AR グラスは機械学習のキラーアプリか?

[[286412]]

Facebook AI Researchの主任AI科学者であるヤン・ルカン氏は、AR（拡張現実）グラスは機械学習の専門家にとって理想的な挑戦となることが期待されており、複数の未解決の問題を抱えているため、キラーアプリケーションになると考えている。

完璧な AR グラスには、会話型 AI、コンピューター ビジョン、その他の複雑なシステムを組み合わせて、グラスと同じくらい小型で簡単に操作できるものが必要です。低電力 AI は不可欠であり、これにより適切なバッテリー寿命が確保され、ユーザーはより長い時間メガネを着用して使用できるようになります。

フェイスブックは今秋、アップル、ナイアンティック、クアルコムなどの企業に加わり、2025年までに拡張現実メガネを開発する計画を発表した。

「これはハードウェアにとって大きな課題です。なぜなら、カメラ付きのメガネで、さまざまな遅延でリアルタイムに視覚を追跡する可能性があるため、動き回ると大量の計算が必要になります。アシスタントが常にあなたの話を聞き、話しかけることができるように、音声でアシスタントと対話できるようにする必要があります。アシスタントがリアルタイムで手の追跡を行えるように、ジェスチャー（認識）が必要です」と彼は語った。

リアルタイムのハンドトラッキングはすでに機能しているが、「ARグラスと互換性のある小型フォームファクターと消費電力レベルでそれを実現する方法がまだわかっていない」とルカン氏は語った。

「より大型のモデルの場合、消費電力、性能、フォームファクターは現在の私たちの能力を超えているため、これまで考えられなかった手法を使う必要があり、ニューラルネットワークはその1つです」と彼は語った。

効率性を高める

LeCun 氏は今月、世界最大の機械学習研究会議 NeurIPS の「EMC2 エネルギー効率の高い機械学習」に関するワークショップで講演しました。彼は、ハードウェアの制限が研究者の想像力をいかに制限するかについて語り、ハードウェアが遅すぎたり、ソフトウェアがすぐに入手できなかったり、実験を再現するのが難しかったりすると、良いアイデアが放棄されてしまうことがあると述べた。

彼はまた、課題を伴い、新しいハードウェアが必要になる可能性のある、差分連想記憶や畳み込みニューラル ネットワークなどの特定のディープラーニング手法についても触れました。差分連想メモリ (ソフト RAM) は、現在自然言語処理 (NLP) で広く使用されている計算手法であり、コンピューター ビジョン アプリケーションでもますます一般的になりつつあります。

「ディープラーニングと機械学習のアーキテクチャは、今後数年間で大きく変化するでしょう。すでにその多くを目にすることができます。現在、NLP に関しては、基本的にトランスフォーマー ネットワークが唯一の選択肢です」と彼は言いました。

さらに、より効率的なバッチ処理や自己教師あり学習技術は、AIが人間や動物のように学習するのを助け、AIのエネルギー効率を高めることにも役立つ可能性があると付け加えた。

LeCun 氏の講演の後、MIT の電気工学およびコンピューターサイエンスの准教授である Vivienne Sze 氏が、ディープ ニューラル ネットワークを評価するための体系的なアプローチの必要性について講演しました。 SlidesLive は、今週初めに行われた Sze 氏の効率的なディープ ニューラル ネットワークに関する講演が NeurIPS で最も視聴されたビデオの 1 つとなり、かなりの数の視聴回数を獲得したと報告しました。

「メモリが大きく、遠くにあるほど、より多くの電力を消費する傾向がある」とスゼ氏は述べ、「すべての重みは等しいわけではない」と指摘した。スゼ氏はまた、ハードウェアのエネルギー消費量を推定できる MIT で開発されたフレームワーク、Accelergy のデモも行った。

講演に加えて、ワークショップのポスターセッションでは、注目すべき低電力 AI ソリューションも紹介されました。これらには、Hugging Face チームがエッジ デバイスへの迅速な展開のために特別に構築した、Google の BERT (Bidirectional Encoder Representations from Transformers) の軽量版である DistilBERT や、SRI International と Latent AI によるディープ ニューラル ネットワークの定量的比較が含まれます。

多くの著名人が、機械学習コミュニティに気候変動への取り組みを呼びかけ、そうした関心がイノベーションを促進できると述べている。先週のNeurIPSでのパネルディスカッションで、ディープラーニングのもう一人の先駆者であるヨシュア・ベンジオ氏は、研究者に対し、気候変動に影響を与える機械学習をより真剣に受け止め、論文の数を減らすよう呼びかけた。

Google AI部門の責任者ジェフ・ディーン氏は、ベンチャービートとのインタビューで、より効率的なハードウェアの使用を促進するために「ワットあたりの計算基準」を作成するという考えを支持すると述べた。

エネルギーを節約し、地球を守る

NeurIPS でのディープラーニング アルゴリズムの解釈に関する理論的な研究に加えて、会議では「エネルギー使用量の報告: アルゴリズムの説明責任における環境認識」という論文など、AI の気候変動への貢献を考慮することの重要性を強調する多くの研究が行われました。

「コンピューター科学者が環境の持続可能性において誠実かつ積極的な役割を果たせるよう、アルゴリズムの二酸化炭素排出量は測定され、透明性をもって報告されなければならない」と論文には書かれている。

この主張に沿って、会議の主催者は以前、2020年にNeurIPSに研究を提出するAI研究者は、検討のために提出する研究の二酸化炭素排出量を共有することが求められる可能性があることを示唆していました。

米国の研究機関AIナウ研究所が最近発表した2019年の報告書には、より公正な社会につながる可能性があるとする12の提言の中に、アルゴリズムの二酸化炭素排出量の測定が含まれていた。

その他の省エネ AI に関するニュースとしては、Element AI と Mila Quebec AI Institute の機械学習の専門家が先週、GPU を使用して AI モデルをトレーニングし、二酸化炭素排出量を計算して、使用時間やクラウドの地域などの要素に基づいてエネルギー使用量を予測する新しいツールを発表しました。

より効率的な機械学習への移行は、地球を変えるようなイノベーションにつながる可能性があります。しかし、大きなアイデアや課題には焦点が必要です。理論は実用的であり、実際の具体的な問題に対処する必要があります。 LeCun 氏は、AR グラスは機械学習の実践者にとって理想的な使用例になる可能性があると考えています。

この記事はLeiphone.comから転載したものです。転載する場合は、Leiphone.com公式サイトにアクセスして許可を申請してください。