Ebatäiuslikkuse omaksvõtmine: Põhjalik ülevaade ligikaudsest andmetöötlusest ja täpsuse kompromissist

Pidevas püüdluses kiirema, võimsama ja tõhusama andmetöötluse poole oleme traditsiooniliselt lähtunud fundamentaalsest eeldusest: iga arvutus peab olema täiuslikult täpne. Alates finantstehingutest kuni teaduslike simulatsioonideni on bititäpsus olnud kuldstandard. Aga mis siis, kui see täiuslikkuse poole püüdlemine on muutumas kitsaskohaks? Mis siis, kui suure osa kaasaegsete rakenduste puhul pole 'piisavalt hea' mitte ainult vastuvõetav, vaid lausa kordades parem?

Tere tulemast ligikaudse andmetöötluse maailma – see on revolutsiooniline paradigma, mis seab kahtluse alla meie tavapärase korrektsuse definitsiooni. See on disainifilosoofia, mis teadlikult lisab arvutustesse kontrollitud ja hallatavaid vigu, et saavutada märkimisväärset kasu jõudluses, energiatõhususes ja ressursside kasutamises. Küsimus ei ole vigaste süsteemide ehitamises, vaid selles, et arukalt vahetada väike, sageli tajumatu kogus täpsust massiivsete parenduste vastu näitajates, mis on tänapäeval kõige olulisemad: kiirus ja energiatarve.

Miks just nüüd? Ligikaudse andmetöötluse liikumapanevad jõud

Üleminek ligikaudsele andmetöötlusele ei ole suvaline. See on otsene vastus fundamentaalsetele füüsilistele ja tehnoloogilistele piirangutele, millega 21. sajandil silmitsi seisame. Mitmed võtmetegurid on koondumas, et muuta see paradigma mitte lihtsalt huvitavaks, vaid hädavajalikuks.

Ühe ajastu lõpp: Moore'i seadus ja Dennardi skaleerimine

Aastakümneid sai tehnoloogiatööstus kasu kahest ennustatavast trendist. Moore'i seadus täheldas, et transistoride arv kiibil kahekordistub umbes iga kahe aasta tagant, mis viis töötlemisvõimsuse eksponentsiaalse kasvuni. Seda täiendas Dennardi skaleerimine, mis väitis, et transistoride väiksemaks muutudes jääb nende võimsustihedus samaks. See tähendas, et saime paigutada rohkem transistore, ilma et kiip proportsionaalselt kuumemaks muutuks.

2000. aastate keskel Dennardi skaleerimine sisuliselt lõppes. Transistorid muutusid nii väikeseks, et lekkevooludest sai suur probleem ja me ei saanud enam pinget proportsionaalselt vähendada. Kuigi Moore'i seadus on aeglustunud, on selle peamine väljakutse nüüd energia. Saame endiselt lisada rohkem transistore, kuid me ei saa neid kõiki korraga täiskiirusel sisse lülitada ilma kiipi sulatamata. Seda tuntakse „tumeda räni“ probleemina ja see on tekitanud tungiva vajaduse uute viiside järele energiatõhususe parandamiseks.

Energiamüür

Alates massiivsetest, linnasuurustest andmekeskustest, mis toidavad pilve, kuni pisikeste, patareitoitel anduriteni asjade internetis (IoT), on energiatarve kriitiline piirang. Andmekeskused moodustavad märkimisväärse osa ülemaailmsest elektritarbimisest ning nende energiajalajälg on suur tegevuskulu ja keskkonnaprobleem. Skaala teises otsas määrab IoT-seadme kasulikkuse sageli selle aku kestvus. Ligikaudne andmetöötlus pakub otsest teed energiakasutuse vähendamiseks, lihtsustades aluseks olevaid riist- ja tarkvaraoperatsioone.

