Intel brengt een gunstig geprijsde usb-stick uit waarmee hobbyisten en andere gegadigden makkelijk rekencapaciteit voor deep learning in hun embedded projecten kunnen pluggen. De Neural Compute Stick legt een capaciteit van honderd gigaflops aan de dag bij een verbruik van een watt voor het toepassen van getrainde netwerken, bijvoorbeeld voor realtime vision. Indien nodig kunnen meerdere sticks worden ingeplugd voor extra rekenkracht.
De stick is gebaseerd op de taakspecifieke Myriad-visionprocessor van Movidius, een ai-bedrijf dat Intel vorig jaar overnam. De stick is niet bedoeld voor het trainen van netwerken – daarvoor verwijst Intel graag naar zijn krachtigere processoren – maar een eenmaal getraind systeem kan gecompileerd worden naar code voor de usb-stick. Ontwikkelaars moeten daarvoor het populaire Caffe-softwareraamwerk gebruiken.
Trojaans paard
Intel is lang niet de enige die met silicium komt voor het toepassen van neurale netwerken. Ontwikkelaars van embedded socs spelen hier steeds meer op in, typisch door het optimaliseren van de gpu’s in hun ontwerpen. Maar Intel onderscheidt zit met de vormfactor van een usb-stick, waardoor populaire ontwikkelbordjes zoals de Raspberry Pi voorzien kunnen worden van ai-capaciteiten.
Waarschijnlijk moet dit als ‘Trojaans paard’ dienen voor design-ins met de Movidius-processor. Intel verkoopt de stick voor rond de zeventig euro. Dit zou wel eens een slimme aanpak kunnen blijken. Intel probeerde de afgelopen jaren zelf door te breken met ontwikkelbordjes voor hobbyisten en makers, maar was te laat en moest die ambities onlangs stopzetten. Het bedrijf heeft naar verluidt onlangs ook zijn wearables-divisie opgedoekt. Door aan te sluiten bij een bestaand ecosysteem, heeft het bedrijf wellicht meer kans.
Device lifecycle management for fleets of IoT devices
Microchip gives insight on device management, what exactly is it, how to implement it and how to roll over the device management during the roll out phase when the products are in the field. Read more. .
Aan de andere kant is de hardwarekeus bij deep learning niet heel relevant, omdat raamwerken zoals Caffe of Tensorflow die volledig weg-abstraheren. Een overstap naar een andere processor is dus zo gemaakt.