חברת קיידנס (Cadence) השיקה את פלטפורמת אימות התכנון Verisium, אשר מבוססת על שימוש בבינה מלאכותית (AI) וכוללת שימוש בביג דטה לביצוע אופטימיזציה של עומסי העבודה בתהליך הבדיקה ולקצר את זמני הבדיקה. המוצר החדש בנוי על-בסיס פלטפורמת Joint Enterprise Data and AI – JedAI החדשה, אשר תואמת לכל מנועי האימות הקיימים של החברה ומספקת את מנוע הבינה המלאכותית למערכת Verisium.
החברה מסרה שמבחינתה מדובר בשינוי פרדיגמה באופן שבו מאמתים את תכנוני השבבים: "מערכת Verisium מאפשרת לעבור ממתכונת הרצה של אלגוריתם תכנון אלקטרוני (EDA) אחד על מנוע אחד, בכל פעם, למתכונת עבודה שבה ניתן לנצל את כל המידע הנאסף בכל הריצות שבוצעו במהלך כל שלבי התכנון והאימות של ה-SoC".
המערכת ממזגת את כל מקורות המידע (צורות גלים, דו"חות, log files ועוד), מייצרת מידע נוסף באמצעות חקירה מבוססת בינה מלאכותית של הנתונים, ומפיקה מודלים של המוצר המתוכנן. פלטפורמת Verisium מאחדת תחת קורת גג אחת את האלגוריתמים ופתרונות האימות הקיימים של החברה, בהם: Cadence Cerebrus, Palladium Z2 emulation, Protium X2 prototyping, Xceliumsimulation ועוד. המערכת מספקת חבילה שלמה של יישומי אימות וניהול האימות, כולל ממשק Python API המאפשר למהנדסים לכתוב בעצמם תהליכים ואפליקציות משלהם.
בתמונה למעלה: סגן נשיא Untether AI רוברט בי'צלר. המפתח הוא יעילות אנרגטית"
חברת Untether AI הקנדית הכריזה על ארכיטקטורת הדור השני שלה של מעבדי הסקות ברשתות נוירוניות, בשם speedAI, אשר מסוגלת לספק עוצמת עיבוד של עד 30TFlops/W. השבבים החדשים מיוצרים בתהליך 7 ננומטר של חברת TSMC, וצפויים להגיע אל השוק במחצית הראשונה של 2023. הם יסופקו ללקוחות במתכונת של רכיבים בודדים, או במתכונת של כרטיסי m.2 וכרטיסי PCI Express הכוללים 6 מעבדים בכל כרטיס, ומאפשרים חיבור הכרטיסים לקבלת עוצמת עיבוד גבוהה יותר.
סגן נשיא לניהול מוצר בחברה, רוברט ביצ'לר, סיפר בראיון ל-Techtime שבשלב הראשון החברה מייעדת את המוצרים שלה אל שוק מרכזי הנתונים. ביצ'לר: "בקצב הנוכחי של צמיחת מרכזי הנתונים, אם לא נתייעל הם יצרכו בתוך מספר שנים כ-20% מכל תפוקת האנרגיה בעולם. לכן יעילות אנרגטית היא המפתח. ככל שהמעבד יותר יעיל, גם ניתן לקבל יותר עוצמת עיבוד וגם לחסוך אנרגיה. היינו צריכים להתמודד עם הצורך לספק עוצמת עיבוד גבוהה, דיוק בתוצאות ויכולת התאמה לרשתות נוירוניות בטופולוגיות שונות".
עיבוד צמוד-לזיכרון
ארכיטקטורת speedAI צמחה בתוך ההכרה שכ-90% מהאנרגיה ברשתות נוירוניות מוקדשת להעברת המידע ממקום למקום ברשת. "כדי להתמודד עם הבעיה הזאת פיתחנו את הרעיון של עיבוד צמוד-לזיכרון (At-Memory Compute). השבב בנוי מרשת גדולה מאוד של אלמנטים מקושרים (Memory Bank), אשר כל אחד מהם כולל 512 יחידות עיבוד (ALU) וזיכרון SRAM הצמוד לכל יחידה. כל אלמנט כזה מנוהל באמצעות מעבד RISC-V שעבר התאמה ממיוחדת, כולל פקודות ייעודיות שפיתחנו עבורו. הקישוריות של כל המערך מנוהלת באמצעות מעבד ARM. השבב הראשון שלנו, speedAI240, כולל 1,456 מעבדי RISC-V".
המעבד החדש עובד עם כל הפורמטים של מידע המקובלים בתחום כמו FP32, FP8, BF16 ו-INT8. אולם במהלך הפיתוח החברה גילתה תופעה בלתי צפוי בתחום הזה: "חקרנו את היעילות של הפורמטים השונים והתברר לנו שדווקא פורמט FP8, אשר נחשב למדויק פחות בהשוואה לפורמטים הארוכים יותר, נותן תוצאות טובות יותר. אומנם המידע בכל מילה הוא פחות מפורט, אולם יעילות הביצוע והאפשרות להשתמש ברשת גדולה יותר – מפצים על האובדן בדיוק – ומספקים עוצמת עיבוד כוללת גדולה יותר. להערכתי אנחנו הראשונים בתעשייה המשתמשים בפורמט הזה ביישום מסחרי".
מתחרה פוטנציאלית של היילו
חברת Untether AI הוקמה בשנת 2018 בטורונטו, קנדה, על-ידי יוצאי תעשיית השבבים, רבים מהם הגיעו מחברות ה-FPGA זיילינקס ואלטרה. מאז הקמתה היא גייסה כ-170 מיליון דולר בהובלת גופים כמו אינטל קפיטל. כיום היא פועלת מטורונטו ומעמק הסיליקון. האם היא מתחרה בחברת Hailo הישראלית? בשלב הנוכחי עדיין לא. לדברי ביצ'לר, השבב המרכזי שלה speedAI240 מיועד לשוק מרכזי הנתונים בעוד ששבב ההסקות של היילו מיועד לאבזרי קצה. יחד עם זאת, ייתכן שמדובר במרחק תחרותי זמני: במצגת הרשמית של החברה ניתן לראות שהיא מתכננת להוציא בעתיד גרסאות מצומצמות יותר של הטכנולוגיה, בשבבים קטנים וחסכוניים בהספק, המותאמים לשימוש גם באבזרי קצה.
חברת Untether AI מיוצגת בישראל על-ידי חברת איסטרוניקס. למידע נוסף:אבנר אוזן, מנהל פעילות AI באיסטרוניקס. 050-5408863, [email protected]
בתמונה למעלה: ולדימיר אורייב. "אנשי ה-IT הם מכבי-האש של הארגון"
חברת ג'וניפר (Juniper Networks) הכריזה לאחרונה על מתגי תקשורת מבוססי בינה מלאכותית מסדרה EX4100, אשר מיועדים לארגונים קטנים ובינוניים. בדומה למתגים הארגוניים הגדולים מסדרה EX4100, גם המתגים החדשים מספקים שירותי גישה לרשת קווית הנשענת על שירותי ענן ועל תוכנת Mist AI, אשר מבצעת באופן אוטומטי חלק גדול ממטלות התמיכה הטכנית. מנהל תחום הבינה המלאכותית לרשתות ארגוניות באזור דרום ומרכז אירופה, ולדימיר אורייב, סיפר ל-Techtime שהניהול והתחזוקה של רשתות תקשורת ארגוניות הן מטלות מושלמות עבור תוכנות בינה מלאכותית.
אורייב: "הבינה המלאכותית מצטיינת כאשר יש כמות סופית של נתונים וצורך לבצע הרבה מאוד פעולות החוזרות על עצמן. לכן ניהול משאבי IT הוא תחום שבו הבינה המלאכותית מספקת מענה טוב מאוד. העובדים בתחום הזה מקדישים 90% מהזמן שלהם לתיפעול שוטף ולטיפול במספר סופי של תקלות אשר חוזרות על עצמן ברמה יומיומית. הם מכבי-האש של הארגון.
"במקרה הזה, ה-AI יכול להתמודד בעצמו עם רוב התקלות, ולסייע לאנשי ה-IT להבין את גורמי השורש לגרמו להן. כך למשל, כאשר משתמש מתלונן שהוא לא מתחבר לרשת, אנשי ה-IT צריכים להיכנס לתהליך ארוך של זיהוי תקלה. תוכנת ה-AI שלנו מבצעת את התהליך ובתוך שנייה נותנת את התשובה: המשתמש לא הקיש נכון את הססמא, צריך לשדרג דרייבר של המחשב, יש תקלה בטלפון שלו או בשירות השיחות הווירטואליות וכדומה".
כיצד המערכת עובדת?
"כיום התוכנה מוטמעת בכל המוצרים שלנו. אנחנו לא מוכרים מתגים או מוצרי תקשורת ללא המערכת הזאת. כדי להגיע לתובנות צריך לנתח הרבה מאוד נקודות מידע בזמן אמת. יש כ-200 פריטי מידע על כל משתמש שאנחנו מודדים בכל שנייה. הלקוחה הגדולה ביותר שלנו היא וולמארט, ובכל רגע נתון יש 2.5 מיליון משתמשים המחוברים אל הרשת שלנו. לכן מנוע הבינה המלאכותית שלנו יושב בענן, מכיוון שמדובר בכמויות אדירות של נתונים וניתן לטפל בהם רק באמצעות ענן ציבורי. אנחנו מספקים את השירות הזה במתכונת של SaaS, כלומר הלקוח לא צריך לרכוש ולתחזק בעצמו את השרתים".
מה קורה כאשר יש ציוד ישן או ציוד של חברות אחרות?
