Hussein Osman, Lattice Semiconductorin Segment Marketing -johtaja – Haastattelusarja

Hussein Osman on puolijohdeteollisuuden veteraani, jolla on yli kaksi vuosikymmentä kokemusta siitä, miten silikonista ja ohjelmistoista voidaan luoda ratkaisuja, jotka yhdistävät aistimisen, prosessoinnin ja yhteydenpitoon liittyvät ratkaisut, ja keskittyvät innovatiivisiin kokemuksiin, jotka tuottavat arvoa loppukäyttäjälle. Viiden viime vuoden aikana hän on johtanut Lattice Semiconductorin sensAI-ratkaisun strategiaa ja markkinointiponnisteluita, luoden korkean suorituskyvyn AI/ML-sovelluksia. Osman on suorittanut sähkötekniikan tutkinnon Kalifornian osavaltion yliopistossa San Luis Obispossa.

Lattice Semiconductor (LSCC ) on matalatehoisten ohjelmoitavien ratkaisujen tarjoaja, joita käytetään viestintä-, tietokone-, teollisuus-, auto- ja kuluttajamarkkinoilla. Yhtiön matalatehoiset FPGA:t ja ohjelmistotyökalut on suunniteltu auttamaan kehityksen nopeuttamisessa ja innovaatioiden tukemisessa sovelluksissa reunasta pilveen.

Reunatietoja hyödyntävä tekoäly on saamassa jalansijaa, kun yritykset etsivät vaihtoehtoja pilvipohjaiselle tekoälykäsittelylle. Miten näet tämän muutoksen vaikuttavan puolijohdeteollisuuteen, ja mikä on Lattice Semiconductorin rooli tässä muutoksessa? 

Reunatietoja hyödyntävä tekoäly on ehdottomasti saamassa jalansijaa, ja se johtuu sen potentiaalista todella vallankumouksellistaa koko markkinoita. Organisaatiot laajalla aloilla ovat siirtymässä reunatietoja hyödyntävään tekoälyyn, koska se auttaa niitä saavuttamaan nopeammat, tehokkaammat ja turvallisemmat toimintatavat – erityisesti reaaliaikaisissa sovelluksissa – kuin mitä pilvilaskenta yksin voi tarjota. Tämä on se osa, johon useimmat ihmiset keskittyvät: miten reunatietoja hyödyntävä tekoäly muuttaa liiketoimintaa sen käyttöönoton myötä. Mutta on myös toinen matka, joka tapahtuu samanaikaisesti, ja se alkaa paljon ennen käyttöönottoa.

Reunatietoja hyödyntävän tekoälyn innovaatiot ovat pakottaneet alkuperäisvalmistajat suunnittelemaan järjestelmäkomponentteja, jotka voivat suorittaa tekoälymallien suorittamista jalanjälkiin liittyvien rajoitusten vuoksi. Tämä tarkoittaa kevyitä, optimoituja algoritmeja, erikoistuneita laitteita ja muita edistyneitä ominaisuuksia, jotka täydentävät ja/tai tehostavat suorituskykyä. Tässä Lattice Semiconductor tulee mukaan.

Meidän FPGA: t tarjoavat erittäin sopeutuvan laitteiston, jota suunnittelijat tarvitsevat voidakseen täyttää tiukat järjestelmävaatimukset, jotka liittyvät viiveeseen, tehonkulutukseen, turvallisuuteen, yhteydenpitoon, kokoon ja muihin. Ne tarjoavat perustan, jolla insinöörit voivat luoda laitteita, jotka kykenevät pitämään tehtäväkriittisiä sovelluksia toiminnassa. Tämä on suuri kehitysalue meidän nykyisessä innovaatioalueessa, ja olemme innoissamme auttamaan asiakkaitamme voittamaan haasteita ja tervehtimään reunatietoja hyödyntävän tekoälyn aikakautta luottavaisin mielin.

