Pakar industri menunjukkan bahwa banyak perangkat pintar dan perangkat IoT digerakkan oleh beberapa bentuk chip kecerdasan buatan (AI). Baik itu asisten suara, kamera pengenal wajah atau komputer. Perangkat ini perlu menggunakan teknologi tertentu untuk memberikan dukungan bagi pemrosesan datanya.
Beberapa perangkat perlu memproses data di pusat data besar di platform cloud, dan beberapa perangkat akan diproses melalui chip kecerdasan buatan nya sendiri.
Jadi apa yang dimaksud dengan chip kecerdasan buatan? Apa bedanya dengan chip lain yang ditemukan orang di perangkat pintar? Apakah Kecerdasan Buatan (AI) Menimbulkan Ancaman Bagi Manusia?.
Artikel labkom99 ini akan fokus pada pentingnya chip kecerdasan buatan. Berbagai jenis chip kecerdasan buatan untuk aplikasi yang berbeda. Penggunaannya dan manfaat chip kecerdasan buatan dalam perangkat pintar.
1. Mengapa Beberapa Chip Tidak Cocok Untuk Kecerdasan Buatan
Teknologi komputer mulai meningkat pada 1980-an. Perpanjangan teknologi ini diwujudkan oleh CPU (Central Processing Unit), yang melakukan aritmatika dasar, logika, kontrol, dan operasi input / output yang ditentukan oleh instruksi dalam program. CPU adalah otak dari komputer. Intel dan AMD adalah raksasa industri di industri CPU global.
Dalam hal pengembangan CPU, ARM harus disebutkan dan tidak boleh dilupakan. Arsitektur chipnya dimulai pada komputer yang diperkenalkan pada 1980-an. Tetapi tidak menjadi pemimpin pasar sampai munculnya komputasi seluler, ponsel pintar dan komputer tablet. 
Pada tahun 2005, 98% ponsel menggunakan setidaknya beberapa bentuk arsitektur ARM. Pada 2013, 10 miliar ponsel yang menggunakan chip ARM diproduksi secara global. Hampir 60% perangkat seluler di seluruh dunia saat ini memiliki chip berbasis ARM. ARM telah menjadi bagian penting dari bidang chip kecerdasan buatan.
Pada 1990-an, grafik 3D real-time menjadi semakin umum di mesin arcade, komputer dan konsol game. Sehingga menyebabkan meningkatnya permintaan untuk grafik 3D yang dipercepat perangkat keras. Raksasa perangkat keras lain, NVIDIA, telah memenuhi kebutuhan ini dengan unit pemrosesan grafis (GPU) yang didedikasikan untuk pemrosesan grafis dan gambar komputer. NVIDIA baru-baru ini mengumumkan akuisisi ARM sebesar $ 40 miliar.
2. Unit Pengolah Kecerdasan Buatan
Dalam hal pemrosesan kecerdasan buatan, meskipun GPU biasanya berkinerja lebih baik daripada CPU. Pada kenyataannya keduanya masih berjalan tidak sempurna. Industri ini membutuhkan prosesor khusus untuk mencapai pemrosesan aplikasi, pemodelan dan penalaran kecerdasan buatan yang efisien.
Oleh karena itu, sekarang perancang chip bekerja untuk membuat unit pemrosesan yang dioptimalkan untuk eksekusi algoritma. Unit ini memiliki banyak nama, seperti NPU, TPU, DPU, SPU dan sebagainya. Tetapi istilah umum unit pemrosesan kecerdasan buatan (AI PU) dapat digunakan sebagai gambaran umum.
Tujuan pembuatan AI PU adalah untuk mengeksekusi algoritma pembelajaran mesin. Biasanya dengan beroperasi pada model prediktif seperti jaringan saraf tiruan. Karena proses ini biasanya dilakukan secara independen, biasanya diklasifikasikan sebagai pelatihan atau kesimpulan.
