Hoe onderscheidt een zelfrijdende auto een persoon van een verkeerskegel? Hoe kiest Spotify nummers voor mijn "Discover Weekly"-afspeellijst? Waarom is het spamfilter van Gmail zo effectief?

Het antwoord is een soort kunstmatige intelligentie die bekend staat als diepe neurale netwerken. Deze netwerken zijn erg goed in het herkennen en classificeren van gegevens, maar ze hebben de neiging om veel rekenkracht en geheugen te gebruiken - te veel om snel te werken op zoiets als je gemiddelde smartphone.

Nu hebben onderzoekers van Northeastern een manier aangetoond om diepe neurale netwerken op een smartphone of soortgelijk systeem te gebruiken. Met behulp van hun methode, de netwerken kunnen taken tot 56 keer sneller uitvoeren dan in eerder werk is aangetoond, zonder nauwkeurigheid te verliezen. Volgende maand presenteren ze hun werk op een conferentie over kunstmatige intelligentie in New York.

"Het is moeilijk voor mensen om de realtime uitvoering van neurale netwerken op een smartphone of dit soort mobiele apparaten te realiseren, " zegt Yanzhi Wang, een assistent-professor elektrische en computertechniek aan Northeastern. "Maar we kunnen de meeste deep learning-applicaties in realtime laten werken."

Typisch, een mobiel apparaat moet verbonden zijn met internet om toegang te krijgen tot een diep neuraal netwerk. De telefoon verzamelt gegevens, maar de verwerking gebeurt op externe servers - daarom kunt u niet met Siri praten als uw iPhone in vliegtuigmodus staat.

Wang en zijn collega's hebben een manier bedacht om zowel de omvang van het neurale netwerkmodel te verkleinen als automatisch code te genereren om het efficiënter uit te voeren. Door dit werk kunnen diepe neurale netwerken worden geïmplementeerd in kant-en-klare apparaten die mogelijk geen consistente internettoegang hebben. En dat gaat veel verder dan handsfree communiceren met je telefoon.

"Er zijn zoveel dingen die intelligentie nodig hebben, ", zegt Wang. "Medische apparaten, draagbare apparaten, sensoren, slimme camera's. Al deze, ze hebben iets nodig dat de herkenning verbetert, segmentatie, volgen, toezicht, en zoveel dingen, maar momenteel zijn ze beperkt."

Kunstmatige intelligentie wordt al gebruikt om de medische technologie in ziekenhuizen te verbeteren. Er zijn tal van mogelijkheden om ook het gebruik van draagbare apparaten uit te breiden, mogelijk begeleiding bieden aan gehandicapte personen of patiënten en artsen waarschuwen voor veranderingen in het hartritme of andere problemen. Maar stel je voor dat je een waarschuwing over een mogelijke hartaanval mist omdat je in de metro zat en geen service had.

"Voor veel van de toepassingen van medische hulpmiddelen, we kunnen er niet vanuit gaan dat dit soort apparaten altijd verbonden zijn met internet, ", zegt Wang. "En door verbinding te maken met internet, er is altijd een aanzienlijke vertraging. Alles moet worden berekend en teruggestuurd."

Wanneer Wang zegt "een aanzienlijke vertraging, hij heeft het over fracties van een seconde. Maar dat is genoeg om het verschil te maken.

"Voor zelfrijdende auto's alle gegevens moeten naar een clouddatacenter worden gestuurd, dan is er een verzendvertraging bij het terugsturen, " Zegt Wang. "Misschien 0,1 seconde. En deze 0,1 seconde kan schade veroorzaken."

Het elimineren van die fractie van een seconde vertraging kan levens redden.

Wang merkt ook op dat diepe neurale netwerken privacyproblemen kunnen veroorzaken, omdat persoonlijke informatie via de cloud wordt gedeeld om deze netwerken te laten functioneren. Gegevens lokaal verwerken, zonder het naar verre servers te sturen, zou mensen comfortabeler kunnen maken met het gebruik van apparaten die worden aangedreven door kunstmatige intelligentie.

"Eerder, mensen geloofden dat deep learning speciale chips nodig had, of kon alleen worden uitgevoerd op servers via de cloud, Wang zegt. "Dit soort aanname van kennis beperkt de toepassing van deep learning. We kunnen niet altijd vertrouwen op de cloud. We moeten lokale, slimme beslissingen."