El software de aprendizaje profundo aprende a entender los datos con simulaciones aproximadas de neuronas biológicas (ver Aprendizaje profundo). Es una prioridad para empresas como Google, Microsoft y Facebook que invierten en la tecnología encontrar métodos para entrenar redes neuronales más grandes con conjuntos más amplios de datos de entrenamiento mediante la ejecución de software en ordenadores más potentes.
El uso de procesadores gráficos, conocidos como GPU, ha demostrado ser una de las mejores maneras de conseguirlo. Pero su precio y alto consumo energético hacen que los GPU resulten caros, incluso para grandes empresas. "Construir, mantener y dimensionar tu propia plataforma de entrenamiento resulta muy caro y está lleno de retos", explica Eric Chung, un investigador de Microsoft. Los sistemas de GPU empleados en el aprendizaje profundo son, por lo general, de un tamaño "pequeño o mediano" en comparación con la escala de los grupos de ordenadores que trabajan en conjunto para alimentar los servicios en línea, dice.
Chung forma parte de un proyecto que investiga una posible ruta hacia la ejecución del aprendizaje profundo a una escala mucho mayor. La idea es utilizar FPGA (del inglés Field Programmable Gate Array), chips que pueden ser reconfigurados para implementar cualquier diseño y que pueden resultar muy energéticamente eficientes. Microsoft empezó a utilizar FPGA para alimentar partes de su motor de búsquedas Bing, y en febrero afirmó estar probando su uso para alimentar las neuronas virtuales del aprendizaje profundo.
Chung dice que la investigación ha avanzado hasta emplear algunos de los FPGA más potentes, y que parecen representar un método práctico para dar un gran impulso a la potencia del aprendizaje profundo. Microsoft está utilizando FPGA fabricadas por Altera, una empresa adquirida por el fabricante de chips Intel en junio por 17.000 millones de dólares (unos 15.000 millones de euros), citando el potencial de tales chips de hacer más potentes los centros corporativos de datos.
Incluso durante lo que Chung denominó "la fase de prototipo", el equipo observó un aumento de casi diez veces del rendimiento de una red neuronal que intenta identificar imágenes respecto a los ordenadores convencionales sin GPU. "Podría cambiar el juego si llegamos a desplegar FPGA a una escala amplia, lo que proporcionaría una capacidad agregada que supera lo que es posible hoy", dice.
Utilizar FPGA tiene sus desventajas también, por ejemplo el trabajo de programación que ha de realizarse para que realicen su función. Pero Chung prevé que la técnica hará posible el entrenamiento de redes neurales de "un tamaño y una calidad sin precedentes".
Eso podría dar paso a mejoras del software que describe el contenido de imágenes (ver El software de Google dice que en esa foto sale "un grupo de jóvenes jugando al frisbee") o entiende el lenguaje natural y demuestra una especie de sentido común (ver El hombre que enseña a las máquinas a entender el lenguaje). Los últimos resultados de Microsoft sobre uso de FPGs se presentaron en la conferencia Hot Chips sobre avances en el rendimiento de procesadores celebrado el pasado martes en Cupertino, Califo ia (EEUU).