Kita telah dapat melihat beberapa aplikasi kecerdasan buatan di dunia nyata seperti :
- Sistem atau area pengawasan dilindungi dari ancaman serangan dunia maya, seperti sistem keamanan yang melibatkan pengenalan wajah real-time. IP kamera, kontrol akses kamera dan lian-lian.
- Industri ritel atau chatbot perusahaan yang berinteraksi dengan pelanggan.
- Pemrosesan bahasa alami untuk asisten suara.
Baca juga : Kontribusi Kecerdasan Buatan (AI) Dalam Kehidupan Nyata
3. Prosesor dan GPU Kecerdasan Buatan
Seseorang mungkin bertanya apakah GPU telah mampu mengeksekusi model kecerdasan buatan? Faktanya, GPU memang memiliki beberapa atribut yang memudahkan dalam pemrosesan model kecerdasan buatan.
GPU dapat memproses grafik 2D atau bahkan 3D, sehingga perlu memproses beberapa string fungsi secara paralel pada saat yang bersamaan. Jaringan saraf kecerdasan buatan juga perlu diproses secara paralel. Karena cabang simpulnya sangat mirip dengan neuron di otak hewan. Dalam hal ini, GPU melakukan pekerjaan yang bagus.
Namun, jaringan saraf memerlukan konvolusi dan di sinilah GPU sulit untuk dilakukan. Singkatnya, GPU pada dasarnya dioptimalkan untuk grafik daripada jaringan saraf dan mereka adalah alternatif terbaik.
Baca Juga : Hal Yang Perlu Diketahui Tentang Industrial Internet of Things
Faktor penting lainnya yang perlu diperhatikan adalah percepatan perkembangan teknologi kecerdasan buatan saat ini. Peneliti dan ilmuwan komputer di seluruh dunia terus-menerus meningkatkan fungsi kecerdasan buatan dan pembelajaran mesin pada tingkat yang eksponensial. Sayangnya, kemajuan CPU dan GPU tidak mengikuti perkembangan teknologi ini.
Menurut Hukum Moore, jumlah transistor dalam sirkuit terintegrasi (IC) berlipat ganda kira-kira setiap dua tahun. Namun, Hukum Moore secara bertahap menghilang dan tidak dapat mengikuti perkembangan teknologi kecerdasan buatan.
Akselerasi kecerdasan buatan pada akhirnya akan mengandalkan akselerator kecerdasan buatan khusus seperti AI PU. AI PU biasanya digunakan untuk tujuan berikut:
1) Dibandingkan dengan GPU, kecepatan kalkulasi tugas pembelajaran mesin meningkat hampir 10.000 kali lipat. Konsumsi daya rendah, dan meningkatkan pemanfaatan sumber daya.
4. Komponen Kecerdasan Buatan SoC
Meskipun AI PU merupakan otak dari sistem kecerdasan buatan (SoC) pada sebuah chip, itu hanya bagian dari rangkaian komponen kompleks yang menyusun chip tersebut. Berikut ini adalah beberapa komponen kecerdasan buatan SoC. Komponen berikut dipasangkan dengan AI PU dan cara kerjanya.
1) NPU
Seperti disebutkan di atas, NPU adalah unit pemrosesan saraf atau mesin perkalian matriks yang menjalankan operasi inti SoC AI. Perlu diperhatikan bahwa untuk produsen chip kecerdasan buatan, NPU juga merupakan kunci untuk AI SoC apa pun yang menonjol dari semua SoC AI lainnya.
2) Controller
Controller biasanya didasarkan pada RISC-V dirancang oleh University of California, Berkeley. ARM dirancang oleh AR, atau arsitektur set instruksi logika khusus (ISA), yang digunakan untuk mengontrol dan berkomunikasi dengan semua blok lain dan prosesor eksternal.
