’ adını verdiği çip setini duyurdu. A11 Bionic çipi, diğer fonksiyonlarının yanında, ‘makine öğrenimine özel’ işlemleri yerine getirecek bir nöral motor barındırıyor bünyesinde.

Qualcomm ise geçtiğimiz hafta Snapdragon 845 adını verdiği, yapay zekayla ilişkili işlemleri olası en uygun birimlere ileten işlemcisini duyurdu. Her üç firmanın yaklaşımı arasında çok büyük farklar bulunmuyor. Her bir firmanın geliştiricilere sunduğu erişim seviyesi ve her bir düzeneğin harcadığı güç faktörleri etrafında şekilleniyor tüm bu mimariler.

Peki yapay zeka çipinin, mevcut işlemcilerden çok büyük farkları var mıdır? İsterseniz bu sorunun cevabını arayalım.

Son zamanlarda yapay zekaya atfen sektörde yaygın olarak kullanılan bir tabir var: “Heterojen işlemci”. Performansı arttırmak ya da enerji tüketiminden tasarruf etmek üzere her biri kendine has işlevlere sahip çoklu işlemci biçimine verilen sistemleri ifade ediyor bu tabir. Aslında bu düşünce, yeni değil. Çok sayıda çip seti bu düşünceyi kullanıyor halihazırda. Sorgulamakta olduğumuz yeni üç işlemci tipinin tek farkı, bu kavramı farklı derecelerde uygulamaya aktarıyor olması.

Son üç yıl kadar bir süredir akıllı telefon işlemcileri olarak kullanılanlar, ARM’in nispeten yavaş eşleşen big.LITTLE mimarisinden, enerji tasarrufu sağlayan çekirdeklerden ve güç sarfiyatını beraberinde getiren modellerden müteşekkildi. Amaç, batarya ömrünü olabildiğince uzatmak için mümkün olduğunca az enerji harcamaktı. Bu tip bir mimariye sahip ilk telefonlardan biri, firmanın kendi yapımı olan Exynos 5 çipini barındıran Samsung Galaxy S4 modeliydi. Huawei’nin Mate 8 ve Honor 6 modellerini de bu örnekler arasında sayabiliriz.

Bu yılın ‘Yapay zeka çipleri’ ise, özellikle makine öğrenimini ilgilendiren işleri yerine getirecek bir bileşenle, ya da Snapdragon 845 örneğinde olduğu üzere diğer düşük güçte çalışan çekirdekleri istihdam etmek suretiyle bu konsepti bir adım daha öteye taşıyorlar. Snapdragon 845 dijital sinyal işleyicisi, örneğin özel bir kelimeyi dinlemek için gereken tekrarlı matematiksel işlemlerden oluşan uzun süreli görevleri yerine getirebiliyor. GPU’nun yönettiği resim algılama gibi eylemler de bu teknolojiyle daha iyi yerine getirilebiliyor.

Diğer yandan Apple’ın A11 Bionic çipi, Face ID, Animoji ve bazı üçüncü taraf uygulamaları hızlandırmak için işlemci içerisinde nöral motor kullanıyor. Bunun anlamı şu: iPhone X telefonunuzda bu işlemleri açacak olursanız, A11, kim olduğunuzun doğrulanması ya da yüz ifadenizin bir animojiye uyarlanması için gerekli işlemlerin yerine getirilmesini sağlamak amacıyla nöral motora başvuruyor.

Kirin 970’te ise nöral işleme birimi, tarama ve resimlerde yer alan kelimeleri Microsoft’un ‘Translator’ aracı ile tercüme etme gibi görevleri ele alıyor. Bu arada şunu da belirtelim; Microsoft’un Translator aracı, şimdiye değin işlemci için uyarlanan tek üçüncü taraf uygulama. Huawei ‘HiAI’ adını verdiği hetorojen işlemci yapıcısının, çip set üzerindeki bileşenlerin büyük bölümünün performansını, maksimum seviyeyelere çektiğini söylemişti.

Farklılıkları bir kenara koyacak olursak, söz konusu yeni mimarinin, daha önce bulut sunucu üzerinde yapılan makine öğrenimi hesaplamalarının, artık cihaz üzerinde daha etkin şekilde yerine getirilebileceği anlamına geldiğini söyleyebiliriz. Yapay zeka ile ilgili işlemleri çalıştırmak için işlemci haricinde diğer bileşenleri de kullanarak telefonunuz aynı anda daha fazla işi, daha az gecikme süresi ile yerine getirebilecek.

Ek olarak bu işlemlerin telefon üzerinde çalışmaları, aynı zamanda kişisel gizliliğin korunması noktasında da olumlu bir adım olarak karşımıza çıkıyor.

Yapay zeka çiplerinin diğer önemli getirilerinden bir diğeri ise, enerji tasarrufuna yönelik. Enerji, gün içerisinde tekrarlı olarak kullanma durumu nedeniyle makul şekilde bölümlendirilmesi gereken, değerli bir kaynak. İşlemci, olabildiğince güç harcamaya meyillidir. Bu nedenle, eğer benzer neticeleri daha etkin bir enerji kullanımıyla yapabilecek bir şeyse söz konusu olan, tercih edilmesi doğal olacaktır.

Açık olmak gerekirse, belirli işlerin yerine getirilmesinde hangi çekirdeklerin kullanılacağına dair kararı, çip setin kendisi vermiyor. Qualcomm’un ürün müdürü Gary Brotman bu konuyla ilgili olarak “Günümüzde bu durum, geliştirici ya da parça üreticilerinin bu işi nerede çalıştırmak istediklerine bağlı” diyor.  Programcılar Google’ın TensorFlow (ya da daha özel olarak bu programın Lite adlı mobil versiyonu) gibi destek veren kitaplıkları kullanarak, modellerini hangi çekirdekler üzerinde çalıştıracaklarını belirleyebiliyorlar. Qualcomm, Huawei ve Apple’ın üçü de, TensorFlow Lite ve Facebook’un Caffee2’si gibi en beğenilen seçeneklerle çalışıyorlar. Qualcomm aynı zamanda daha yeni bir sistem olan ‘Open Neural Networks Exchange (ONNX)’i de destekliyor. Apple ise kendi yapımı olan ‘Core ML framework’ üzerinden daha fazla makine öğrenimi modeli için uyumluluk sağlıyor.

Bu çiplerin hiç biri bugüne kadar pratikte önemli bir fayda sağlamadılar. Çip üreticileri kendi test sonuçlarını ve kriterleri duyuracaklardır duyurmasına ama, yapay zeka işlemcileri günlük hayatımızın daha önemli bir parçası haline gelene kadar anlam ifade etmeyecek bu duyurular. Cihaz üzeri makine öğreniminin entegrasyonu işleminin henüz başlangıç aşamalarındayız. Yeni donanımdan faydalanabilen geliştirici sayısı ise oldukça az.

Fakat şu an için şurası açık ki bu yarış, makine öğrenimiyle ilişkili işlemlerin cihaz üzerinde daha hızlı ve enerji açısından daha verimli olarak yerine getirilmesini sağlamaya dönük olacak. Bu gidişatın gerçek hayat üzerindeki yansımalarını görmemiz için, bir süre daha beklememiz gerekecek.

Kaynak : https://www.engadget.com/2017/12/15/ai-processor-cpu-explainer-bionic-neural-npu/
14
6
2
2
1
Emoji İle Tepki Ver
14
6
2
2
1