Veakindlate rakenduste esiletõus

Võib-olla kõige olulisem liikumapanev jõud on meie töökoormuste muutuv olemus. Paljud tänapäeva kõige olulisemad ja arvutusmahukamad rakendused on oma olemuselt vastupidavad väikestele vigadele. Mõelge näiteks:

Masinõpe (TI): Närvivõrgu otsus klassifitseerida pilt kui „kass“ või „koer“ põhineb statistilistel tõenäosustel. Pisike kõrvalekalle ühe kaalu väärtuses miljonitest ei muuda suure tõenäosusega lõplikku, kõrgetasemelist tulemust.
Multimeedia töötlemine: Inimese tajusüsteem on andestav. Te ei märkaks, kui mõned pikslid ühes 4K video kaadris on veidi teist värvi või kui helivoos on pisike, kuulmatu artefakt.
Suurandmete analüüs: Kui analüüsitakse veebimastaabis andmekogumeid trendide tuvastamiseks, on oluline tulemuse statistiline olulisus. Mõne üksiku andmepunkti täpne väärtus miljarditest on sageli ebaoluline müra.

Nende rakenduste puhul on bititäpsuse nõudmine arvutuslik liialdus. See on nagu jalgpalliväljaku mõõtmine mikromeetriga – lisatäpsus ei anna praktilist väärtust ja sellega kaasnevad tohutud aja- ja energiakulud.

Põhiprintsiip: täpsuse, jõudluse ja energia kolmnurk

Ligikaudne andmetöötlus toimib lihtsal, kuid võimsal kompromissil. Mõelge sellele kui kolmnurgale, millel on kolm tippu: Täpsus, Jõudlus (Kiirus) ja Energia. Traditsioonilises andmetöötluses on täpsus fikseeritud 100% juurde. Jõudluse parandamiseks või energiakasutuse vähendamiseks peame tegema uuendusi muudes valdkondades (nagu arhitektuur või materjaliteadus), mis muutub järjest raskemaks.

Ligikaudne andmetöötlus muudab täpsuse paindlikuks muutujaks. Lubades väikest, kontrollitud täpsuse vähenemist, avame uusi optimeerimisdimensioone:

Täpsus vs. Kiirus: Lihtsamad arvutused toimuvad kiiremini. Jättes vahele keerulisi samme või kasutades vähem täpset loogikat, saame läbilaskevõimet dramaatiliselt suurendada.
Täpsus vs. Energia: Lihtsamad loogikalülitused vajavad vähem transistore ja võivad töötada madalamal pingel, mis toob kaasa olulise vähenemise nii staatilises kui ka dünaamilises energiatarbimises.
Täpsus vs. Pindala/Kulu: Ligikaudsed riistvarakomponendid võivad olla väiksemad, mis tähendab, et ühele kiibile mahub rohkem töötlusüksusi, vähendades tootmiskulusid ja suurendades paralleelsust.

Eesmärk on leida iga rakenduse jaoks „kuldne kesktee“ – punkt, kus saavutame maksimaalse jõudluse ja energiasäästu minimaalse, vastuvõetava kvaliteedikaotuse juures.

Kuidas see töötab: tehnikad ligikaudses andmetöötluses

Aproksimeerimist saab rakendada igal andmetöötluse tasandil, alates protsessori fundamentaalsetest loogikaväravatest kuni rakenduse kõrgetasemeliste algoritmiteni. Neid tehnikaid kasutatakse sageli kombineeritult, et maksimeerida nende kasu.

Riistvarataseme ligikaudsed lahendused

Need tehnikad hõlmavad arvuti füüsiliste komponentide ümberkujundamist, et need oleksid olemuslikult ebatäpsed.