Apakah akan mengontrol secara lokal merupakan pertanyaan utama yang perlu dijawab, seperti “Mengapa chip ini dibuat? Dimana chip ini digunakan? Dan oleh siapa?” Dan pertanyaan lainnya. Produsen chip perlu menjawab pertanyaan tersebut sebelum menjawab pertanyaan tentang controller.
3) RAM
RAM adalah penyimpanan lokal yang digunakan untuk menyimpan model atau output. Anggap saja sebagai lemari es, meskipun ruang penyimpanannya kecil, barang (data dalam hal ini) dapat diakses dengan sangat cepat dan mudah atau menyimpannya kembali.
Dalam beberapa kasus penggunaan terutama yang terkait dengan kecerdasan buatan edge, kecepatan pemrosesan sangat penting. Misalnya, saat pejalan kaki tiba-tiba muncul di jalan mobil otonom harus mengerem tepat waktu.
Berapa banyak SRAM yang disertakan dalam sebuah chip tergantung pada biaya dan kinerja. Raung penyimpanan SRAM yang lebih besar akan meningkatkan biaya di awal. Akan tetapi, lebih sedikit akses ke DRAM, sehingga biaya tersebut dapat dipulihkan dalam jangka panjang.
Di sisi lain, kumpulan penyimpanan SRAM yang lebih kecil memiliki biaya diawal yang lebih rendah. Namun, membutuhkan lebih banyak memori DRAM. Tetapi jika pasar membutuhkan chip berbiaya lebih rendah untuk kasus penggunaan tertentu, Anda mungkin perlu mengurangi biaya.
Kecepatan pemrosesan juga merupakan perbedaan antara kumpulan penyimpanan SRAM yang lebih besar dan kumpulan penyimpanan SRAM yang lebih kecil. Sama seperti memori yang memengaruhi kinerja komputer dan kemampuan untuk memenuhi persyaratan kinerja.
4) I / O
Modul ini digunakan untuk menghubungkan SoC ke komponen di luar SoC. Seperti DRAM dan prosesor eksternal. Antarmuka ini penting bagi AI SoC untuk memaksimalkan potensi kinerja dan aplikasinya. Jika tidak maka akan menyebabkan kemacetan. Oleh karena itu, antarmuka dan objek yang terhubung seperti, DRAM, prosesor eksternal perlu menunjukkan potensi kinerja AI SoC.
Misalnya, DDR adalah antarmuka DRAM. Oleh karena itu, jika Anda menganggap SRAM sebagai lemari es, Anda dapat menganggap DRAM sebagai toko grosir. Ini memiliki lebih banyak ruang penyimpanan, tetapi membutuhkan lebih banyak waktu untuk mengambil item.
Baca juga : 10 Bidang Kemajuan Penting Yang Telah Dihasilkan Dari Industri Blockchain
5. Struktur Interkoneksi
Struktur interkoneksi adalah koneksi antara prosesor AI PU, controller dan semua modul lain di SoC. Seperti I / O, struktur interkoneksi penting untuk mengekstrak semua kinerja AI SoC. Dalam keadaan normal, situasi ini hanya akan terwujud jika struktur interkoneksi tidak dapat diidentifikasi di dalam chip.
Tidak peduli seberapa cepat prosesornya. Inovasi ini hanya berfungsi jika struktur interkoneksi dapat mempertahankan operasi normal tanpa menyebabkan penundaan yang mengganggu kinerja secara keseluruhan. Seperti halnya tidak memiliki jalur yang cukup di jalan raya dapat menyebabkan kemacetan lalu lintas selama jam sibuk.
Semua komponen ini adalah bagian penting dari chip kecerdasan buatan. Meskipun chip yang berbeda mungkin memiliki komponen tambahan atau memiliki prioritas investasi yang berbeda.
Komponen dasar ini bekerja sama secara simbiosis untuk memastikan bahwa chip kecerdasan buatan dapat dengan cepat dan efektif memproses model kecerdasan buatan. Tidak seperti CPU dan GPU, desain AI SoC masih jauh dari matang. Bagian dari industri ini terus berkembang pesat dan orang-orang akan melihat kemajuan dalam desain AI SoC.