"ניתן להתקין את המערכת גם במתגים ישנים שלנו, כי היא מבוססת על שידרוג של מערכת ההפעלה שלנו. כאשר הרשת של הלקוח מעורבת, כלומר כוללת גם מערכות שאינן שלנו, מנוע ה-AI פועל רק על המערכות שלנו, ולא על המערכות של ספקים אחרים. אבל צריך לזכור שגם כאשר המידע שנאסף מתייחס רק לחלק מהרשת, הוא עדיין מספק תובנות חשובות מאוד על הרשת כולה".
בתמונה למעלה: דוגמא לאיכות הסרת הצללים באמצעות האלגוריתם החדש
מחקר שביצעו שני עובדים מחברת אפלייד מטיריאלס ישראל (Applied Materials) הציג גישה חדשה להתמודדות עם בעיית ההצללה בתמונות, והביא לפיתוח אלגוריתם בינה מלאכותית אשר מסוגל לנקות צללים מתמונות, באיכות הטובה ביותר שהושגה עד היום, באמצעות רשת נוירונים שהיא קטנה פי 1,000 בהשוואה לשיטות המתחרות. הפיתוח נעשה על-ידי תמיר עיני וגלעד ורד ממחלקת האלגוריתמים של חברת אפלייד מטיריאלס בישראל, ביחד עם אפרת אימר ובליווי פרופ' שי אבידן מאוניברסיטת תל אביב.
המחקר בוצע בעידוד החברה ועל חשבון שעות העבודה. הפרוייקט החל במסגרת קורס למידה עמוקה באוניברסיטה שבו השתתף תמיר עיני, שבו התבקשו הסטודנטים לבצע עבודת גמר. בהתייעצות עם המנחה שלו לעבודת המאסטר בהנדסת חשמל, פרופ' אבידן, החל עיני לעבוד על נושא ההצללה ובסיום הקורס צירף אליו את גלעד ורד. המטרה הייתה למצוא דרך יעילה להתמודד עם סוגיית הצל, אשר מאפשרת לסייע בפתרון בעיות דומות גם בתחום מערכות הבקרה על ייצור שבבים.
הגדרה חדשה של אתגר הצל
עיני: "מודלים של רשתות נוירונים מבוססים על שימוש במשקולות, אשר מספרן מגדיר את מספר פעולות העיבוד שיש לבצע. המודל שפיתחנו זקוק לפחות משקולות בשלושה סדרי גודל בהשוואה למודלים הקיימים היום בספרות. כלומר, הרשת שלנו מבצעת פי 1,000 פחות פעולות עיבוד, ובכל זאת היא סיפקה את התוצאה הטובה ביותר. המחקר וההדגמה נעשו על-גבי שני מאגרי מידע הכוללים תמונות עם צל ותמונות בלי צל, אשר משמשים כמבחן ליכולת של האלגוריתם להתמודד עם הבעיה".
מימין לשמאל: גלעד ורד ותמיר עיני
לדברי גלעד, אחד מההישגים של הפיתוח הוא בגישה החדשה של הצוות, שבה האלגוריתם מנתח כל פיקסל בתמונה. "עד היום התמודדו עם אתגר הסרת הצל מתוך הנחה שהתיקון צריך להיות אחיד, ולכן העיבוד נעשה על כל איזור הצל במשותף. הטענה שלנו היתה שהצל הוא לא אחיד. קיימים אזורים פנימיים שבהם הצל אחיד, וקיימים אזורים שבהם יש עירוב בין הארה מוצללת במלואה לבין הארה שהיא מוצללת באופן חלקי, ולכן צריך להתמודד עם האתגר ברמת הפיקסל ולא ברמת הצל באופן אחיד".
מחלקת האלגוריתמים של אפלייד מטיריאלס ישראל מעסיקה כ-70 אלגוריתמאים העוסקים במחקרי עומק בתחומים כמו ראיית מכונה (CV), לימוד מכונה (ML) ורשתות נוירונים עמוקות (DL). הממצאים הוצגו בסדנה של כנס CVPR שהתקיים ביוני השנה בארה"ב. מדובר בכנס החשוב בעולם בנושאי ראייה ממוחשבת.
ביום ד’, ה-27 ביולי 2022, תקיים חברת סינופסיס (Synopsys) וובינר בנושא השימוש במערכות מונחות בינה מלאכותית לביצוע בדיקות Regression Debug Automation לאחר שנעשו שינויים בתכנון השבב, במטרה להבטיח את המשך פעילותו הפונקציונלית ואיתור בעיות שורש בתכנון המעודכן. ההדרכה תתקיים בשעה 20:00 לפי שעון ישראל ותימשך 60 דקות.
Rob van Blommestein (left): Product Marketing Manager for the Verdi Automated Debug System at Synopsys. He has over 20 years of experience in marketing verification products from startups to large-scale companies.
Myles Glisson (right): Product and debug Applications Engineer with nearly 30 years of experience. He is a well-known leader in customer advocacy, building strong customer relationships, solving issues as well as providing technical advice and solutions. He works with sales, marketing and R&D to drive the adoption of solutions in customer flows and methodologies.
More about the webinar:
The Synopsys Verdi® Regression Debug Automation (RDA) is an artificial intelligence (AI) driven verification technology for automating the process of finding the root causes of failures in the design under test and test bench. In this Synopsys webinar, we will discuss the challenges engineers face during the design verification and debug phase. We will walk you through the AI-driven components of RDA to help you eliminate the manual process, save time, more quickly understand design behavior and get to the root cause of errors.
חוקרים מהטכניון ביצעו מחקר שהראה דרך המאפשרת לצמצם את משאבי העיבוד הדרושים לצורך קבלת החלטות ברכב אוטונומי בתנאי אי-ודאות, בלא לפגוע בביצועי המערכת הרובוטית. המחקר מציג דרך לבצע השפטה של הבעיה, באופן המצמצם את היקף המידע שהמחשב צריך לנתח. מסקנות המחקר פורסמו במאמר בכתב העת International Journal of Robotics Research. המחקר בוצע בפקולטה להנדסת אווירונוטיקה וחלל בטכניון על-ידי ראש המעבדה לניווט אוטונומי וחישת עולם, פרופ' ואדים אינדלמן, ועל-ידי בוגר תואר שלישי בתוכנית למערכות אוטונומיות, חן אלימלך.
"אנחנו מראים שניתן לצמצם באופן משמעותי את כוח החישוב הנדרש מבלי לפגוע בהצלחה בביצוע המשימה", הם הסבירו. "אנחנו גם מראים שאפשר לצמצם את המאמץ החישובי אף יותר – תמורת פגיעה מסוימת אפשרית בביצועים – שאותה ניתן להעריך".
קבלת החלטות אוטונומית בתנאי אי-ודאות היא יכולת חיונית עבור סוכנים (agents) אוטונומיים הנדרשים לפעול בסביברה משתנה ובאופן מהימן לאורך זמן. במקרים רבים אין לסוכן גישה ישירה למשתני המצב של הבעיה והוא פועל על סמך התפלגות הסתברותית או "אמונה" (belief). התפלגות זאת מבטאת את הידע שיש לסוכן על עצמו ועל סביבתו בהתבסס על מודלים הסתברותיים, פעולות שבוצעו ומדידות שהתקבלו מחיישנים שברשותו.
בעיה זאת נקראת גם "תכנון במרחב האמונה" (belief space planning). פתרון הבעיה, כלומר חישוב מכלול הפעולות המיטביות להשגת המטרה, מצריך אומדן של הפעולות הפוטנציאליות תחת פונקציית תגמול או מחיר כלשהי כמו למשל, מרחק אל היעד. האתגר הזה גם מחייב לחזות כיצד "האמונה" תתפתח בעתיד. מדובר במטלות יקרות מאוד מבחינה חישובית. קבוצת המחקר של פרופ' אינדלמן מתמודדת עם האתגר באמצעות פיתוח דרכי הפשטה (simplification) המאפשרות לפתור בעיות מסוג זה בצורה יותר יעילה חישובית. זאת, למשל, באמצעות דילול (sparsification) של מטריצות. היבט חיוני בגישות מסוג זה הינו קבלת ערובות (guarantees) לביצועים: האם תהליך ההפשטה יכול לפגום בביצועים, ואם כן, עד כמה.
במסגרת המאמר הם הניחו תשתית תאורטית המציגה כיצד לפשט את הבעיה, וכיצד להגדיר את רמת הסטייה שהמערכת מוכנה לקבל. התשתית התארוטית הזו הודגמה באמצעות תוצאות ניסויים שהתבצעו באמצעות תוכנת הדמייה, שבה רובוט וירטואלי המצויים בחיישן LiDAR וירטואלי, התמודד עם מטלות ניווט והגעה לידע בתוך מבוך וירטואלי. המחקר נתמך על-ידי הקרן הלאומית למדע (ISF). הדוקטורנט חן אלימלך, שהוביל את המחקר, זכה לאחרונה ב"פרס על עבודת מחקר יוצאת דופן לתואר שלישי" מטעם המרכז הישראלי למחקר בתחבורה חכמה (ISTRC).
חברת אינפיניאון (Infineon) הכריזה על מערכת האזעקה מבוססת סוללה הראשונה בתעשייה הפועלת באמצעות אלגוריתם בינה מלאכותית קומפקטי במתכונת של תוכנת Tiny AI. החברה פיתחה תכנון ייחוס המתבסס על חיישני MEMS ממשפחת XENSIV: מיקרופון וחיישן לחץ אוויר ברומטרי. המידע משני החיישנים מגיע אל מיקרו-בקר מדגם PSoC6 ואל שבב בינה מלאכותית, אשר מריצים את התוכנה המשלבת את המידע המגיע מהחיישנים, מנתחת אותו ומפיקה התראות.