Ligikaudsed aritmeetikalülitused: Protsessori ehituskivid on aritmeetikalülitused nagu liitjad ja korrutajad. Täpne 32-bitine korrutaja on keeruline ja energiakulukas loogikakomponent. Ligikaudne korrutaja võib olla kavandatud nii, et see ignoreerib kõige vähem oluliste bittide arvutusi. Tulemuseks on lülitus, mis on oluliselt väiksem, kiirem ja energiatõhusam, tekitades lõpp-produktis vaid tühise vea.
Pinge üleskaleerimine (VOS): Igal kiibil on minimaalne ohutu tööpinge. Sellest allpool võivad tekkida ajastusvead, kuna signaalidel pole piisavalt energiat, et lülitustes õigeaegselt levida. VOS käitab kiipi tahtlikult allpool seda ohutut pinget. See säästab drastiliselt energiat, kuid tekitab aeg-ajalt ajastusvigu. Ligikaudses kontekstis on need juhuslikud, harvad vead vastuvõetavad, kui nende mõju lõpptulemusele on tühine.
Ligikaudne mälu: Mälusüsteemid nagu SRAM ja DRAM on suured energiatarbijad. Ligikaudsed mälukujundused võimaldavad energia säästmiseks suuremat veamäära. Näiteks võiks DRAM-rakkude värskendussagedust alandada, säästes energiat riskiga, et mõned bitid muutuvad. Mälus hoitava pildi puhul võivad mõned muutunud bitid ilmneda märkamatute „sädelustena“.

Tarkvarataseme ligikaudsed lahendused

Neid tehnikaid saab sageli rakendada ilma spetsiaalse riistvarata, mis muudab need kättesaadavaks laiemale arendajate ringile.

Tsükli perforeerimine: Paljudes algoritmides on kõige aeganõudvam osa tsükkel, mis kestab miljoneid või miljardeid iteratsioone. Tsükli perforeerimine jätab süstemaatiliselt vahele teatud arvu neist iteratsioonidest. Näiteks selle asemel, et töödelda pildifiltris iga pikslit, võib algoritm töödelda iga teist pikslit ja interpoleerida tulemused. See võib peaaegu poole võrra vähendada täitmisaega minimaalse mõjuga visuaalsele kvaliteedile.
Täpsuse skaleerimine (kvantimine): Kaasaegsed arvutid kasutavad sageli vaikimisi 64-bitiseid (topelttäpsusega) või 32-bitiseid (ühekordse täpsusega) ujukomaarve. Paljud rakendused aga ei vaja sellist täpsustaset. Kasutades väiksemaid andmetüüpe, näiteks 16-bitiseid poole täpsusega ujukomaarve või isegi 8-bitiseid täisarve, saame oluliselt vähendada mälumahtu, vähendada mälu ribalaiuse nõudeid ja võimaldada kiiremaid arvutusi spetsialiseeritud riistvaral (nagu GPU-d ja tehisintellekti kiirendid).
Ülesannete vahelejätmine: Reaalajasüsteemides on mõnikord parem ülesanne vahele jätta kui kõike edasi lükata. Kujutage ette isesõitva auto tajumissüsteemi. Kui ühe andurikaadri töötlemine võtab liiga kaua aega ja on saabunud uus, asjakohasem kaader, on parem vana vahele jätta ja tegeleda jooksvate andmetega, et säilitada reaalajas reageerimisvõime.
Memoiseerimine koos aproksimeerimisega: Memoiseerimine on klassikaline optimeerimistehnika, kus kulukate funktsioonikutsete tulemused salvestatakse vahemällu. Ligikaudne memoiseerimine laiendab seda, lubades „piisavalt lähedasel“ sisendil vahemälust tulemuse kätte saada. Näiteks kui küsitakse `f(2.001)` ja `f(2.0)` on juba vahemälus, saab süsteem tagastada salvestatud tulemuse, säästes kulukat ümberarvutamist.

Reaalse maailma rakendused: kus ebatäiuslikkus särab

Ligikaudse andmetöötluse teoreetiline kasu muutub käegakatsutavaks, kui seda rakendada reaalsetele probleemidele. See ei ole futuristlik kontseptsioon; seda kasutavad juba praegu suured tehnoloogiaettevõtted üle maailma.