6. Chip Kecerdasan Buatan Dan Contoh Penggunaannya
Ada banyak chip kecerdasan buatan yang beredar di pasaran. Penamaan chip ini bergantung pada perusahaan desain. Chip ini memiliki kasus penggunaan yang berbeda dalam model yang digunakan dan aplikasi dunia nyata yang dirancang untuk dipercepat. Berikut contoh penggunaanya :
1) Pelatihan dan inferensi
Kecerdasan buatan pada dasarnya adalah simulasi otak manusia dengan menggunakan jaringan saraf tiruan. Dirancang untuk menggantikan jaringan saraf biologis di otak manusia. Jaringan saraf terdiri dari sejumlah besar node yang dapat dipanggil untuk mengeksekusi model.
Di sinilah chip kecerdasan buatan berperan. Chip kecerdasan buatan sangat bagus dalam memproses jaringan saraf tiruan ini dan dirancang untuk melakukan dua hal dengannya.
Jaringan saraf asli awalnya dikembangkan dan dilatih dengan memasukkan data dalam jumlah besar. Pelatihan sangat intensif secara komputasi, sehingga diperlukan chip kecerdasan buatan yang berfokus pada pelatihan. Chip ini dirancang untuk memproses data tersebut dengan cepat dan efisien. Semakin kuat chipnya, semakin cepat pembelajaran jaringan.
Setelah jaringan dilatih, dibutuhkan chip yang dirancang untuk penalaran untuk menggunakan data di dunia nyata. Seperti pengenalan wajah, pengenalan gerakan, pemrosesan bahasa alami, pencarian gambar, pemfilteran spam dan lain-lain.
Dapat memikirkan dan melatih seperti membangun kamus dan inferensi mencari kata-kata dan memahami bagaimana menggunakannya. Keduanya diperlukan dan bersimbiosis.
Perlu dicatat bahwa chip yang dirancang untuk pelatihan juga dapat melakukan inferensi, tetapi chip inferensi tidak dapat melakukan pelatihan.
2) Komputasi Awan Dan Komputasi Edge
Aspek lain dari chip kecerdasan buatan yang perlu diketahui orang adalah apakah itu dirancang untuk kasus penggunaan komputasi awan atau kasus penggunaan komputasi edge. Untuk kasus penggunaan ini, apakah orang perlu menggunakan chip inferensi atau chip pelatihan.
Aksesibilitas komputasi awan sangat berguna karena fungsinya dapat digunakan sepenuhnya di luar lokasi. Tidak perlu menggunakan chip pada perangkat untuk memproses alasan dalam kasus penggunaan ini, yang dapat menghemat daya dan biaya. Namun, ada kekurangan dalam hal privasi dan keamanan karena data disimpan di server komputasi awan yang mungkin diretas atau salah penanganan.
Untuk alasan kasus penggunaan, ini mungkin juga kurang efisien karena tidak seprofesional chip komputasi edge. Chip yang dapat diproses di bagian tepi dapat ditemukan di perangkat seperti kamera pengenal wajah. Lebih adanya privasi dan lebih aman daripada di platform komputasi awan. Baca juga Penggunaan Kecerdasan Buatan Untuk Analisis Prediktif
Karena semua data disimpan di perangkat dan chip mereka biasanya dirancang untuk tujuan tertentu. Misalnya, kamera pengenal wajah akan menggunakan chip yang bagus dalam menjalankan model desain untuk pengenalan wajah.
Mereka juga memiliki kelemahan, karena menambahkan chip lain ke perangkat akan meningkatkan biaya dan konsumsi daya. Penting untuk menggunakan chip kecerdasan buatan edge yang dapat menyeimbangkan biaya dan konsumsi daya untuk memastikan bahwa perangkat tidak terlalu mahal bagi pengguna atau menghabiskan terlalu banyak daya.
