P:
Per què són importants les unitats de processament gràfics (GPU) per a l'aprenentatge profund?
R:L’ús d’unitats de processament gràfics (GPU) té una importància especial per al camp de l’aprenentatge profund. La raó té a veure amb la configuració dels sistemes d'aprenentatge profund i el que pretenen fer.
Els experts defineixen l’aprenentatge profund com un tipus d’aprenentatge automàtic en què els algoritmes utilitzen múltiples capes per a l’anàlisi progressiu de dades.
Alguns citen exemples particulars, com ara xarxes neuronals convolucionals (CNNs) amb les seves diverses capes que impliquen una reunió màxima, un filtratge, un rellotge, un pas i altres tasques.
En un sentit més ampli, coses com el processament d’imatges i el processament del llenguatge natural es basen en procediments multi-passos i multi-algoritmes, molts dels quals s’assemblen a les xarxes neuronals que els professionals de l’aprenentatge automàtic aprenen a identificar i analitzar.
Com hem apuntat en un article anterior, les GPU es valoren generalment en l'aprenentatge de màquines, per la seva capacitat de processament paral·lel. A mesura que avançava l’aprenentatge automàtic, el món del maquinari també avançava des de la idea d’un nucli fort de CPU individual fins a diverses unitats amb processament paral·lel que pot manejar de forma més adequada grans quantitats de treball computacional ràpidament.
Amb sistemes d'aprenentatge profund que abasten models generatius d'alt nivell, com ara xarxes de creença profunda, màquines Boltzmann i sistemes d'estat eco, hi ha una necessitat específica de processament paral·lel i disseny de nuclis especialitzats. Podríeu dir que l’ús de GPU és una mica semblant a l’ús de les màquines RISC avançades en alguns altres tipus de processament: la personalització de xips per a un ús determinat té molt sentit.
A més de la utilitat de les GPU per a l'aprenentatge profund, també veieu que els mateixos tipus de processadors es popularitzen en moviments cap a un canvi fonamental en l'estructura informàtica coneguda com a computació quàntica.
Un cop més, és la complexitat i l'ordenació de nivell superior de la potència informàtica el que requereix la capacitat de processament paral·lela. En informàtica quàntica, els bits tradicionals són substituïts per qubits, que poden tenir un valor d'1, 0 o una combinació no especificada. Aquest tipus de “bit de Schroedinger” és la base d’un model informàtic que pot convertir el món de les TI al capdavant.
Per a aquells amb interès en les tecnologies emergents, serà clau veure l’ús de les GPU i els seus successors en sistemes com ara xarxes d’aprenentatge profund i configuracions quàntiques d’informació quàntica. Tots dos, segons diuen molts experts, estan en la seva infància i maduraran i aportaran resultats en els propers anys.