L'intelligenza artificiale e il machine learning (AI/ML) sono tecnologie entusiasmanti che fanno enormi promesse, ma stiamo raggiungendo collettivamente il limite delle nostre capacità per raggiungerle. Nel complesso, i nostri obiettivi di AI e le nostre ambizioni di ML si stanno rapidamente avvicinando ai limiti di ciò che è effettivamente possibile. Se ci sarà un futuro nell'AI e nell'ML, le unità di elaborazione neurale (NPU) sono la chiave.
Per le organizzazioni che prendono sul serio i workload di AI su vasta scala, capire cos'è una NPU, come funziona e di cosa è in grado di offrire ti aiuterà a prendere la decisione giusta su come creare le pipeline. La giusta soluzione di storage sarà fondamentale perché la maggior parte non riesce a tenere il passo con la velocità fornita dalle NPU.
Che cos'è un'unità di elaborazione neurale?
Un'unità di elaborazione neurale è un componente hardware specializzato progettato con l'obiettivo di accelerare i calcoli della rete neurale. Grazie al loro design, le NPU migliorano drasticamente la velocità e l'efficienza dei sistemi AI.
Non confondere le NPU con un aggiornamento di una tecnologia familiare: Le NPU rappresentano un enorme passo avanti per l'elaborazione AI/ML. Ottimizzate per l'esecuzione degli algoritmi che rendono possibile l'AI e l'ML, le NPU sono particolarmente efficienti in attività come il riconoscimento delle immagini e l'elaborazione del linguaggio naturale, che richiedono un'elaborazione rapida di enormi quantità di dati multimediali.
Le NPU non sono necessariamente in concorrenza con le loro controparti, CPU (central processing unit) e GPU (graphics processing unit) più riconoscibili. Le NPU sono invece complementari a loro e ai loro ruoli.
Le CPU, anche quelle migliori, sono ancora solo motori di calcolo generici. Le CPU sono in grado di gestire un'ampia gamma di attività, ma non dispongono di un'ottimizzazione specializzata per una serie di attività. Le GPU, invece, sono specializzate per l'elaborazione parallela e sono particolarmente adatte a calcoli complessi nella grafica. Grazie al digital currency mining, le GPU hanno sviluppato una reputazione per l'elaborazione dei workload di machine learning, ma hanno bisogno di circuiti speciali per essere particolarmente efficaci in tali attività.
Come funziona un'unità di elaborazione neurale?
Le NPU sono progettate appositamente per elaborare algoritmi di machine learning. Mentre le GPU sono molto brave nell'elaborazione dei dati paralleli, le NPU sono progettate appositamente per i calcoli necessari per eseguire reti neurali responsabili dei processi AI/ML.
Gli algoritmi di machine learning sono la base e l'impalcatura su cui si basano le applicazioni di AI. Poiché le reti neurali e i calcoli di machine learning sono diventati sempre più complessi, è emersa la necessità di una soluzione personalizzata.
Le NPU accelerano gli algoritmi di deep learning eseguendo in modo nativo molte delle operazioni specifiche di cui le reti neurali hanno bisogno. Invece di creare il framework per l'esecuzione di queste operazioni o di ambienti che consentono questi calcoli avanzati, le NPU sono realizzate su misura per eseguire le operazioni AI/ML in modo efficiente.
Le NPU e la loro funzionalità integrata per il calcolo a performance elevate hanno un impatto drastico sulle performance dell'AI. Le moltiplicazioni e le convoluzioni delle matrici sono attività specializzate su cui i processi di AI dipendono e in cui le NPU eccellono. Il riconoscimento delle immagini e l'elaborazione del linguaggio sono le aree in cui le NPU stanno attualmente trasformando il settore, con tempi di inferenza più brevi e consumi energetici inferiori, che possono influire sui profitti di un'organizzazione.
Applicazioni delle unità di elaborazione neurale
L'applicazione delle unità di elaborazione neurale si estende a qualsiasi settore o campo che richieda un'elaborazione rapida, efficiente e scalabile dei workload AI/ML. Le NPU vengono distribuite nell'elaborazione del linguaggio naturale per l'analisi del sentiment, la traduzione del linguaggio, la sintesi del testo e i chatbot. Se utilizzate nella sicurezza informatica, le NPU elaborano enormi quantità di dati e consentono il rilevamento di minacce, anomalie e intrusioni. Le NPU sono notevolmente migliori nell'analisi dei dati visivi e vengono utilizzate nei veicoli autonomi e nella sanità, due campi che richiedono un'analisi rapida delle immagini.