ההתראות מגיעות לאחר שהמערכת מזהה ארועים הקשורים ללחץ אוויר, למידע אקוסטי, או לשניהם ביחד. החברה מסרה שהמערכת מספקת ביצועים אמינים יותר ממערכות שאינן מבוססות בינה מלאכותית, מכיוון שהיא מסוגלת להתעלם מרעשי רקע שונים, דוגמת רעשים המגיעים ממקלט הטלוויזיה, רעשי רקע מהרחוב וכדומה. השבב הכולל את מערכת היתוך החיישנים (AED), מאפשר למשל להפעיל את האזעקה רק כאשר מגיעה התראה משני החיישנים במקביל. לשם המחשה: כאשר זגוגית החלון את הדלת מתנפצים, האלגוריתם מנתח את עוצמת ופתאומיות הרעש של פס תדרים מוגדר, במקביל לאיתור תבנית שינוי בלחץ האוויר בתוך החדר. כאשר האלגוריתם מזהה שמדובר בשני ארועים הקשורים אחד לשני – הוא מפעיל את האזעקה.
כך גם במקרה של פריצה לדירה או לבית: כאשר כל החלונות והדלתות סגורים, קיים לחץ אוויר קבוע בתוך החדר. פתיחת החלון או הדלת גורמים לשינוי פתאומי בלחץ האוויר. לכל אחד מהארועים האלה יש תבנית ספציפית (Pattern) המזוהה על-ידי האלגוריתם, ומאפשר למערכת להפיק התראת פריצה. תכנון הייחוס כולל אפשרות התחברות לחיישנים נוספים, דוגמת גלאי עשן או גלאי CO2. המערכת פועלת גם במתכונת חסכונית באנרגיה: המערכת מצויה במצב דל-אנרגיה, ונכנסת לפעילות מלאה רק כאשר מזוהה אות החשוד כאות הדורש תגובה. כרטיס תכנון הייחוס יהיה זמין ברבעון השלישי 2022.
חברת היילו (Hailo) וחברת רנסאס היפנית (Renesas) הכריזו על שיווק משותף של פתרון עבור מערכות עזר בטיחותיות לנהג (ADAS) ומערכות נהיגה אוטונומית (AD), אשר יתבסס על מעבד הרשתות הנוירוניות של היילו, Hailo-8 ועל שבבי ה-SoC של רנסאס, R-Car V3H ו-R-Car V4H. הפתרונות המשולבים מיועדים למגוון של יישומים, החל ממערכות ADAS ברמת L2+ וכלה במערכות נהיגה אוטונומית ברמה רביעית (L4).
"יכולות ADASונהיגה אוטונומית הוכחו כחיוניות בכדי לצמצם תאונות ולהציל חיים. יחד עם זאת, יצרניות הרכב מתקשות לייבא פונקציות מתקדמות אלה למכוניות שאינן רכבי יוקרה", אמר מנכ"ל ומייסד משותף של היילו, אור דנון. "הפתרון שאנחנו מציעים ביחד עם רנסאס שעוזר ליצור דמוקרטיזציה בתחום ה-ADAS". הפתרון המשותף של היילו ורנסאס יספק עוצמת עיבוד של 60-170 טריליון פעולות בשנייה (TOPS) ויגיע ביחד עם סביבת תוכנה פתוחה המאפשרת ליצרניות הרכב או הספקיות של המערכות (Tier 1) לעצב את המוצר הייחודי שלהן בהתאם להעדפתן.
חברת היילו הוקמה בפברואר 2017 על ידי אור דנון, אבי באום, הדר צייטלין ורמי פייג ז"ל, בוגרי יחידה טכנולוגית של חיל המודיעין. באוקטובר 2021 החברה השלימה גיוס הון שלישי בהיקף של 136 מיליון דולר. כיום היא מעסיקה כ-190 עובדים בתל-אביב ובחו"ל, ומתכננת לתגייס כמה עשרות עובדים נוספים עד סוף 2022. מעבד Hailo-8 של החברה הוא מעבד ייעודי להרצת רשתות נוירונים. כל רכיב מספק עוצמת עיבוד של עד 26 טריליון פעולות בשנייה ברמת צריכת הספק טיפוסית של כ-2.5 וואט. בחודש דצמבר 2021 הכריזה היילו על שיתוף פעולה דומה עם חברת NXP Semiconductors, שבמסגרתו הן ישיקו ביחד פתרונות בינה מלאכותית עבור יחידות הבקרה האלקטרוניות של כלי רכב.
חברת Polyn Technology מקיסריה מתכננת להשיק עד סוף השנה שבב עיבוד רשתות נוירוניות מסוג חדש לגמרי, אשר מבוסס על מעגל חשמלי אנלוגי ולא על רשת נוירונים דיגיטלית. לאחרונה השלימה גלובלפאונדריז את הייצור של סדרת הניסוי הראשונה, בטכנולוגיית CMOS ברוחב צומת של 55 ננומטר. מייסד משותף ומנכ"ל החברה, אלכסנדר טימופייב, סיפר ל-Techtime שההשקה המסחרית של הרכיב מתוכננת להתבצע בנובמבר או בדצמבר 2022.
טכנולוגיית Neuromorphic Analog Signal Processing – NASP של החברה צמחה מתוך פיתוח מתימטי של המדען הראשי אלכסנד גודובסקי. הוא פיתח משוואה המאפשרת לייצג באופן שונה את הפעילות של רשתות נוירוניות בשלב ההסקה (רשתות מאומנות). בעקבות הרעיון הוקמה החברה בשנת 2019, וגייסה לשורותיה מפתחים ישראלים יוצאי חברות דוגמת טאואר, יבמ, אינטל, קיידנס ועוד. החברה הצליחה לממש את הייצוג החדש באמצעות בניית נוירונים אנלוגיים. הדבר מאפשר לייצר מעגל המממש רשת של אלפי נוירונים דיגיטליים – באמצעות אבני בניין קלאסיות: מגברי-שרת (OpAmp) ונגדים.
רכיב היברידי המשלב רשת דיגיטלית ומעבד אנלוגי
שבב ה-NASP הראשון של החברה, לשם המחשה, מכיל 50 אלף נוירונים אנלוגיים. להערכת טימופייב, הוא חסכוני בהספק פי 100 בהשוואה לרשת נוירונים דיגיטלית מקבילה, ומהיר ממנה פי 1,000. מאז הקמתה גייסה פולין כ-4.5 מיליון דולר. כיום החברה מעסיקה 22 עובדים. היא רשומה בבריטניה ויש לה משרדים בלונדון, אבל משרדיה הראשיים מצויים בישראל. כיום היא נמצאת בתהליכי רישום של 21 פטנטים שונים כדי להגן על הטכנולוגיה.
לדברי טימופייב (בתמונה למטה), המוצר הסופי הוא שבב היברידי הכולל רשת אנלוגית קבועה אשר אחראית ליישום שלב זיהוי התבניות, ועוד מרכיב דיגיטלי דינמי כמו למשל רשת נוירונים דיגיטלית קטנה, אשר אחראי לתהליך הפירוש של התבניות, להוספת מרכיבים למעגל במסגרת תהליכי עדכון של האלגוריתם ואפילו לביצוע אימון ברמה מוגבלת. טימופייב: "בממוצע כ-90% מהרשת הנוירונית היא קבועה ולא משתנה. פחות מ-10% ממנה מקבל עידכונים שונים בהמשך הפעולה. השבב שלנו הוא היברידי: אנחנו ממירים 90% מהרשת למעגל אנלוגי והשאר נשאר דיגיטלי. אנחנו גם יכולים להתאים את התמהיל הזה לצורכי היישום הספציפי".
המעבד הראשון שהחברה תוציא בסוף השנה, NeuroSense, מתוכנן להיות הרכיב הראשון במשפחה של רכיבים. צריכת ההספק שלו קטנה מ-100 מיקרו-ואט, ולכן הוא מיועד לאבזרים דלי-הספק כמו שעונים חכמים ואבזרים לבישים. הוא יימכר גם במתכונת של רכיב פיסי וגם במתכונת של קניין רוחני (IP). "השבב יפתור בעיה הקיימת היום בכל השעונים החכמים: הם צריכים לבצע ניטור רציף של החיישנים, אולם הדבר צורך הרבה מאוד אנרגיה". מפת הדרכים של החברה כוללת עוד שני רכיבים: מעבד קולי להפרדת הקול האנושי מקולות רקע, ומיועד לשוק של מכשירי שמיעה, מכשירי רדיו אלחוטיים של כוחות חירום והצלה, ובהמשך גם ליישומים צרכניים. השבב השלישי יתמקד בניתוח זעזועים עבור השוק התעשייתי.
מהי רמת החסינות של השבבים?
"אנחנו מסתמכים על תהליכי ייצור קיימים ומוכחים. לכן גם הייצור של השבב הראשון התבצע ב-55 ננומטר. אנחנו מבצעים 50 אינפרנסים בשנייה. זהו תדר עבודה נמוך מאוד ולכן הרכיב חסין מאוד בפני הפרעות אלקטרומגנטיות. כמו כל רשת נוירונית, מדובר ברשת מקבילית שבה שגיאה בניורון אחד לא משפיעה באופן כללי על התוצאה הסופית. זהו לא מעגל אשר צובר טעויות".
חברת קיידנס (Cadence) הכריזה על מערכת Optimality Intelligent System Explorer, המיועדת לביצוע לביצוע אופטימיזציה של מערכות אלקטרוניות שלמות ברמה הםיסית וברמה החשמלית. המערכת החדשה היא המענה של קיידנס לתחום הניתוח והמיטוב הרב-תחומי של מערכות (Multidisciplinary Analysis and Optimization – MDAO). הפתרון כולל את מערכת Clarity 3D Solver לניתוח אלקטרומגנטי תלת מימדי, ואת טכנולוגיות Sigrity X לניתוחי שלמות אותות (SI) ושלמות הספק (PI).