Mitkä ovat tärkeimmät haasteet, joita yritykset kohtaavat reunatietoja hyödyntävän tekoälyn käyttöönotossa, ja miten FPGA: t ratkaisevat nämä ongelmat tehokkaammin kuin perinteiset prosessorit tai GPU: t?

Tiedät, että jotkut haasteet näyttävät olevan todella yleisiä, kun mikä tahansa teknologia kehittyy. Esimerkiksi kehittäjät ja yritykset, jotka haluavat hyödyntää reunatietoja hyödyntävän tekoälyn voimaa, kohtaavat todennäköisesti yleisiä haasteita, kuten:

• Resurssien hallinta. Reunatietoja hyödyntävien laitteiden on suoritettava monimutkaisia prosesseja luotettavasti työskennellessään yhä rajoitetummassa laskentakapasiteetissa ja akun käyttöaikassa.
• Vaikka reunatietoja hyödyntävä tekoäly tarjoaa paikallisen datan käsittelyn etuja, se herättää myös muita turvallisuusuhkia, kuten fyysistä vahinkoa tai pienempien mallien haavoittuvuutta.
• Reunatietoja hyödyntävien ekosysteemien voi olla erittäin monimuotoinen laitteistojen arkkitehtuureissa ja laskentavaatimuksissa, mikä tekee vaikeaksi suorittaa tietojen hallintaa ja mallien päivitystä suurella mittakaavalla.

FPGA: t tarjoavat yrityksille etulyöntiaseman näiden tärkeiden ongelmien ratkaisemisessa yhdistämällä tehokkaan rinnakkaislaskennan, matalan tehonkulutuksen, laitteistotasoiset turvallisuusominaisuudet ja uudelleenkonfiguroitavuuden. Vaikka nämä saattavat kuulostaa markkinointitermeiltä, ne ovat olennaisia ominaisuuksia reunatietoja hyödyntävän tekoälyn tärkeimpien ongelmien ratkaisemiseksi.

FPGA: t on perinteisesti käytetty funktioissa, kuten siltojen ja I/O-laajennuksen muodossa. Mitä niissä on erityistä, mikä tekee niistä erityisen soveltuvia reunatietoja hyödyntävään tekoälyyn?

Kyllä, olet täysin oikeassa siinä, että FPGA: t menestyvät yhteydenpitoalueella – ja se on osa siitä, mikä tekee niistä niin voimakkaita reunatietoja hyödyntävissä tekoälysovelluksissa. Kuten mainitsit, niillä on mukautuvat I/O-liitännät, jotka mahdollistavat liittämisen laajaan joukkoon laitteita ja viestintäprotokollia. Lisäksi ne voivat suorittaa funktioita, kuten siltoja ja anturien yhdistämistä, varmistaakseen vaivattoman datan vaihdon, keräämisen ja synkronoinnin eri järjestelmäkomponenttien välillä, mukaan lukien perinteiset ja uudet standardit. Nämä funktiot ovat erityisen tärkeitä, kun reunatietoja hyödyntävien ekosysteemien monimutkaisuus ja skaalautuvuuden tarve kasvaa.

Voi koittaa selittää, miten matalatehoiset FPGA: t vertautuvat GPU: iin ja ASIC: iin tehokkuuden, skaalautuvuuden ja reaaliaikaisen prosessoinnin ominaisuuksien suhteen reunatietoja hyödyntävissä tekoälysovelluksissa?

En väitä, etteikö laitteet, kuten GPU: t ja ASIC: t, olisi laskentakapasiteettia tukeakseen reunatietoja hyödyntäviä tekoälysovelluksia. Ne ovat. Mutta FPGA: t ovat todella “reunalla” näissä muissa komponenteissa, erityisesti viiveen ja joustavuuden suhteen. Esimerkiksi sekä GPU: t että FPGA: t voivat suorittaa rinnakkaislaskentaa, mutta GPU-laitteet on suunniteltu laajalle soveltamisalueelle eivätkä ole yhtä hyvin soveltuvia tiettyihin reunatietoja hyödyntäviin sovelluksiin kuin FPGA: t. Toisaalta ASIC: t ovat kohdennettu tiettyihin sovelluksiin, mutta niiden kiinteä toiminnallisuus edellyttää täydellistä uudelleensuunnittelua merkittävien muutosten tapahtuessa. FPGA: t on suunniteltu tarjoamaan molempien maailmojen paras osa; ne tarjoavat matalan viiveen, joka liittyy mukautettuihin laitteistoputkiin, ja mahdollisuuden postikäsittelymuutoksille, kun reunamallit vaativat päivityksiä.

