У Google имеются свои амбиции в сфере глубокого обучения (Deep Learning). О них рассказал Джеф Дин (Jeff Dean) из Google. Сегодня уже не стоит задачи разработки подходящего алгоритма для каждого конкретного случая – нужны общие алгоритмы, которые будут самостоятельно обучаться. В Интернете ежедневно появляются триллионы слов и миллиарды изображений, загружаются и создаются тысячи часов аудио. И Google берет на себя задачу поиска по всему этому контенту. Для успешных результатов поиска необходима дополнительная информация об активности пользователя. Google желает знать, куда "кликает" человек, когда он ищет нужную информацию, как долго он выполняет поиск, сколько страниц он при этом просматривает и многое другое.
Можно привести конкретный пример: Google Maps и существующие исходные снимки Street View. Google разработала автоматическую систему, которая распознает номер дома на фотографии. Задача кажется вроде бы простой, так как распознавание символов уже давно выполняется довольно надёжно, но следует учитывать, что для нумерации домов используются разные шрифты, цвета и формы цифры, их уже не получается надёжно распознавать обычными алгоритмами. То же самое касается и вывесок на строениях, из которых Google получает информацию о расположенных рядом магазинах. В том числе снимки Street View позволяют получить информацию о часах работы магазинов.
GPU позволяют использовать совершенно новый подход к анализу и созданию подобных сетей глубокого обучения. Здесь можно провести сравнение с человеческим мозгом. Нейроны могут обрабатывать 10 процессов за 0,1 секунды. Над распознаванием объектов на фотографиях работают одновременно сотни миллионов или миллиарды нейронов, в зависимости от задачи. Сети глубокого обучения с 10 слоями и несколькими сотнями GPU уже достигают подобного уровня производительности. Они выполняют распознавание изображений, текста и аудио быстрее и с меньшими ошибками, чем человеческий мозг.
Важным компонентом Deep Learning является время, которое уходит на тренировку сети. На построение большой базы данных для экспериментов должно уходить не больше нескольких часов. Если затрачиваются дни или даже недели, то создание такой сети уже не оправдывает себя. И здесь подключаются GPU, которые работают параллельно и не только быстрее справляются с анализом данных в подобной сети, но и эффективно работают над созданием подобных сетей и тренировкой системы.
Параллельная обработка играет важную роль не только при создании сети, её анализе, но и при последующей работе сети с новыми данными. Современные GPU в данном отношении стали весьма ценными инструментами.