החברה מסרה שהמערכת החדשה כוללת את טכנולוגיית הבינה המלאכותית שהיא שילבה לאחרונה במערכת Cerebrus, אשר משמשת לשיפור התכנון של דבבים חדשים. בתחילת החודש דיווחה מדיהטק שהמערכת איפשרה לה להקטין את שטח הסיליקון בשבב בכ-5%. מערכת הבינה המלאכותית אשר שולבה ב-Optimality Explorer מבצעת ניתוח של התכנון בכל הרמות: מרמת ה-IC, דרך המארז, המעגל המודפס (PCB) וכלה ברמת המערכת השלמה – כולל קרינה אלקטרומגנטית ושלמות האות.
בתמונה למעלה: ארז לורבר, מנכ"ל קווסטאר. "הגידול בנפח המידע מחייב שימוש בכלי בינה מלאכותית ולימוד מכונה"
בשבוע שעבר השיקה חברת Questar מראש העין את טכנולוגיית Vehicle Health Management-VHM אשר מאפשרת לעקוב אחר מצב הרכב, לאתר תקלות בשלבי התפתחותן הראשוניים ולספק תובנות לטיפול מונע. המערכת מבוססת על מחשב ומודול תקשורת אשר נמצאים ברכב, אוספים מידע מכל החיישנים ומבצעים ניתוח ראשוני של המידע. לאחר מכן המידע נשלח אל הענן ושם מתבצע עיבוד מתקדם המבוסס על אלגוריתמים של בינה מלאכותיתי ולימוד מכונה. הממצאים מסייעים ליצרני רכב ולמנהלי ציים לאתר בעיות לפני שהן מתרחשות, ולמטב את תוכניות הטיפול, התחזוקה ואפילו את התכנון של דגמים חדשים.
בשיחה עם Techtime סיפר מנכ"ל קווסטאר, ארז לורבר, שכיום החברה מספקת שירותי ניטור וטלמטריה לכמה מאות-אלפי כלי-רכב בישראל, במדינות סקנדינביה, בארה"ב, בבריטניה, במקסיקו ובברזיל. לורבר: "אנחנו נמצאים בקשר עם מספר יצרני רכב גדולים, במטרה לשלב את המערכות שלנו בתוך דגמים חדשים של מכוניות". מאחורי החברה עומדת טכנולוגיה אשר פותחה במשך שנים רבות ומוגנת בכ-30 פטנטים רשומים. למעשה, קווסטאר החלה את דרכה בשנת 2003 בתור חברת Traffilog, אשר פיתחה פתרונות טלמטריה לציי רכב, המבוססים על מחשב מקומי המותקן בתוך הרכב.
גיבוש אסטרטגיית צמיחה
המחשב אוסף נתונים מהחיישנים הקיימים באמצעות ערוץ ה-CAN Bus, ומייצר תובנות תפעוליות המשודרות אל מנהלי הצי באמצעות הרשת הסלולרית. בחודש דצמבר 2019 ביצעה קרן טנא השקעה של כ-12 מיליון דולר בחברה תמורת כ-46% מהמניות, ובהמשך היא הגדילה את השקעתה וכיום היא בעלת השליטה בחברה. קרן טנא הישראלית עוסקת בהצמחת חברות תעשייתיות ומנהלת הון בהיקף של כמיליארד דולר. בעקבות כניסתה לחברה, הוגדרה תוכנית צמיחה, וביוני 2020 הובא מנכ"ל חדש, ארז לורבר, אשר הגיע מחברת StoreDot שבה שימש כמנהל התפעול (COO) במשך חמש שנים.
"העבודה בסטורדוט חשפה אותנו אל חברות רכב גדולות מאוד ואל מהפיכת הקישוריות וחישמול הרכב. הבנו שהנתונים יהיו המרכיב המשמעותי ביותר במהפיכת הרכב, והתחלנו לחפש חברה שתשלים את הפתרונות שלנו ותספק יכולת ניתוח כמויות גדולות מאוד של נתונים". המענה נמצא בחברת SafeRide מרמת החייל, שהוקמה ב-2014 על-ידי יוסי ורדי וחיליק שטיין. החברה החלה את דרכה כחברת סייבר לעולם הרכב. היא פיתחה את טכנולוגיית VSentry Edge AI אשר לומדת באופן עצמאי את דפוסי ההתנהגות הנורמליים של מערכות התקשורת ברכב, כדי לזהות התנהגות חריגה ולספק התראה.
בשנת 2019 החליטה NXP להטמיע את הטכנולוגיה של SafeRide ברכזות תקשורת חדשות לרכב, והחלה בפרוייקט פיילוט עם יצרן רכב אירופי שתכנן להשתמש ברכזות האלה בדגמי רכב חדשים. יכול להיות שמדובר בחברת רנו, שכן ביוני 2019 דיווחה רנו שהיא מבצעת ניסויים בשיתוף SafeRide במעבדת החדשנות שלה בתל אביב. מכל מקום, בניסויים האלה התברר שהאלגוריתם של החברה מזהה חריגות נוספות, כמו למשל התפתחות תקלות ברכב ואפילו שימושים פסולים שעושה הנהג ברכב.
שתי החברות מתמזגות
לפני כחצי שנה התמזגו SafeRide ו-Traffilog. המיזוג יצר חברה מאוחדת המעסיקה כ-150 עובדים (שליש מהם מגיע מחברת סייפ-רייד) והחברה מיתגה את עצמה מחדש תחת השם Questar כספקית טכנולוגיות ניטור, ניתוח והפקת תובנות חכמות. "חיברנו את הפתרונות שהיו לנו ביחד עם יכולות הבינה המלאכותית של סייפ-רייד במטרה להיות מובילים בתחום החיזוי של בריאות הרכב".
מהו המודל העסקי שלכם?
לורבר: "אנחנו עובדים ישירות מול לקוחות גדולים, או דרך מפיצי VAR הרוכשים מאיתנו את החומרה והשירות, ומספקים ללקוחות שלהם. החומרה אוספת את המידע מכל החיישנים, מבצעת עיבוד ראשוני ברכב ושולחת את המידע לענן של אמזון. שם מצויים השרתים שלנו המבצעים עיבוד נוסף ומפיקים תובנות על התנהגות הרכב, השימוש היעיל ברכב, חיזוי תקלות וכדומה. כיום אנחנו מנטרים משאיות, אוטובוסים, כלי-רכב כבדים ומכוניות פרטיות שהיצרנים עוקבים אחריהן. עשרות אלפי כלי-רכב מצויידים בפתרון שלנו. תוכנית 'נהג צעיר' של הפניקס מבוססת עליו".
מה הן המגמות המרכזיות בתחום המידע ברכב?
"כאשר כל המכוניות יהיו מקושרות, המוצר שלנו יהיה בעיקר תוכנה. אולם אנחנו עדיין רחוקים מהמצב הזה ורוב המכוניות בעולם אינן מקושרות. לכן יש צורך במערכות כמו שלנו כדי לחבר אותן לרשת ולקבל מהן נתונים. המערכת שלנו כוללת מודם סלולרי עם כרטיס SIM המשדר את הנתונים (GPRS). מכיוון שנפח המידע נמצא בעלייה גדולה מאוד, חשוב להישען על בינה מלאכותית ולימוד מכונה, ולשדר רק את התובנות העיקריות המתקבלות לאחר עיבוד ראשוני.
"אנחנו גם רואים שינויים בסוג הנתונים ובקשות לנתונים חדשים. כך למשל, מצב לחץ האוויר והטמפרטורה בצמיגים משפיעים על צריכת הדלק המיידית, במיוחד במשאיות גדולות ועמוסות במטען. התוצאה היא שיצרנים החלו להתקין חיישנים בתוך הצמיגים אשר מספקים מידע חדש שאנחנו מעבדים. אנחנו צופים שבקרוב נידרש לספק מידע מחיישנים של מערכות העיר החכמה וממערכות דיווח מזג האוויר. בנוסף, כניסת הרכב החשמלי תייצר דרישה למערך חדש וגדול מאוד של נותנים שיהיה צורך לטפל בהם".
חברת הבאנה לאבס (Habana Labs) מקיסריה ותל אביב הכריזה על מעבדי הבינה המלאכותית החדשים שלה: מעבד Gaudi 2 לאימון רשתות נוירוניות ומעבד Greco המשמש כמנוע לייצור הסקות (inferencing) ברשתות לימוד עומק (deep learning). בפגישה עם איתן מדינה, מנהל העסקים הראשי של חברת הבאנה לאבס, הוא סיפר שהמעבדים החדשים מיוצרים בחברת TSMC בתהליך של 7 ננומטר וצורכים הספק של עד 600W ללא צורך בקירור נוזלים.
חברת הבאנה לאבס הוקמה בשנת 2016 על-ידי דוד דהן ורן חלוץ, יוצאי חברת פריימסנס שנמכרה לאפל ב-2013 תמורת 345 מיליון דולר. בסוף 2019 היא נמכרה לאינטל תמורת כ-2 מיליארד דולר וכיום מעסיקה כ-900 עובדים. היא הפכה לאחת מאבני הבניין החשובות של אינטל בתחום הבינה המלאכותית. לדברי מדינה, המעבדים מיועדים לשוק הצומח של רשתות עומק (DL) בבמרכזי נתונים. "כיום תופס ה-DL כ-75% מפעילות הבינה המלאכותית בענן. להערכתנו, ככל שגדל המשקל ה-DL בשרתים, כך גובר הצורך בהבאנה: אומנם מעבדי GPU יעילים בעיבוד משימות מעורבות, אולם בתחום רשתות העומק הנוירוניות יש עדיפות להבאנה".
מעבד Gaudi 2 כולל גם מנוע עיבוד מדיה משולב עבור מדיה דחוסה, כדי להוריד עומס מהמערכת המארחת. קיבולת זיכרון שלו הוכפלה פי שלושה ל-96 ג'יגה-בייט עם רוחב פס של 2.45 טרה-בייט/לשנייה. השבב כולל 24 ממשקי גישה לרשת מסוג 100GbE RoCE RDMA, המאפשרים הגדלה והרחבה באמצעות חיבור רשת סטנדרטי, המצמצם את התלות של הלקוח בממשקי תקשורת קנייניים. המעבד מופיע עם תוכנת SynapseAI, אשר תומכת במודלים לאימון על Gaudi 2 והסקת מסקנות בכל פלטפורמה, כולל מעבדי Xeon של אינטל, Greco של הבאנה או Gaudi 2 בעצמו.