3) Komputasi Awan Dan Pelatihan
Tujuan dari pemasangan ini adalah untuk mengembangkan model kecerdasan buatan untuk penalaran. Model ini akhirnya disempurnakan menjadi aplikasi kecerdasan buatan khusus. Model seperti ini kuat dan mahal untuk dijalankan dan dirancang untuk dilatih secepat mungkin.
Contoh termasuk sistem DGX-2 NVIDIA, yang memiliki total kapasitas pemrosesan 2 petaFLOPS. Ini terdiri dari 16 GPU Tensor Core NVIDIA V100. Contoh lain adalah chip Gaudi Intel Habana.
Contoh aplikasi yang ditemui orang setiap hari yang membutuhkan banyak pelatihan antara lain foto Facebook atau Google Terjemahan. Dengan meningkatnya kompleksitas model ini, komputasi awan dan pasar pelatihan akan terus menerima permintaan dan perhatian.
4) Komputasi awan Dan Penalaran
Tujuan dari pemasangan ini adalah bahwa penalaran membutuhkan banyak daya pemrosesan. Sehingga penalaran tidak dapat dilakukan pada perangkat. Ha Ini karena aplikasi menggunakan model yang lebih besar dan memproses data dalam jumlah besar. Baca Penggunaan Internet of Things Dalam Kehidupan Sehari-hari.
Contoh chipnya termasuk Qualcomm’s Cloud AI 100, yang merupakan chip kecerdasan buatan untuk platform cloud besar. Contoh lainnya adalah Huanguang 800 Alibaba atau Colossus MK2 GC200 IPU dari Graphcore.
Chip pelatihan digunakan untuk melatih foto Facebook atau terjemahan Google, dan chip inferensi komputasi awan digunakan untuk memproses data masukan. Contoh lain termasuk chatbots kecerdasan buatan atau layanan kecerdasan buatan yang sebagian besar dioperasikan oleh perusahaan teknologi besar.
5) Komputasi Edge Dan Penalaran
Menggunakan chip perangkat komputasi edge untuk penalaran dapat menghilangkan masalah apa pun yang terkait dengan ketidakstabilan atau penundaan jaringan. Dapat melindungi privasi dan keamanan data yang digunakan dengan lebih baik.
Tidak ada biaya yang terkait dengan bandwidth yang diperlukan untuk mengupload data dalam jumlah besar. Terutama data visual seperti gambar atau video. Oleh karena itu, selama efisiensi biaya dan energi seimbang, ini bisa lebih murah dan lebih efisien daripada komputasi awan dan penalaran. Baca 7 Kemampuan Penting Untuk Memulai Dengan IoT.
Contoh di sini termasuk chip Kneron, termasuk KL520 dan chip KL720 yang baru saja diluncurkan. Merupakan chip berbiaya rendah dan berdaya rendah yang dirancang untuk digunakan pada perangkat. Contoh lain termasuk Intel Movidius dan Google Coral TPU.
Kasus penggunaannya termasuk kamera pengintai pengenalan wajah. Kamera kendaraan untuk pejalan kaki dan deteksi bahaya dan pemrosesan bahasa alami untuk asisten suara.
Baca Juga : Penggunaan Artificial Intelligence (AI) Di Tiongkok Melaju Pesat, Kapan Indonesia
Kesimpulan
Jenis chip serta penerapan yang berbeda, model dan kasus penggunaannya yang berbeda sangat penting untuk pengembangan kecerdasan buatan di masa depan. Dengan dukungan teknologi baru lainnya seperti 5G, kecerdasan buatan dengan cepat menjadi bagian penting dari pekerjaan dan kehidupan masyarakat. Untuk beradaptasi dengan ketergantungan masyarakat yang semakin meningkat pada teknologi, pengembangan chip kecerdasan buatan akan sangat pesat.
