AI vil generere enorme mengder kunnskap

Goh er opptatt av AI og hvordan datamaskiner samler kunnskap og lærer av den. Problemet han ser, er at vi ikke kan behandle alle dataene sentralt i datasentre. Vi har ikke båndbredde nok til å overføre alt. Denne uka var Goh på ONS-messen i Stavanger for å snakke om AI og mulighetene teknologien tilbyr på alle områder.

Edge øker

– Vi trenger mer edge computing og mer intelligens i nettets ytterkant. Det er her vi må behandle det aller meste av dataene vi samler inn, og det er også her vi må hente ut kunnskapen datastrømmen kan tilby, sier han.

Som eksempel viser han til den internasjonale romstasjonen, hvor HPE har installert en vanlig 1U server for å prosessere data om bord. Det har redusert tiden det tar å overføre dataene alle sensorene produserer om bord og ned til Azure på jorden fra seks timer til 20 minutter.

– Dette er bare ett eksempel på hvordan vi kan effektivisere innsamling av det vi egentlig er ute etter. Det er ikke alltid dataene, men kunnskapen vi kan fremstille av dem. Det er mange måter å organisere hvordan vi kommuniserer læring som oppstår lokalt. For eksempel i borerigger som genererer enorme mengder data, sier han.

Goh har stor tro på å endre måten vi prosesserer data på i dag for å hente ut kunnskap. I dag er det vanlige å gjøre det på hver borerigg. Det i seg selv er en stor beregningsoppgave. Med den vanlige metodikken, som kalles føderert læring (federated learning), sender hver rigg den prosesserte kunnskapen til en sentral enhet som aggregerer den og sender den tilbake til riggene, slik at alle kan bruke den. I stedet gjør HPE det nå distribuert. Det vil si at en av riggene utnevnes til sjef for dataprosesseringen. All kommunikasjonen til den går punkt til punkt og er beskyttet av en blokk-kjede.

– Dette er mye mer effektivt enn å ha en sentral enhet som skal behandle alt.

100 år sikt

Et av de mest langsiktige prosjektene vi har hørt om, er hvordan HPE jobber sammen med Singapore. Bystaten er temmelig varm fra naturens side og vil forhindre at klimaendringene skal gjøre det enda varmere å bo her. Derfor ønsker de å planlegge framtidig vekst slik at lufttemperaturen reduseres med én grad fra den toppen de frykter kommer. Det innebærer at de må bruke AI i byplanleggingen i hundre år framover slik at nåværende og framtidige bygninger leder luften på en annen måte.

– På lang sikt vil dette fungere som en slags naturlig og gratis aircondition og redusere energiforbruket som ellers måtte brukes til kjøling, sier han.

Et annet eksempel på bruk av AI er hvordan de jobber sammen med ABB for å redusere strømforbruk og avfall.

– Vi ser at elektromotorer og andre enheter har et forhøyet energiforbruk når de blir eldre. Det er ikke smart å kjøre dem til de havarerer. Spørsmålet er når det lønner seg å bytte dem ut. Det er umulig for en operatør å besvare det, men ved å se på alle parametere som inngår i slike enormt komplekse beregninger, kan AI fortelle når det er fornuftig å skifte slik utrustning.

Han trekker også fram et eksempel fra København. Her holder et IT-system rede på utløpsdatoen til matvarer i veldig mange varehus. Når datoen nærmer seg, vil systemet sette ned prisen og sørge for at det opplyses i en app. Det er mye mer komplekst å beregne slike prisjusteringer enn det man skulle tro, men systemet fungerer veldig godt og bidrar til langt mindre matsvinn.

– Dette er en vinn-vinn-situasjon hvor både kundene, butikkene og miljøet vinner. Alle supermarkeder burde innføre slik teknologi. Poenget er at de allerede har alle data som trengs, det er bare å ta dem i bruk, sier han.

Svermlæring

Etter som verden blir stadig mer distribuert og hundrevis av milliarder av sensorer og alle slags dingser får prosesseringskraft, vil vi samle mye mer data enn vi har båndbredde til å overføre. Løsningen er det Goh kaller svermlæring ute i periferien av nettet. Da kan alle enhetene i et område samarbeide om å behandle data og skape ny kunnskap de kan lære av alle sammen.

– Dette kan være alt fra temperatursensorer, banker, roboter, droner og veldig mye annet. Poenget er at de ikke skal utveksle data, bare kunnskapen de har samlet i fellesskap. Dette driver vi allerede med i tyske sykehus, hvor kravet til datasikkerhet er veldig høyt. Den samme utviklingen kommer til olje- og gassnæringen som er så viktig i i Norge, sier han.

Språkmodeller

Noe av det som virkelig opptar teknologisjefen, er språkmodeller. Spesielt den som kalles GPT - Generative Pre-trained Transformer.

– Dette er en åpen kildekodemodell som har fått en enorm tilslutning. Mange virksomheter bruker slike modeller og trener dem til sitt eget bruk. De er basert på milliarder av stemmeprøver og begynner å bli veldig avanserte. Omtrent på nivå med elever i videregående skole, sier han.

Utviklingen av naturlig språk er veldig spennende og vil kunne endre måten vi jobber med maskiner på. Svært mange land har samlet inn enorme datamengder språkdata. Når de tas i bruk, vil de danke ut alt vi har i dag. Samtidig mener Goh at vi må utvise forsiktighet. Faren er at de som leverer mest data, vil bli foretrukket i modellen og vil gjøre at den påvirkes til å foretrekke dem. Den kan bli partisk. Det er bare å se på internett i dag. Det er partisk og foretrekker rike og aktive nasjoner fremfor fattige land som legger inn mye mindre informasjon.

Modellene lages ved å ha stemme til tekst og så tekst til selve modellen. Det at ingen store har tatt det i bruk ennå, handler om å få erfaring med hvordan språkmodellene oppfører seg i praksis bruk. De må være nøytrale og ikke partiske.

– Den samme teknologien kan brukes på bilder, og kombinert med AI kan dette bli enormt kraftige verktøy. En modell som ble presentert for et bilde av en dame som holdt over øyene til en mann ble spurt hvorfor hun gjorde det det. Fordi hun ville gi ham en overraskelse, svarte modellen. Det er en ganske avansert konklusjon og viser en betydelig forståelse og evne til å trekke slutninger, sier han.

Lenge igjen til nyttige kvantemaskiner

Goh tror det er lenge vi vil få nytte av kvantemaskiner. Selv om det er mange slike i drift, er det et spørsmål om kvaliteten på de såkalte qbitsene.

– Det hjelper ikke å ha en maskin med tusen qbits hvis 999 må brukes til feilkorrigering. Det er nok minst ti år før vi virkelig får glede av dem, og på den tiden har det skjedd mye også med tradisjonelle prosessorer, sier han.

– En annen ting er at jo mer vi krymper tradisjonelle mikroprosessorer, jo mer påvirker kvantemekaniske prosesser det som foregår. Derfor må vi i mye større grad håndtere dette i årene framover, og de to teknologiene vil kunne flyte sammen i fremtiden.

– Kanskje fra vi krymper dimensjonene på prosessorene med til 1 nanometer linjebredde. Fra da er det veldig vanskelig å krympe videre, men det er ikke umulig. Du kan kjøre flere ganger over waferne med ulike pass, men da blir det dyrt.