איתן מדינה. הבאנה יעילה יותר מ-GPU
ההכרזה כוללת גם שרת בינה מלאכותית 12 Gaudi 2 Training Server אשר פותח על-ידי חברת Supermicro ומתוכנן להגיע השנה לשוק. במקביל, חברת DataDirect Networks תספק מארז שלם הכולל את שרת Supermicro X12 ביחד עם פתרון האחסון שלה, DDN AI400X2, לאחר שעבר התאמה לפעולה הדדית. אחת מההצלחות החשובות של הבאנה היא שחברת AWS התקינה בענן שלה את דרייבר (Instance) הבינה המלאכותית Amazon EC2 DL1, שהוא הראשון שאינו תומך במעבדי GPU. אפילו חברת מובילאיי כבר מבצעת עבודות עיבוד באמצעותו.
מעבד Gaudi החדש מאפשר לאינטל להתחרות בחברת אנבידיה בתחום החזק ביותר שלה – מעבדי GPU ליישומי בינה מלאכותית. אפילו תוכנת SynapseAI של הבאנה מעניקה למפתחים אפשרות לעבוד עם תוכנות שאינן תוכנות של אנבידיה. בתדרוך לכתבים ישראלים, אמרה סנדרה ריברה, סגנית נשיא בכירה באינטל ומנכ"לית קבוצת הדאטה סנטר והבינה המלאכותית, שהשקת מעבדי הבאנה החדשים "היא דוגמה מצוינת לאופן שבו אינטל מיישמת את אסטרטגיית הבינה המלאכותית שלה – מהענן ועד לאבזרי הקצה. "מעבד Gaudi 2 מסייע לאמן עומסי לימוד מעמיק גדולים ומורכבים במהירות וביעילות".
בתמונה למעלה: כרטיס האצה של Untether AI המכיל ארבעה מעבדי "מחשוב בזיכרון"
חברת איסטרוניקס (Eastronics) קיבלה את הנציגות בישראל של חברת Untether AI הקנדית, אשר מספקת כרטיסי האצה למטלות בינה מלאכותית, המבוססים על מעבדי runAI של החברה. המעבדים בנויים בארכיטקטורה ייחודית שבה העיבוד מתבצע בזיכרון. להערכת החברה, כ-90% מצריכת ההספק ביישמי בינה מלאכותית נובע מהעברת מידע בין המעבד לזיכרון. כדי להתמודד עם צוואר הבקבוק הזה, החברה פיתחה מעבד שבב הכולל מספר גדול של יחידות עיבוד מקביליות שאליהן צמודים רכיבי זיכרון, ועל-ידי כך היא מפחיתה פי שישה את צריכת האנרגיה הנובעת מהעבדת נתונים.
ארכיטקטורת "מחשוב בזיכרון" (At-memory Compute) של החברה מיועדת להסיר את צוואר הבקבוק הזה במהלך יישום שלב ההסקה של רשתות עצביות. שבב הליבה של החברה מבוסס על מערך של 512 יחידות עיבוד מבוססות RISC שכל אחת מהן עובדת ישירות מול שבב זכרון SRAM ייעודי צמוד בנפח של 385KB כל אחד. השבב מתחבר אל הכרטיס באמצעות 16 נתיבי PCIe Gen 4 העובדים במהירות של 32Gbps כל אחד. השבבים האלה מהווים את ליבת כרטיסי ההאצה של החברה, tsunAImi, אשר מספקים עוצמת עיבוד של יותר מ-2,000TOPS בכל כרטיס.
מנהל קבוצת פתרונות משובצים בחברת איסטרוניקס, דורון איתן, אמר שכרטיסי ההאצה של Untether AI מתאימים באופן טבעי ללקוחות איסטרוניקס. מנכ"ל Untether AI, ארון לינגר, אמר שהנוכחות החזקה של איסטרוניקס בישראל, "מבטיחה מיצוי מירבי של פוטנציאל פתרונות הבינה מלאכותית שלנו בשוק הישראלי". חברת איסטרוניקס מייצגת ומפיצה מוצרים ופתרונות של חברות טכנולוגיות גדולות, בהן: Microsoft Embedded, Advantech ,Lenovo , Kontron, Micron, Western Digital ואינטל.
למידע נוסף: אבנר אוזן, מנהל פעילות בינה מלאכותית באיסטרוניקס. 050-5408863, [email protected]
חברת אינטל (Intel) תיעזר בלקחים המתקבלים ממערכת מיטוב משאבי הענן של Granulate Cloud Solutions התל אביבית, כדי לבצע שיפורים בתכנוני המעבדים שלה. כך גילתה סנדרה ריברה (בתמונה למעלה), מנהלת קבוצת Datacenter and AI בחברת אינטל, במהלך פגישה עם עיתונאי טכנולוגיה שהתקיימה אתמול (ב') בתל אביב. "הלקחים האלה מאפשרים לנו לבצע אופטימיזציה של שבבים שלנו, כמו מעבדים או מאיצים. אנחנו מנהלים כעת דיונים משותפים בנושא הזה".
גרנולייט פיתחה תוכנה מבוססת בינה מלאכותית אשר מיועדת להפחית את עלויות השימוש בענן באמצעות ייעול האופן שבו הלקוח משתמש במשאבי הענן. המערכת של החברה לומדת את תבניות השימוש של הלקוח במשאבי הענן, ומבצעת שינויים באופן שבו הלקוח משתמש במשאבים האלה, כדי לחסוך בעלויות כמו משאבי מחשוב, כמויות מידע המועברות בענן, זיהוי צווארי בקבוק וכדומה.
בחודש שעבר דיווחה אינטל על הסכם לרכישת גרנולייט הישראלית. עם השלמות יצטרפו כל 120 עובדי גרנולייט בתוך חטיבת מרכזי הנתונים וה-AI של אינטל. אינטל תשלם כ-650 מיליון דולר. העיסקה צפויה להסתיים בתוך מספר שבועות. לדברי ריברה, החשיבות העיקרית של גרנולייט טמונה בכך שהיא תסייע לאינטל לקדם את אסטרטגיית הבינה המלאכותית במרכזי נתונים. ריברה: "היקף יישומי הבינה המלאכותית נמצא בצמיחה מהירה ולהערכתנו עד לשנת 2025 הוא יתפוס כשליש מכל העיבוד המתבצע במרכזי נתונים. הדבר דורש להכפיל את עוצמת העיבוד, והדרך לעשות זאת היא באמצעות בינה מלאכותית".
קבוצת ה-Datacenter and AI הוקמה ביוני 2021, במסגרת ארגון מחדש בחברת אינטל, שבמהלכו גם הוקמה חטיבת תוכנה האחראית על פיתוח תשתית תוכנה מאוחדת לכל מוצרי אינטל, וחטיבת מחשוב עתיר ביצועים (HPC) האחראית על פיתוח מעבדים חזקים ומאיצים גרפיים למערכות ענן גדולות מאוד ובמחשבים חזקים. הקבוצה של ריברה כוללת כ-3,000 מפתחים ומובילה את פיתוח המוצרים לענן, כולל מעבדי Xeon ורכיבים מיתכנתים (FPGA). בנוסף, ריברה אחראית על גיבוש אסטרטגיית הבינה המלאכותית של אינטל. לדבריה, המאמץ המרכזי בתחום הבינה המלאכתוית מתמקד כעת בתוכנה.
ריברה: "המטרה שלנו היא לפשט את הגישה של המפתחים אל תחום הבינה המלאכותית. אנחנו בונים מערך של תוכנות האצה למעבדים שונים ופתרונות בינה מלאכותית אשר יהיו תואמים לכל המוצרים של אינטל. אנחנו מתחילים לבנות מודל מבוסס מנויים לאספקת הכלים האלה עבור הסיליקון שלנו. גרנולייט מתאימה לתפישה הזאת מכיוון שהיא מייצגת תוכנת בינה מלאכותית אשר מייעלת את החומרה. להערכתנו השילוב שלה בתוך אינטל יאיץ את מכירותיה, מכיוון שאנחנו יכולים לספק לה מידע פנימי על המעבדים שלנו, אשר מרציים כיום כ-70% מההסקות בעולם".
הדמיית קונספט של מחשב-העל האופטי העתידי של חברת CogniFiber
חברת CogniFiber מראש העין מפתחת מחשב מסוג חדש המיועד לבצע עיבוד מהיר מאוד של פעולות חישוב נוירוניות באמצעות רכיב אופטי, ולא באמצעות מעגלים אלקטרוניים. המחשב החדש ייקרא DeepLight ויתבסס על תגלית מדעית של פרופ' זאב זלבסקי מאוניברסיטת בר אילן ושל ד"ר אייל כהן. השניים גילו דרך חדשה לבנות רשתות נוירוניות באמצעות מארג של סיבים אופטיים מותכים (Multicore Fiber). המחשב מזריק אותות אל תוך המארג, והאינטראקציה בין האותות השונים בתוך אגד הסיבים מייצרת תופעה של רשת נוירונים עם משקלים הניתנים לשליטה באמצעות מערכת בקרת אותות חיצונית.