Miten Latticen FPGA: t parantavat tekoälypohjaista päätöksentekoa reunalla, erityisesti teollisuusautomaatiossa, IoT:ssä ja muiden alojen sovelluksissa?

FPGA: n rinnakkaislaskentakyky on hyvä paikka aloittaa. Toisin kuin peräkkäin suoritettavat prosessorit, FPGA: n arkkitehtuuri mahdollistaa useiden tehtävien suorittamisen rinnakkain, mukaan lukien tekoälylaskelmat, kaikki mukautettavat logiikkablokit suorittavat eri operaatioita samanaikaisesti. Tämä mahdollistaa korkean läpäisynopeuden, matalan viiveen prosessoinnin, jota tarvitaan reaaliaikaisissa sovelluksissa avainpystykuillassa, joita mainitsit – olipa kyseessä autonomiset ajoneuvot, älykkäät teollisuusrobotit tai jopa älykkäät kodinkoneet tai terveydenhuollon laitteet. Lisäksi ne voidaan mukauttaa tiettyihin tekoälykuormituksiin ja helposti ohjelmoida uudelleen kenttässä, kun mallit ja vaatimukset kehittyvät ajan myötä. Viimeiseksi, ne tarjoavat laitteistotasoiset turvallisuusominaisuudet, jotta tekoälyjärjestelmät säilyvät turvallisina, käynnistyksestä datakäsittelyyn ja sen yli.

Mitkä ovat joitakin todellisia käyttötapauksia, joissa Latticen FPGA: t ovat merkittävästi parantaneet reunatietoja hyödyntävän tekoälyn suorituskykyä, turvallisuutta tai tehokkuutta?

Hyvä kysymys! Yksi sovellus, joka minusta on erittäin mielenkiintoinen, on tapa, jolla insinöörit käyttävät Latticen FPGA: iä voimakkaampien, tekoälypohjaisten robottien seuraavan sukupolven voimakkaampaan käyttöön. Älykkäät robotit vaativat reaaliaikaisia, laitteistopuolen prosessointikapasiteetteja, jotta voidaan varmistaa turvallinen automaatio, ja reunatietoja hyödyntävä tekoäly on suunniteltu tarjoamaan tämän. Tarve näistä avustajista kasvaa, ja niiden toimintojen monimutkaisuus ja älykkyys kasvavat. Latticen tiimiesitteli äskettäin konferenssissa, miten FPGA: n käyttö mahdollisti älykkään robotin seurata pallon rataa ja sieppaaman sen ilmassa, osoittaen, miten nopeita ja tarkkoja nämä koneet voivat olla, kun niitä rakennetaan oikeilla tekniikoilla.

Miten Lattice varmistaa, että heidän FPGA: nsä pysyvät kilpailukykyisinä erityisten tekoälypiirien kehittämisessä suurempien puolijohdeteollisuusyhtiöiden kanssa?

