Разработана методика ускорения работы сетевых ИИ-систем

Российские и арабские математики разработали подход, который одновременно позволит ускорить и удешевить работу сетевых систем искусственного интеллекта, в том числе поисковых сервисов, онлайн-переводчиков и рекомендательных систем. Об этом в понедельник сообщил Центр научной коммуникации МФТИ.

"Исследователи из МФТИ в соавторстве с коллегами из ОАЭ предложили решение, которое позволяет значительно улучшить производительность систем сетевого искусственного интеллекта и сократить расходы на их эксплуатацию. Кроме того, новшество позволит снять нагрузку с пользовательских устройств, которые участвуют в процессе", - говорится в сообщении.

Эта методика совершенствования работы сетевых систем искусственного интеллекта была разработана заведующим лабораторией фундаментальных исследований МФТИ-Яндекса Александром Безносиковым и его коллегами из России и Объединенных Арабских Эмиратов. Ученые совершили данное открытие при анализе того, насколько эффективно выстроен обмен информации между устройствами конечных пользователей и серверами, на которых происходит обработка данных при помощи нейросетей.

Сейчас для ускорения передачи данных в подобных системах, состоящих из множества связанных друг с другом узлов, используется три разных подхода. В их рамках передается или некоторые случайные или произвольно выбранные фрагменты данных, или различия между новым и уже имеющимся пакетом информации, или же данные обновляются на каждом узле перед процедурой обмена сведениями с другими узлами.

Ученые выяснили, что все три подхода можно объединить в рамках одного алгоритма, который будет значительно более экономно и эффективно передавать данные между узлами системы искусственного интеллекта, чем это делает каждый из трех подходов по отдельности, отмечает ТАСС. По словам Безносикова, суть алгоритма заключается в том, что на главном сервере данные должны быть хотя бы частично похожими на те, которые есть во всей сети, тогда как на клиентских устройствах они могут быть сильно разнородными.

Как отмечает исследователь, реализация разработанного подхода позволит примерно в 2-10 раз повысить эффективность обмена данными по сравнению с уже существующими решениями, а также при этом снизить нагрузку на клиентские устройства. Особенно хорошо этот подход будет работать с системами ИИ, построенными на базе подхода так называемого коллаборативного обучения, который быстро набирает популярность в IT среде в последние месяцы, подытожили Безносиков и его коллеги.