הטכנולוגיה נמצאת עדיין בשלבי מחקר ופיתוח בסיסייים, אולם להערכת החברה, בתוך מספר שנים היא תוכל לייצר מסד הכולל 1,800 מעבדים אופטיים העובדים במקביל, כאשר שילוב של מספר מסדים (תמונה למעלה) יאפשר לייצר מחשב-על ליישומי בינה מלאכותית מבוססת רשתות נוירוניות – הצורך אנרגיה של כ-10 קילו-ואט בלבד – פחות מ-1% בהשוואה למחשבי-על בקטגוריה מקבילה הקיימים היום בשוק. "רשתות נוירוניות הן יישום טבעי לעיבוד אופטי", הסביר כהן ל-Techtime. "מכיוון שהן מבוססות על סיווג ועיבוד סטטסטי. נוכל להזריק למחשב כמויות נתונים אדירות, ולקרוא במהירות את התוצאה בלא הפסדי הספק וללא חימום".
הסיב הוא הרשת
חברת CogniFiber הוקמה בשנת 2018 על-ידי זלבסקי (טכנולוג ראשי) וכהן (מנכ"ל), על בסיס תגלית מדעית. אייל כהן הוא מהנדס אלקטרוניקה שעבד במלאנוקס ובסייפאן, ולאחר מכן קיבל תארי מאסטר ודוקטורט ממכון וייצמן למדע בתחום חקר המוח. בשנת 2013 הוא החל במחקר הפוסט דוקטורט בהנחיית זלבסקי, שהתמקד בדרכים שבהן ניתן לממש רשתות נוירוניות באמצעים אופטיים. במסגרת המחקר הם גילו את הפוטנציאל הטמון במערכי Multicore Fiber ורשמו שני פטנטים (הנמצאים בבעלות האוניברסיטה).
מייסדי החברה (מימין לשמאל): פרופ' זאב זלבסקי וד"ר אייל כהן
למעשה, מדובר ברכיב המוכר מתחום התקשורת: סיבים מותכים מרובי-ליבות משמשים בכבלים תת-ימיים למרחקים גדולים. אלא שבניגוד לנהוג בתעשיית התקשורת, המערכת של החברה לא מבוססת על הרחקת הליבות אחת מהשנייה, אלא על קירוב הליבות במערך, כדי שניתן יהיה לקבל מעבר מבוקר של אור בין הליבות. כיום החברה מעסיקה 18 עובדים. מאז הקמתה ב-2018 היא גייסה כ-8.5 מיליון דולר ונכנסה לשלב הוכחת ההיתכנות, אשר הניב עד היום פטנט רשום שלישי ועוד 22 פטנטים בתהליך אישור.
המוצר הראשון ייצא לשוק בתוך כחודשיים
כהן: "בשלב הראשון יישמנו שכבת נוירונים אחת המבוססת על מערך של סיבים עם 7 כניסות ו-7 יציאות, אשר קיבל אותות באורך גל של 1550 ננומטר, עירבבב אותם וסיפק תוצאה חישובית. על-הבסיס הזה בנינו מודל וירטואלי של מערכת גדולה יותר הכוללת רשת נוירונים מלאה בעלת 50 שכבות (ResNet50), אשר הראתה יכולת להגיע לרמת הדיוק של כרטיס גרפי של אנבידיה, אבל עם ביצועים גבוהים בהרבה: עיבוד של 3700 תמונות לכל ואט, בהשוואה ל-47 תמונות אצל אנבידיה".
כעת החברה נערכת להשקת המוצר הראשון שלה, אשר מתוכנן לצאת בעוד כחודשיים לשוק, אשר מיישם רשת נוירונים לומדת מסוג מקודד אוטומטי (Autoencoder). זהו סוג של רשת לומדת בקטגוריה של Generative Adversarial Network, אשר יודעת להעתיק את הפלט לקלט ועל-ידי כך לשפר את הביצועים. "הוא יהיה בגודל של ארון תקשורת סטנדרטי (40U) במרכזי נתונים, וכולל מעבדים אלקטרונייים, ממשקי תקשורת ומודול אופטי. הוא צורך הספק של 500 ואט בלבד, ויאפשר לספק מהענן שירותי עיבוד מטלות בינה מלאכותית. כיום יש לנו מספר לקוחות פוטנציאליים הממתינים למוצר כדי לבדוק אותו. להערכתנו, המקודד האוטומטי שלנו צפוי להיות מהיר יותר לפחות פי 100 מאשר המקודד המקביל של אנבידיה, כאשר הוא רץ על-גבי מחשב Nvidia DGX-A100".
בתמונה למעלה: עובדי Viz.ai בתל אביב. צילום: יעלי תותים
חברת Viz.ai התל אביבית השלימה גיוס הון רביעי בהיקף של 100 מיליון דור לפי שווי חברה של כ-1.2 מיליארד דולר. החברה פיתחה פלטפורמה מבוססת בינה מלאכותית אשר מקבלת מידע מאמצעי דימות ונתונים רפואיים, מנחת אותו ומסייעת לבצע אבחון מהיר של מחלות. הפלטפורמה מקבלת נתוני א.ק.ג, אמצעי דימות דוגמת אולטרא-סאונד, CT, CTA, MRI, X-Ray וכדומה ומספקת אבחון התומך בזיהוי אוטומטי של מקרי שבץ, דימומים מוחיים, תסחיפי ריאה, קרעים באבי העורקים ומפרצות מוחיות.
המערכת של החברה קיבלה אישור FDA לתוכנות AI המזהות מקרי חירום רפואיים והותקנה גם ברשת בתי החולים הגדולה בארה״ב (HCA), בית החולים הר סיני בניו יורק, ובבית החולים האוניברסיטאי של פיטסבורג (UPMC). היא מפענחת את הסריקות של חולה בזמן של כ-32 שניות בממוצע וכבר נמצאת בשימוש בכ-1,000 בתי חולים בעולם.
הגיוס הובל על-ידי קרנות ההון סיכון Tiger Global ו-Insight Partners ונעשה בהשתתפות חלק מהמשקיעים בחברה, בהם: Scale Ventures, Kleiner Perkins, Threshold, Google Ventures, Sozo Ventures, CRV ו-Susa. ההון שגוייס ישמש לתמוך בצמיחת החברה ולהרחבת פלטפורמת Viz, לאיתור וטיפול במחלות נוספות. כיום החברה מעסיקה 350 עובדים, מתוכם 150 במרכז הפיתוח שלה בישראל. בכוונתה לגייס בשנה הקרובה 200 עובדים חדשים: בהם 100 עובדים למרכז הפיתוח ועוד 100 עובדים בחו"ל כדי לתמוך בלקוחות. נוספים בשנה הקרובה.
החברה הוקמה בשנת 2016 על-ידי המנכ"ל ד"ר כריס מאנסי, הטכנולוג הראשי דוד גולן ופרופ' מאנוז' רמצ'נדרן. מאז הקמתה היא גייסה כ-250 מיליון דולר. לחברה יש משרדים בתל אביב, סן פרנסיסקו, פורטוגל ואמסטרדם.
העניין הגובר בטכנולוגיות בינה מלאכותית ביישומי חלל נובע מהאפשרות שהן משפרות את האמינות והשרידות של המערכות ומקטינות את העלויות. פיתוח וניהול לוויינים דורשים התמודדות עם כמויות מידע עצומות המגיע ממערכות הטלמטריה ומהמטעדים המצויים בלוויין. מכיוון שהלוויינים פועלים תחת אילוצי משקל, גודל, רוחב פס וצריכת הספק חמורים מאד, אחת ממטרות התכנון היא לצמצם את כמות המידע שהם צריכים לשלוח אל תחנת הבקרה.
מכאן שאחת מהחלטות התכנון הראשונות שצריך לקבל היא איזה מידע לנתח על-גבי הלוויין ואיזה מידע לשלוח לעיבוד בתחנת הקרקע. ההחלטה צריכה להתחשב בגורמים כמו זמינות רוחב הפס, האנרגיה הדרושה לשידור המידע, ופשרה בין תשתיות עיבוד חזקות בפלטפורמה לבין זמני ההשהייה (Latency) הסבירים. טכניקות כמו לימוד מכונה (ML) מסייעות להפחית את נפח המידע שהלוויין משדר ולהאיץ את תהליך פיענוח המידע.
עיבוד נתוני טלמטריה
נתוני הטלמטריה מתארים את מצב "בריאות" הלוויין ותת המערכות שלו, וכרוכים בדרך-כלל בשידור מידע המגיע מאלפי חיישנים המצויים בלוויין, המגיע בפורמטים שונים ובמספרים המתארים יחידות טכניות שונות. המורכבות של המידע הזה מקשה על בניית נוסחה פשוטה המתארת את מצב הלוויין. בעבר, אחת מהדרכים להתמודד עם הבעיה היתה באמצעות הגדרת נקודות גבול עליונות ותחתיות למידע המגיע מכל חיישן, ושידור התראה כאשר הנתונים חורגים מהמעטפת.
אולם בלוויינים המודרניים המורכבים, הגישה הזאת היא בלתי מעשית. הצעד הבא היה הגדרת מעטפת גמישה בסיוע אלגוריתם לומד אשר העריך את גבולות המעטפת הדרושות לכל חיישן. גישה שלישית התבססה על שימוש במודלים סטטיסטיים וטכניקות סיווג כדי לחזות את הטווח התקין של כל אחד ממהמשתנים. הגישה הזו נבדקה על-ידי סוכנות החלל היפנית (Japanese Aerospace Exploration Agency), אשר הראתה שהיא מאתרת בהצלחה רבה תקלות שונות המתגלות במאיצים הרקטיים (Thrusters) שלה.
מתי אפשר לוותר על חיישן מיותר
דרך אחרת להתמודד עם הבעיה היא באמצעות מערכות מומחה המשלבות חוקים וידע אנושי. לפתרון הזה יש הצלחה מסויימת, אולם נכשל בהתמודדות עם תופעות לא מוכרות. גישה אחרת מבוססת על תאום דיגיטלי: מייצרים מודל ממוחשב של הלוויין, ומשווים בין המידע המגיע מהלוויין האמיתי לבין המידע המיוצר בהדמייה של הלוויין. הקושי בגישה הזאת טמון ביכולת לבנות סימולציה מספיק מפורטת ומדוייקת של הלוויין.
