为什么决定论、可伸缩性和虚拟化都是AI验证的关键。
你不能扭转这些天没有看到引用人工智能,甚至作为一个消费者。人工智能、人工智能热是由于发展的新的机器学习(ML)技术。通常认为的关键市场电子产品供应商之一,但它不是一个真正的市场:这是一个技术。它静静地-并不是悄无声息地进入许多许多市场。这些市场包括安全性至关重要的用途,这意味着生命和肢体可以依赖它是如何工作的。
人工智能是非常重要的,但它与许多其他重要技术的不同之处在于它是如何验证。
三个关键需求
AI /毫升验证带来了三个关键需求:决定论,可伸缩性和虚拟化。这些硬件仿真需求来说并不是什么新鲜事,但许多其他技术只需要三分之二的人。人工智能是需要三个的完美风暴。
毫升涉及建立一个模型,这一过程被称为“训练阶段”——至少在其监督的版本。模型是实现在云中的一个设备或推论,在训练模型是在应用程序中使用。
图1:应用人工智能/毫升的设计
培训是非常敏感的。从一组庞大的训练示例,您将获得一个模型。改变训练样本的顺序,甚至一个,,你会得到一个不同的模型。不同的模型可能会工作的很好——这是一个关于毫升;有许多正确的解决方案。每个可能到达同样的答案,但道路会有不同。人工智能训练技巧包括的方法确保你的模型并不是偏向一个训练集,但是技术都涉及一组可重复的步骤和模式一致的结果。因为你无法验证一个在不断变化的模型。
同样,在验证,测试输入模式必须从运行运行保持一致。例如,如果你想采取随机互联网数据从网络使用软件模拟(ICE)技术用于测试的人工智能模型在网络应用程序中,你永远不会完全收敛在设计迭代,既然你不能运行运行的结果进行比较。
这个驱动器决定论的必要性。
人工智能模型本身涉及大量的小计算,通常上执行一个数组的大小计算引擎。他们的数据需求不同于许多其他应用程序,改变构建存储和访问的方式。和计算可以做在一个集群中对于一个给定的模型,但是应用程序可能有很多这样的模型,导致整体分散的设计。
在开发期间,模型能大得多,因为它们生长的全面优化和训练输入,他们可能会看到。这意味着,在一个给定的项目——特别是当过去的项目是建立在一个新项目,验证平台必须增长或缩小以适应各种所需资源在项目的生命周期,同时最小化任何影响性能。
这个驱动器可伸缩性的必要性。
最后,人工智能算法都是新的;没有遗留。这意味着,即使你想用冰,很少有实际数据的来源从年长的设计实现,可以用来验证一个新的实现。这是所有的新东西。因此,我们必须建立一个虚拟验证环境。
即使我们可以使用冰,虚拟环境仍然是可取的。在调试过程中,例如,你不能阻止一个冰源的时钟。你可能不再看数据,但是没有你源不断移动。相比之下,一个虚拟化数据源是虚拟的在所有方面,包括时钟。所以你可以停止设计临界点,探针周围看到发生了什么,然后继续从相同的位置。这有助于我们已经看到我们需要的决定论。
所以这驱动器需要虚拟化。
仿真的特点
这三个要求——决定论、可伸缩性和虚拟化与快速的模拟器——完全一致的三个关键支柱。
验证在快速的模拟器可以完全确定的。是否测试硬件或软件,您可以重复一遍又一遍,探测硬件和单步执行代码,直到你的设计的方方面面的行为已被检出。
快速的模拟器是可伸缩的盖茨从4000万年到150亿年。不管你的设计和模型的规模和复杂性,该平台是一个“正确的”资源核查。随着你的设计用量的增加,你的仿真平台可以扩展容量没有性能妥协,以确保你可以如期完成验证。
全套设计验证所需的信息在模拟器可以虚拟化。是否利用的许多ready-built验证块或设计你自己的,你有完整的可见性和完全自由控制的执行验证套件。这包括调试问题和重要的系统行为参数的精确测量。
图2:虚拟化使AI /毫升框架下的性能基准测试运行
总之
人工智能和ML迫使我们以新的方式思考设计和验证。仿真,已经为许多重要市场,人工智能的移动,将是一个更重要的工具在确保AI-enabled项目得到验证他们极度需要的时间让你的市场。
|
|
|
|
|
|
|
|
|
|
留下一个回复