Masinõpe ja tehisintellekt

See on vaieldamatult ligikaudse andmetöötluse tipprakendus. Suurte närvivõrkude treenimine ja käitamine on uskumatult ressursimahukas. Ettevõtted nagu Google (oma Tensor Processing Units ehk TPU-dega) ja NVIDIA (oma GPU-de Tensor Cores'idega) on ehitanud spetsialiseeritud riistvara, mis paistab silma madala täpsusega maatrikskorrutiste tegemisel. Nad on demonstreerinud, et vähendatud täpsusega vormingute, nagu Bfloat16 või INT8, kasutamine võib dramaatiliselt kiirendada treenimist ja järeldamist vähese või olematu kaoga mudeli täpsuses, võimaldades tehisintellekti revolutsiooni, mida me täna näeme.

Multimeedia töötlemine

Iga kord, kui voogedastate videot YouTube'is või Netflixis, saate kasu ligikaudse andmetöötlusega seotud põhimõtetest. Videokoodekid (nagu H.264 või AV1) on fundamentaalselt 'kadudega'. Nad viskavad ära visuaalse teabe, mida inimsilm tõenäoliselt ei märka, et saavutada uskumatuid tihendussuhteid. Ligikaudne andmetöötlus võib seda veelgi edasi viia, võimaldades reaalajas video renderdamist ja efekte madala energiatarbega mobiilseadmetes, arvutades värve või valgustust just piisava täpsusega, et need näeksid realistlikud välja.

Suurandmete analüüs ja teadusarvutused

Massiivsest genoomiandmebaasist konkreetse geenijärjestuse otsimisel või osakestekiirendist pärit petabaitide andmete analüüsimisel võib ligikaudne andmetöötlus olla hindamatu. Algoritme saab kavandada nii, et need teostaksid esialgse, kiire 'ligikaudse otsingu', et kiiresti tuvastada paljulubavaid piirkondi, mida saab seejärel analüüsida täie täpsusega. See hierarhiline lähenemine säästab tohutult aega.

Asjade internet (IoT) ja servaseadmed

Patareitoitega keskkonnaanduri jaoks on pikaealisus kõik. Seadme eesmärk on teatada ümbritsevast temperatuurist. Kas on oluline, kas see teatab 22,5°C või 22,51°C? Absoluutselt mitte. Kasutades ligikaudseid lülitusi ja agressiivseid energiasäästutehnikaid, saab selle anduri aku eluiga pikendada kuudelt aastatele, mis on murranguline massiivsete, vähese hooldusega andurivõrkude kasutuselevõtmisel tarkades linnades, põllumajanduses ja keskkonnaseires.

Ligikaudse andmetöötluse väljakutsed ja piirid

Kuigi lubadus on tohutu, ei ole tee laialdase kasutuselevõtuni takistusteta. See on aktiivne ja põnev uurimisvaldkond nii akadeemilistes ringkondades kui ka tööstuses.

Kvaliteedikontroll ja vea piiramine: Suurim väljakutse on ligikaudsuse haldamine. Kuidas me tagame, et viga ei ületa vastuvõetavat künnist? Vajame tugevaid meetodeid vea analüüsimiseks ja piiramiseks, tagades, et väike, kontrollitud ligikaudsus ei kaskaadiks ega leviks süsteemis, põhjustades katastroofilist riket. Isesõitev auto, mis liigse ligikaudsuse tõttu valesti klassifitseerib stoppmärgi, on vastuvõetamatu tulemus.
Programmeerija ja tööriistade toe puudumine: Praegune programmeerimise ökosüsteem on ehitatud täpsuse jaoks. Arendajatel puuduvad keeled, kompilaatorid ja silurid, et lihtsalt määrata „ligikaudsust”. Vajame tööriistu, mis võimaldavad programmeerijal lihtsalt märkida funktsiooni või andmestruktuuri 'ligikaudseks' ning lasta kompilaatoril ja käitussüsteemil kompromisse automaatselt hallata.
Silumine ja verifitseerimine: Kuidas siluda programmi, mis on loodud andma muutuvaid või veidi valesid tulemusi? Traditsiooniline silumine tugineb reprodutseeritavale, deterministlikule käitumisele. Ligikaudsete programmide silumine nõuab fundamentaalset mõtteviisi muutust, keskendudes statistilistele omadustele ja väljundkvaliteedi jaotustele, mitte täpsetele väärtustele.
Porditavus ja ennustatavus: Ligikaudne programm võib ühel riistvaratüübil anda kvaliteetse tulemuse, kuid teisel vastuvõetamatult halva tulemuse. Ennustatava teenusekvaliteedi (QoS) tagamine erinevatel platvormidel on tarkvaraarendajatele ja süsteemiarhitektidele suur väljakutse.