נעשו ניסויים בתוכנות לימוד מכונה (ML) לצורך איתור תקלות וחיזוי נתוני טלמטריה על-סמך מצבו הכללי של הלוויין, אולם ההצלחה לא היתה חד-משמעית. נבדקו גם טכניקות לימוד עומק באמצעות רשתות נוירונים. הגישה כאן היתה שונה: לרשתות הוזן מידע רב והן התבקשו לזהות תבניות. החוקרים מקווים שהשימוש במערכות לימוד מכונה ובינה מלאכותית יפחית את מספר החיישנים המותקנים בלוויין – שכן אם המערכת יודעת לעבד נתונים ולחלץ מידע גם ללא החיישן – סימן שניתן לוותר עליו.
ניתוח מידע גיאוגרפי המגיע מהלוויין
לאחרונה נעשה שימוש גובר במערכות לימוד מכונה ובינה מלאכותית לניתוח המידע המגיע ממערכות הניטור של הלוויין, דוגמת מצלמות, מכ"ם, מערכות מדידת קרינה וכדומה. בשנת 2019 הופעל אלגוריתם לומד לאיתור שכונות עוני מתמונות ברזולוציה גבוהה שהופקו על-ידי לוויין QuickBird. לאחר מכן נעשה במערכת הזאת שימוש לניתוח תמונות ברזולוציה נמוכה שהופקו בלוויין Sentinel-2, והיא הצליחה לאתר ולמפות את שכונות העוני גם בתמונות באיכות הירודה. הדוגמה הזאת מראה שמערכות ML יכולות להפחית את עלויות הלוויין – על-ידי שימוש במידע המגיע מלוויין יקר לצורך אימון רשת נוירונית הנמצאת בלוויין זול.
בוצעו גם ניסויים בהיקף גדול יותר. בשנת 2020 פיתחה סוכנות החלל האירופית (ESA) מערכת מבוססת ML שנועדה לסייע בהבנת השפעות וירוס הקורונה. המערכת שילבה מידע המגיע מלווייני התצפית האירופיים Copernicus Sentinel, ביחד עם עוד 30 מקורות מידע נוספים כדי לעקוב אחר ההשפעות הסביבתיות של הקורונה, כמו איכות מים, פעילות כלכלית ואנושית, בנייה, ספנות, תפוקה חקלאית וכדומה. התמונות למטה מציגות את השפעת המגיפה על רמות החנקן הדו-חמצני (NO2) ביבשת אירופה בשנים 2019-2020. (נ.ב. חנקן דו-חמצני הוא גז רעיל הנפלט בעיקר ממנועי בעירה פנימית).
מה כדאי ללמוד מדבורים, חגבים ותרנגולים
בינה מלאכותית המבוססת על מודלים ביולוגיים והתנהגות בעלי-חיים מסייעת להפעיל מערכות חלל. המגזין IEEE Access פירסם לאחרונה סקירה של מספר אלגורתימים מהסוג הזה, ושל היישומים שלהם בחקר החלל. למשל, "מערכת חיסון מלאכותית" המחקה מערכות חיסון ביולוגיות יכולה לסייע בניתוח תקלות, סיווג תופעות וניהוג רובוטי. אלגוריתמים המבוססים על חקר התנהגות הדבורים, כמו למשל Genetic Bee Colony, נבדקים היום כפתרון להתמודדות עם בעיות אופטימיזציה מורכבות ומיטוב רשת התקשורת.
אלגוריתם Chicken Swarm Optimization מתאר את התנהגות נחיל התרנגולים וההיררכיה הפנימית בנחיל. מתברר שהוא מסביר כיצד קבוצה גדולה של תרנגולים משיגה יעילות גבוהה בגישה אל מקורות המזון. כיום הוא נבדק לצורך שיפור תהליך ההחזרה לכדור הארץ של רכב חללי. אלגוריתם Grasshopper Optimisation הוא מודל התנהגות של נחילי חגבים באופן המאפשר להם לשמור על מרחק יעיל בין הפרטים כדי להבטיח גישה למזון, אולם גם להתקרב אחד אל השני כדי לשמור על מבנה של נחיל.
כיום הוא נבדק ככלי לאופטימיזציה של מערכות חלל. לאלגוריתמים מהסוג הזה עשויה להיות חשיבות רבה בפיתוח מערכות רובוטיות אשר צריכות לבצע משימות מורכבות בתנאים קשים. צריך לספק לרובוטים האלה יכולת תנועה, ניווט וקבלת החלטות אוטונומית, ולהבטיח שהיכולות האלה אמינות ויציבות, ומאפשרות לרובוט להתמודד עם מצבים בלתי צפויים – כולל תקלות ברובוט עצמו.
סייר המאדים Perseverance. מקור: NASA
בחודש מרץ 2020 שיגרה נאס"א את סייר המאדים Perseverance ואת המסוק Ingenuity כדי ללמוד את פני השטח של הכוכב. במערכות הקודמות, הנחתת הגיע אל נקודת היעד באמצעות ניחוש מושכל אשר התבסס על נתונים שהגיעו ממערכת Deep Space Network. רמת הדיוק של המערכת הזאת היתה 2 ק"מ. במשימת Perseverance נבחר אתר הנחיתה בשיטה אחרת: מפה דיגיטלית של אזור הנחיתה הוזנה אל מחשב הנחתת. לאחר שנפתח מצנח הנחיתה, הרכב צילם את האזור אליו הגיע, הישווה את התמונות אל המפה הממוחשבת, והשתמש במידע כדי לבחור באתר הנחיתה הסופי המתאים, ברמת דיוק של 40 מטר.
המסע אל בינה מלאכותית בתעשיית החלל
תחומים רבים נוספים נעזרים כיום בבינה מלאכותית: אלגוריתמים של התנהגות נחילים נבדקים ככלי לניהול מערכי לוויינים, לייעול תהליך האיסוף של פסולת חלל, לפיתוח לוויינים, ונבדק השימוש בהם כדי להציע אופציות תכנון חדשות. צוות חוקרים מאוניברסיטת קורנל מפתח סייען תכנון בשם Daphne אשר אמור לעזור בתכנון הארכיטקטורה של לווייני תצפית.
למהנדסי אלקטרוניקה חשוב להבין שהשימוש בבינה מלאכותית עשוי לפתח טכניקות אופטימיזציה חדשות בתחומי מערכות המחשב, התקשורת, הספק וכדומה. אולי בעתיד יהיה צורך בסייען AI שיעזור למהנדסים לנווט בין הפתרונות החדשים האלה.
* כותב המאמר הוא Paul Leys, מנהל תחום תעופה וביטחון בחברת אבנט סיליקה
לפרטים נוספים:
איתמר קהלני, מנהל קו מוצרי Xilinx בחברת אבנט סיליקה, 054-5206287, [email protected]
בתמונה למעלה: אור דנון עם מעבד ה-AI של היילו. סטארט-אפ שבבים בשווי של יותר ממיליארד דולר
חברת היילו (Hailo) התל אביבית מתאימה את מעבד הבינה המלאכותית שלה, Hailo-8, לשוק התובעני של בינה מלאכותית באבזרי קצה קריטיים, דוגמת מערכות תעשייתיות, צבאיות ומצלמות ליישומי ADAS בתעשיית הרכב. בשיחה עם Techtime סיפר מנכ"ל החברה, אור דנון, שמדובר בשוק הנמצא בצמיחה. "לאחרונה התברר לנו שמתפתח צורך בתמיכה בטמפרטורות קיצוניות, ובשבועות האחרונים הוצאנו לשוק גרסה חדשה של המודולים שלנו אשר תומכת בטמפרטורות המוגדרות בתקנים תעשייתיים: בין מינוס 40°C לבין פלוס 85°C. העידכון יצא לשוק לאחר שקיבלנו דרישה מלקוחות מוצרים תעשייתיים ומלקוחות מתחום הרכב".
תמונת IR סינתטית שנוצרה במחשב ולא במצלמה
במסגרת האסטרטגיה הזאת החברה דיווחה היום (ג') על הסכם לשיתוף פעולה עם חברת CVEDIA הבריטית, אשר מפתחת יישומי עיבוד תמונה. שיתוף הפעולה מתמקד בהתאמת תוכנת המצלמות התרמיות של CVEDIA, להרצה חלקה במעבדי היילו. מדובר בפתרון יוצא דופן: מכיוון שקיים מחסור גדול בבסיסי נתונים של תמונות IR, פיתחה CVEDIA פתרון המבוסס על אלגוריתם המייצר תמונות סינתטיות (synthetic algorithm): במקום לאמן את הרשת הנוירונית באמצעות תמונות של אובייקטים שנאספו מבסיסי מידע עצומים, האלגוריתם מייצר את המידע בעצמו.
הוא בונה מודל תלת-מימדי של האובייקט הנילמד (ספינה, מטוס, כלי-רכב, בן אדם, בעל חיים וכדומה), מייצר במחשב מיליוני תמונות מלאכותיות שלו במצבים שונים ובתנאי סביבה שונים, ומזין את התמונות האלה אל הרשת הנוירונית כדי לאמן אותה. שיתוף הפעולה יפתח בפני היילו את האפשרות להגיע אל הלקוחות של CVEDIA המשתמשים במצלמות תרמיות ליישומים דוגמת אבטחה ומערכות רכב (ADAS). מדובר בלקוחות נחשקים מאוד כמו חברת FLIR Systems (נמצאת בבעלות Teledyne), אשר מייצרת מצלמות תרמיות ליישומי, ביטחון, תעשייה, רכב ותעופה.