Le NPU a livello mondiale sono ancora ampiamente inesplorate. A livello di consumatore, le NPU (che sono già ampiamente integrate negli smartphone e nella SoC) sfocano gli sfondi nelle videochiamate e generano immagini AI al volo. Ma la vera portata di ciò che le NPU sono in grado di fare non è ancora stata rivelata.
Vantaggi e limiti delle unità di elaborazione neurale
Le NPU offrono velocità di inferenza più elevate e accelerano le attività di inferenza nei modelli di deep learning. Quando i calcoli della rete neurale vengono scaricati su NPU, la latenza viene ridotta e l'esperienza utente può essere migliorata. Le NPU sono sempre più distribuite nei dispositivi edge e IoT grazie alla loro maggiore efficienza energetica rispetto alle loro controparti GPU e CPU.
Ma le NPU hanno un lato negativo: Possono essere troppo veloci. I sistemi di data storage costituiti da data lake e data warehouse sono stati sviluppati in risposta ai rigidi limiti fisici delle velocità di elaborazione dei dati. La velocità delle NPU può sovraccaricare i sistemi di storage tradizionali.
Per essere utilizzate correttamente su vasta scala, le NPU hanno bisogno di una soluzione di storage olistica che sia abbastanza veloce da tenere il passo. A livello enterprise, lo storage deve essere progettato appositamente per l'AI. Ad esempio, Pure Storage ® FlashBlade//S™, che è progettato per essere un'architettura a trasmissione, condivisa e scale-out in grado di gestire pipeline AI/ML su larga scala.
C'è anche un'AI-Ready Infrastructure. Progettato per trasformare il potenziale svantaggio delle velocità di rilascio delle NPU in una risorsa, AIRI ® è una soluzione full-stack che semplifica il deployment dell'AI e si scala in modo rapido ed efficiente.
Unità di elaborazione neurale e unità di elaborazione grafica
Come accennato in precedenza, NPU e GPU differiscono in modo significativo per architettura, performance e applicazioni. Le NPU e le GPU sono componenti hardware diversi, ciascuno ottimizzato per ciò che funziona meglio: NPU per le attività AI/ML e GPU per il rendering grafico.
Poiché le NPU sono hardware specializzato progettato specificamente per accelerare i calcoli delle reti neurali, la loro architettura è personalizzata per le attività di deep learning. Le GPU, invece, devono essere riutilizzate per le attività di deep learning e sono molto più forti nel rendering grafico. Le GPU hanno un'architettura generalizzata con migliaia di core. Le NPU hanno una progettazione più semplificata con hardware dedicato per attività come la moltiplicazione delle matrici e le convoluzioni.
Le NPU tendono a superare le GPU nelle attività di inferenza in tempo reale nei dispositivi edge, dove la bassa latenza e l'efficienza energetica sono fondamentali. Le NPU sono preferibili anche per le applicazioni che richiedono l'elaborazione dell'AI on-device, ad esempio per i veicoli autonomi e i dispositivi IoT. E le NPU hanno superato le GPU per la velocità dei workload AI in ambienti con risorse limitate.
Conclusione
In qualsiasi progetto, c'è un compromesso costante tra l'avere lo strumento giusto per ogni parte del lavoro e la semplicità di avere uno strumento generalizzato. Questo compromesso è il motivo per cui, ad esempio, i falegnameri amatoriali non investono in una motosega circolare, una motosega, una motosega, una motosega a nastro, una motosega e una motosega fino a quando non ne hanno bisogno per il progetto su cui stanno lavorando. Allo stesso modo, il mondo AI/ML stava andando bene con le GPU fino a poco tempo fa.
Le unità di elaborazione neurale sono potenti strumenti personalizzati per l'intelligenza artificiale e gli algoritmi di machine learning. Le NPU potrebbero rivoluzionare molto bene il volto dei workload AI/ML. E ha senso che un numero sempre maggiore di reti e aziende stia investendo in loro: L'AI e l'ML sono pronti a ridefinire la nostra cultura, le nostre tecnologie e persino la nostra arte.
Sfruttare tutta la potenza e l'efficienza delle NPU su vasta scala richiede di ridefinire il concetto di storage. Ma non si tratta solo di ridefinire il concetto di AI/ML, ma anche di reinventare le reti di storage, ibride o cloud per essere sicuri che, mentre le NPU eseguono il pull-in e l'elaborazione rapida di enormi quantità di dati, tu abbia una soluzione di storage in grado di tenere il passo.
