כיצד תוכלו למקסם את ישומי הבינה המלאכותית (AI) שלכם

הצורך ביכולת סקלבילטי נדרשת משום שמודלי AI כוללות מספר רב של חישובים קטנים המיושמים בדרך כלל על מערך גדול של מנועי מחשוב.

בינה מלאכותית (AI) היא נושא פופולארי הודות לשיטות למידת מכונה (ML) חדישות המתפתחות מדי יום. לעיתים קרובות בינה מלאכותית נחשבת לאחד השווקים הקריטיים בקרב ספקי ציוד אלקטרוני, אך לא באמת מדובר בשוק יעודי אלא בטכנולוגיה החודרת לשווקים רבים. חלק מהשווקים הללו כוללים שימושים קריטיים לבטיחות נוסעים או משתמשים, משמע שיעילותה יכולה להוות עניין של חיים ומוות.

AI שונה מכל שאר הטכנולוגיות החשובות בכך שנלווים אליה שלושה מרכיבי אימות מרכזיים: דטרמיניזם (סיבתיות), כושר סקלבילטי ווירטואליזציה. לא מדובר בדרישות יוצאות דופן באמולציית חומרה, אך טכנולוגיות רבות אחרות מחייבות רק שתיים מתוכן.

יש צורך בדטרמיניזם בשל מגוון הפתרונות הנכונים הקיימים למודלי ML. ML עוסקת ביצירת מודל במהלך מה שמכונה "שלב הלמידה" – לפחות בגירסה המבוקרת שלו. בשלב הבא, המודל מיושם בהתקן או בענן לצורכי הקשה, בו המודל משמש כחלק מאפליקציה. מודלים שונים עשויים להגיע לאותה התוצאה, אך המסלול שיוביל אליו הוא שונה. שיטות הדרכת AI כוללות אמצעים שונים על מנת להבטיח שהמודל שלכם אינו מוטה לשיטת הדרכה אחת, אך כל השיטות כרוכות בקומץ שלבים ותהליכים ברי שכפול להבטחת תוצאות עקביות. הרי אי אפשר לאמת מודל שכל הזמן משתנה. באופן דומה, יש לוודא במהלך תהליך האימות שתבניות הקלט שומרות על עקביות בכל הרצה.

מוצג 1: אפליקציה לתכנוני AI/ML

הצורך ביכולת סקלבילטי נדרשת משום שמודלי AI כוללות מספר רב של חישובים קטנים המיושמים בדרך כלל על מערך גדול של מנועי מחשוב. החישוב יכול להיעשות באשכול למודל נתון, אך באפליקציה עשויים להיות מודלים רבים כאלה, דבר המוביל לתכנון כללי מקוטע. במהלך הפיתוח, המודלים יכולים לצמוח מאד ככל שהם עוברים אופטימיזציה ומשננים את מלוא אפשרויות הקלט. משכך, הרי שלאורך פרויקט מסוים, על פלטפורמת האימות לצמוח או לקטון באופן המתאים למגוון המשאבים הדרושים לאורך חיי הפרויקט – הכול תוך צמצום כל השפעה על הביצועים.

לבסוף, אלגוריתמי AI משקפים תכנוןים חדשים. המשמעות היא שאפילו אם תרצו להשתמש ב-ICE, קיימים מספר מקורות נתונים אמיתיים מיישומים קודמים בהם ניתן להשתמש כדי לתקף יישום חדש. כתוצאה מכך, עלינו לפתח סביבת אימות וירטואלית. גם אילו יכולנו להשתמש ב-ICE, הרי שסביבה וירטואלית תמיד עדיפה. בתהליך הדיבוג, למשל, אי אפשר לעצור את שעון המקור של ICE. לעומת זאת, מקור נתונים וירטואלי הוא וירטואלי בכל המובנים, לרבות השעון. כך תוכלו לעצור את התכנון בנקודה קריטית, לערוך תחקור על מנת לראות מה קורה ואז להמשיך מאותה הנקודה בדיוק.

שלוש הדרישות הללו מתיישרות באופן מושלם עם שלושת עקרונות המפתח של האמולטורים של Veloce.

• האימות באמולטורים של Veloce יכול להיות דטרמיניסטי לחלוטין. בין אם אתם בודקים חומרה או תוכנה, תוכלו לחזור אל התהליכים שוב ושוב תוך בחינת החומרה וביצוע single-steppingבקוד עד שנבחנו כל התגובות בתכנון שלכם.
• האמולטורים של Veloce ניתנים לסקלבילטי מ-40 מיליון עד 15 מיליארד שערים. ככל שהתכנון שלכם מתרחב, פלטפורמת האמולציה שלכם יכולה להגדיל את הקיבולת שלה מבלי לפגוע בביצועים על מנת להבטיח את סיום תהליך האימות תוך עמידה בלוחות זמנים.
• ניתן להמיר את כל המידע הדרוש לצורך אימות התכנון באמולטור Veloce למידע וירטואלי. בין אם אתם ממנפים את אחד מבלוקי האימות הרבים הקיימים בשוק או מפתחים אחד משלכם, ניתנים לכם נראות וחופש מלאים לשליטה בהפעלת תוכנית האימות. אפשרות זו כולל התייחסות לסוגיות דיבוג ולמדידות המדויקות בפרמטרים חשובים בהתנהגות המערכת.

מוצג 2. וירטואליזציה מאפשרת הרצת מסגרות AI/ML על פי מדדי ביצוע

בינה מלאכותית ו-ML מחייבים אותנו לחשוב על תכנון ואימות בדרכים חדשות. אמולטורים של Veloce, שהם כבר היום מרכיב חשוב ברבים מהשווקים אליהם מתקדם ה-AI, יהפכו לכלי חשוב עוד יותר כדי להבטיח שפרויקטי AI משיגים את האימות החיוני להם בתוך פרק זמן המביא אתכם לשוק בזמן.

* ז'אן-מארי ברונה הוא מנהל השיווק הבכיר בחטיבת אמולציה במנטור, מבית סימנס. במשך יותר מ-20 שנה, מילא תפקידי הנדסת יישומים, שיווק וניהול בתעשיית ה-EDA, והחזיק, בין השאר, בתפקידי תכנון IC וניהול תכנון ב-STMicroelectronics, Cadence ו-Micron. לז'אן מארי תואר שני בהנדסת חשמל מ-I.S.E.N. Electronic Engineering School בליל, צרפת.

מאמר זה מפורסם במסגרת מאמרי מגזין TapeOut ובחסות חברת  Mentor, a Siemens Business