优化删除一些基线测量芯片,使比较更加困难。
AI / ML被设计成越来越多的芯片和系统这些天,但预测他们将如何表现一旦他们在这一领域,在最好的情况下,一个好的猜测。
通常,验证、验证和测试系统做过设备进入市场,与越来越多的攷虑数据分析系统可靠性是潜在的使命——或者安全性至关重要。包括汽车、机器人、军事设备、服务器、甚至智能手机和游戏系统。但是情报对性能的影响,权力,并最终芯片行为是一个未知的领域。
半导体、预测可靠性数据分析的组合+重复性没有失败——数学和科学相结合的产物。越多,设计到制造过程是重复同样的积极成果,预测的可靠性越高。就像0.1版本的过程比作1.0版。
AI /毫升系统的问题是,一旦它们释放到野外,不是一切都是可重复的,大大增加了反馈回路的不确定性水平。这些系统的目的是用例的定制。他们能适应环境的变化或不同的用户首选项。与传统的芯片不同,这些设备越来越异构设计具有独特的架构。简单地说,几乎没有历史来衡量可靠性、和使用的数据在这些测量是令人怀疑的。
有几个可能的解决这个问题,其中没有一个是完美的。第一个是花更多的资源测试软件/算法更新将如何影响智能系统。考虑到许多系统将会更新十年或更长时间的延长寿命,oem厂商需要了解系统已经适应他们的环境或不同的用例将受到这些更新的影响。
在过去,供应商将推出一个又一个补丁,有时甚至一周多次,为了解决他们没有预期的交互。但随着人工智能系统,没有单一的基线的更新。这意味着要么补丁将会更好的理解和更仔细地推出,或系统需要部分重置每次下载一个补丁,以确保一切工作按计划进行。
其次,系统的架构需要让任何碎片可以优化自己只能边界内这样做是可以接受的。这意味着系统需要设计不仅实现了最大的性能和效率,但随着精心预设限制。这些限制需要定义良好的,因为系统的系统可能有多个添加剂的行为可以导致不稳定性能不均匀的衰老。在异构系统中,这些变化是几乎不可能的,更不用说占了。
第三,系统将需要定期检查运行,是否包括外部监控和数据或内部和外部传感器的组合。同样重要的是,需要有足够的知识以使确保当问题出现,他们可以快速识别和固定。你不能做一个硬重启逻辑系统在高速公路上一辆汽车,但是你当然可以添加足够的检查系统能够隔离一个潜在的问题,道路安全。
科技行业在发展中做了一个令人印象深刻的工作系统,允许技术接管重要但乏味的功能目前由人完成的。但它也需要了解如何控制这些系统出错时,因为在技术有足够的历史的人都知道,没有永垂不朽的电子系统。
|
|
|
|
|
|
|
|
|
|
留下一个回复