Tulevik on ligikaudne: praktilised soovitused professionaalidele

Ligikaudne andmetöötlus kujutab endast paradigma muutust, mis mõjutab professionaale kogu tehnoloogiaspektris. Selle põhimõtete mõistmine muutub konkurentsivõime säilitamiseks ülioluliseks.

Tarkvaraarendajatele ja andmeteadlastele:

Hakkake mõtlema oma rakendustest veakindluse seisukohast. Tuvastage moodulid, kus täpsus on kriitiline (nt finantsarvutused, turvalisus) ja need, kus see pole (nt kasutajaliidese animatsioonid, statistiline andmetöötlus). Katsetage oma masinõppemudelites madalama täpsusega andmetüüpe. Profiilige oma koodi, et leida arvutuslikud kitsaskohad ja küsige: „Mis siis, kui see osa ei peaks olema täiuslik?“

Riistvara arhitektidele ja kiibidisaineritele:

Spetsialiseeritud riistvara tulevik peitub ligikaudsuse omaksvõtmises. Järgmise põlvkonna ASIC-ute või FPGA-de kavandamisel tehisintellekti, signaalitöötluse või arvutinägemise jaoks lisage ligikaudseid aritmeetikaüksusi. Uurige uudseid mäluarhitektuure, mis vahetavad väikese, parandatava veamäära madalama energiatarbe ja suurema tiheduse vastu. Suurimad jõudluse ja võimsuse suhtarvu kasvud tulevad riist- ja tarkvara ühisest kavandamisest ligikaudsuse ümber.

Ärijuhtidele ja tehnoloogiastrateegidele:

Tunnistage, et „piisavalt hea“ andmetöötlus on võimas konkurentsieelis. See võib viia toodeteni, mida on odavam ehitada, kiirem käitada ja mis on jätkusuutlikumad. Võidujooksus tehisintellekti domineerimise ja asjade interneti laienemise nimel on ettevõtted, kes valdavad täpsuse ja tõhususe kompromissi, need, kes pakuvad maailmaturule kõige uuenduslikumaid ja kulutõhusamaid lahendusi.

Kokkuvõte: uue „korrektsuse“ definitsiooni omaksvõtmine

Ligikaudne andmetöötlus ei tähenda vigaste tulemuste aktsepteerimist. See tähendab korrektsuse ümberdefineerimist rakenduse kontekstis. See on pragmaatiline ja intelligentne vastus andmetöötluse füüsilistele piirangutele, muutes „vea“ mõiste probleemist, mida tuleb kõrvaldada, ressursiks, mida tuleb hallata. Ohverdades kaalutletult täpsust, mida me ei vaja, saame avada jõudluse ja tõhususe, mida me hädasti tahame.

Liikudes andmemahukate, tajupõhiste rakenduste domineerimise ajastusse, on võime arvutada 'just parajalt' keeruka ja jätkusuutliku tehnoloogia tunnuseks. Andmetöötluse tulevik ei ole paljuski täiuslikult täpne, kuid see on uskumatult nutikas.