Ei ole epäilystäkään, että tekoälypiirien metsästys on ajavan suurta osaa puolijohdeteollisuudesta – katsokaa, miten yhtiöt, kuten Nvidia (NVDA ), ovat siirtyneet videopelien grafiikkakorttien luomisesta tekoälyteollisuuden jättien luomiseen. Silti Lattice tuo yksilölliset vahvuudet pöytään, jotka tekevät meistä erottuvan, vaikka markkinat tulevat tulevaisuudessa täytetyiksi. FPGA: t eivät ole vain komponentteja, joihin olemme päättäneet panostaa, koska kysyntä niihin kasvaa; ne ovat tärkeä osa ydintuotteitamme. Latticen FPGA-tarjoajien vahvuudet – viiveestä ja ohjelmoitavuudesta tehonkulutukseen, skaalautuvuuteen ja lisää – ovat vuosien teknisen kehityksen ja hienosäätöjen tulos. Tarjoamme myös täydellisen valikoiman teollisuuden johtavia ohjelmisto- ja ratkaisupinoja, jotka on suunniteltu optimoimaan FPGA: n käyttöä tekoälysuunnitelmissa ja muualla.

Mikä rooli ohjelmoitavuudella on FPGA: n kyvyssä sopeutua kehittyviin tekoälymalleihin ja kuormittajiin?

Toisin kuin kiinteätoimiset laitteet, FPGA: t voidaan uudelleenohjelmoida käyttöönoton jälkeen. Tämä sisäänrakennettu sopeutuvuus on kiistatta heidän suurin erottautumisensa, erityisesti tekoälymallien ja kuormittajien tukemisessa. Koska tekoälymaisema on niin dynaaminen, kehittäjien on kyettävä tukemaan algoritmien päivityksiä, kasvavia tietoja ja muita merkittäviä muutoksia, kun ne tapahtuvat, ilman jatkuvia laitteistopäivityksiä. Esimerkiksi FPGA: t ovat jo nytäkevässä roolissa siirtymässä postikvanttisalaukseen (PQC). Kun yritykset valmistautuvat uhkaa vastaan ja korvaavat haavoittuvat salausjärjestelmät seuraavan sukupolven algoritmeilla, he käyttävät FPGA: iä varmistaakseen vaivattoman siirtymisen ja varmistaa PQC-standardeja noudattavan mukaisuuden.

Miten Latticen FPGA: t auttavat yrityksiä tasapainottamaan suorituskyvyn, tehonkulutuksen ja kustannusten välisen vaihtoehtoon reunatietoja hyödyntävissä tekoälykäyttöönotoissa?

Lopulta kehittäjien ei pitäisi joutua valitsemaan suorituskyvyn ja mahdollisuuksien välillä. Kyllä, reunatietoja hyödyntävät sovellukset usein joutuvat laskentakapasiteetin, tehonkulutuksen ja lisääntyneen viiveen rajoituksiin. Mutta Latticen FPGA: illa kehittäjät ovat valmiina joustavalla, energiatehokkaalla ja skaalautuvalla laitteistolla, joka pystyy lieventämään näitä haasteita. Mukautuvat I/O-liitännät mahdollistavat esimerkiksi yhteyden eri reunasovelluksiin vähentäen monimutkaisuutta.

Miten näet tekoälylaitteiden tulevan kehittymisen seuraavien 5-10 vuoden aikana, erityisesti reunatietoja hyödyntävän tekoälyn ja energiatehokkaan prosessoinnin suhteen?

Reunalaiteiden on oltava nopeampia ja tehokkaampia, jotta ne voivat käsittää laskennan ja energian vaatimukset, jotka liittyvät yhä monimutkaisempiin tekoäly- ja koneoppimisalgoritmeihin, joita yritykset tarvitsevat menestyäkseen – erityisesti, kun nämä sovellukset yleistyvät. Dynaamisten laitteistokomponenttien, jotka tukevat reunasovelluksia, on oltava sopeutuvia yhdessä. FPGA: t on oltava laajentamassa olemassa olevaa joustavuutta, tarjoten matalan viiveen ja matalan tehon ominaisuuksia suuremmille vaatimuksille. Nämä ominaisuudet mahdollistavat kehittäjille helposti uudelleenohjelmoitavuuden reunamalleja varten – olipa kyseessä monimutkaisempia autonomisia ajoneuvoja, teollisuusautomaatiota, älykkäitä kaupunkeja tai muuta.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Lattice Semiconductor: ssä.