היילו צומחת עם שוק אבזרי הקצה החכמים
דנון: "תחום הבינה מלאכותית באבזרי קצה כולל הרבה מאוד מוצרים חדשניים היוצאים לשוק. כיום למשל, אבזרי AI עוסקים גם בשיפור תמונה ולא רק בניתוח תמונות. ההתפתחות הזאת ממחישה את התפישה המרכזית שלנו, שכל מה שאנחנו רואים היום בענן (Cloud), יגיע מחר אל אבזרי הקצה (Edge). אנחנו מרגישים שיש הכרה בכך שאנחנו מספקים פתרון יוצא דופן בתחום. יצרניות שבבים כמו NXP מתייחסות אלינו כאל שותף חשוב. ביחד עם השבב שלנו אנחנו גם מספקים להם חבילה מלאה של פתרונות תוכנה – החל משלבי האימון, הפריסה, עבודה מול ארכיטקטורות CPU שונות וכלה בעבודה על-גבי מערכות הפעלה שונות".
תמונה סינתטית של CVEDIA אשר יוצרה במחשב לצורך אימון מצלמה תרמית
"כיום יש כ-150 חברות המפתחות מוצרים המבוססים על השבבים שלנו. אנחנו מעסיקים כבר 180 עובדים, מתוכם 160 בישראל והשאר במשרדים שלנו בעולם". חברת Hailo הוקמה בפברואר 2017 על-ידי אור דנון, אבי באום, הדר צייטלין ורמי פייג ז"ל, ופיתחה מעבד רשתות נוירונים (Deep Learning) להרצת יישומי בינה מלאכותית באבזרי קצה. הטכנולוגיה של החברה מבוססת על תופעה מעניינת שהחברה זיהתה: בתהליך עיבוד ההסקות ברשת נוירונית, יש הבדלים בין ההתנהגות של השכבות השונות ברשת הנוירונית, ולכן הן זקוקות למשאבים שונים.
השבב של החברה יודע לנתח את המשימה הספציפית, למפות את המשאבים הדרושים לכל שכבת עיבוד, ולספק אותם בהתאם לצורך. באופן זה הוא מאיץ את תהליך העיבוד ומפחית את צריכת ההספק. שבב הדגל של החברה, Hailo-8, מצליח לספק עוצמת עיבוד של 26 טריליון פעולות עיבוד בשנייה (26TOPS) בצריכת הספק טיפוסית של כ-2.5 ואט בלבד. בחודשים האחרונים החברה דיווחה על שורה ארוכה של הסכמי הפצה ונצחונות תכנון. הדבר לא נעלם מעיני המשקיעים – בחודש אוקטובר 2021 היא גייסה הון בהיקף של כ-136 מיליון דולר לפי שווי חברה של כ-1.13 מיליארד דולר אחרי הכסף.
חברת היילו (Hailo) מתל-אביב הכריזה על שיתוף פעולה עם חברת NXP Semiconductors בהשקת פתרונות בינה מלאכותית עבור יחידות הבקרה האלקטרוניות של כלי רכב (ECU). הפתרונות המשותפים ישלבו את המעבדים הייעודיים של NXP לתעשיית הרכב, S32G ו-Layerscape, ביחד עם מעבד הבינה המלאכותית Hailo-8, המספק עוצמת עיבוד של 26 טריליון פעולות עיבוד בשנייה (26TOPS) וצריכת הספק טיפוסית של כ-2.5 ואט.
המעבדים החדשים מיוצרים על-ידי חברת MicroSys Electronics ממינכן, גרמניה, אשר מפתחת כרטיסי עיבוד ממוחשבים המבוססים על מעבדי NXP, בדומה לחברת ואריסייט הישראלית. שיתוף הפעולה בינה לבין היילו התחיל באמצע 2021, ובחודש אוגוסט השנה היא הכריזה על הכרטיס המשובץ הראשון. ככל הנראה, כעת מתרחב שיתוף הפעולה בעקבות ההצלחה של מיקרוסיס.
"הפתרונות המשולבים של היילו ו-NXP מאפשרים עיבודי AI מאובטחים ובהספק נמוך, ופותרים את אחת מנקודות הכאב הגדולות של יצרני רכב (OEM) ושל הספקים הראשיים שלהם (Tier 1)", אמר מנהל שיווק גלובלי לפתרונות שיווק ובקרת רכב ב-NXP, בריאן קרלסון. אור דנון, מייסד משותף ומנכ"ל Hailo, אמר שהחברה מצפים להמשיך לעבוד עם NXP, "כדי להרחיב את הפתרונות המשותפים למגוון רחב של אפליקציות תובעניות לשווקים דוגמת תעשייה ומכשור כבד, רובוטיקה ועוד".
הפתרון המשותף הראשון הוא כרטיס פיתוח המבוסס על מעבד S32G מבוסס ARM של NXP ועל 2 מעבדי Hailo-8 שיספקו ביחד עוצמת עיבוד של עד 52 טריליון פעולות בשנייה (TOPS). הכרטיס השני משלב את פלטפורמת Layerscape של NXP מבוססת ARM עם עד 6 מעבדי Hailo-8, ומספקים עוצמת עיבוד של עד 156 טריליון פעולות בשנייה. הכרטיסים כבר נמסרו ללקוחות ראשונים, בהם חברת MOTER Technologies המשתמשת בהם להרצת יישומי ביטוח המבוססים על דפוסי השימוש של הנהגים.
חברת Hailo הוקמה בפברואר 2017 על-ידי אור דנון, אבי באום, הדר צייטלין ורמי פייג ז"ל, כולם בוגרי יחידת עילית טכנולוגית של חיל המודיעין. בחודש אוקטובר 2021 החברה השלימהסבב גיוס שלישי בהיקף של כ-136 מיליון דולר. כיום החברה מעסיקה כ-160 עובדים בתל-אביב ובחו"ל, וממשיכה לגייס עשרות עובדים נוספים.
חברת איידוק (Aidoc) פיתחה מערכת הפעלה ייעודית לעולם הרפואי עבור אלגוריתמים מבוססי בינה מלאכותית המשמשים לפיענוח סריקות דימות. איידוק נחשבת למובילה בתחום ומפתחת אלגוריתמים הסורקים באופן אוטומטי סריקות דימות כמו רנטגן, CT ו-MRI ומתריעות בפני הרדיולוג על ממצאים חריגים שעשויים להצביע על מצבי חירום כמו דימום תוך-גולגולתי או שבר בעמוד השדרה.
לצד איידוק, פועלות בתחום חברות רבות, ובכללן גם חברות ישראליות. מערכת ההפעלה שהשיקה איידוק היא אגנוסטית ומאפשרת להפעיל על אותה מערכת אלגוריתמים שפותחו על ידי ספקים שונים, ובכך לאפשר לבתי חולים או מכוני דימות לשלב בצורה יעילה ונוחה יותר מגוון רחב יותר של פתרונות AI. איידוק כבר הוסיפה אלגוריתמים של 5 ספקים שונים, ובהם Imbio, Icometrix, Riverain ועוד, לפלטפורמה שלה, שכוללת את שבעת האלגוריתמים הקניינים שפיתחה החברה ומאושרים על ידי ה-FDA.
על פי סקר שנערך באחרונה על די Sage Growth Partners בקרב בתי חולים בארצות הברית, לכ-90% מבין בתי החולים שהשתתפו יש נכונות ותוכנית מעשית לאימוץ פתרונות AI, בהשוואה ל-53% לפני כשנתיים. ואולם, רק 34% מבתי החולים החלו להשתמש בפתרונות אלה בפועל. באיידוק מסבירים את הפער בין היתר בשל הקושי לשלב באותה סביבת IT פתרונות של ספקים שונים. מערכת ההפעלה של איידוק מנתחת את מאפייני הסריקה ומחילה עליה את האלגוריתם הרלוונטי ביותר מבין הפתרונות שזמינים במערכת, ללא קשר לספק האלגוריתם.
בינה מלאכותית בשירות הרדיולוג
איידוק פועלת בתחום הצומח של שימוש בבינה-מלאכותית לפענוח סריקות דימות כמו רנטגן, CT ו-MRI. הפלטפורמה של החברה מתממשקת לשרת של בתי החולים ובודקת באופן אוטומטי את את סריקות הדימות של המאושפזים או המטופלים בחדר המיון. המערכת יודעת לזהות ממצאים חריגים כמו דימום תוך-גולגולתי, שבר בעמוד השדרה או שבץ. בדרך כלל, הרדיולוג התורן בבית החולים בודק את הסריקות לפי סדר הגעתן. המערכת של איידוק מתעדפת עבור הרדיולוג את הסריקות שעשויות הצביע על מצבי חירום המצריכים טיפול דחוף.
פיתוח האלגוריתמים מתבסס על למידת-עומק וניתוח ביג-דאטה של מיליוני תצלומים וסריקות במטרה לחלץ תבניות שמאפיינו תסמונות ומצבים רפואיים. עד כה קיבלה החברה אישורי FDA עבור שבעה אלגוריתמים שפיתחה. בחודש מאי 2020 קיבלה מה-FDA אישור לאלגוריתם חדש לגילוי ממצאים הקשורים בהידבקות בקורונה בסריקות דימות בבתי חולים. לדברי החברה, הפלטפורמה שלה פרוסה בכ-400 מרכזים רפואיים ברחבי העולם. בסך הכול, עושים שימוש בפתרונות החברה כ-5,000 רדיולוגים ופוענחו כ-10.3 מיליון סריקות.
האזינו לשיחה עם סמנכ"לית השיווק של איידוק, אריאלה שוהם, מתוך תוכנית הפודקאסט שלנו שעלתה בינואר 2020 (השיחה עם אריאלה מתחילה בדקה 25:00):
בתמונה למעלה: רובוט קרקעי ורחפן של אלביט במשימת נחיל המנוהלת באמצעות מערכת השליטה והבקרה Torch-X
חברת אלביט מערכות (Elbit) הדגימה בפני הצבא ההולנדי יכולת הפעלה מבצעית של מערך כלים אוטונומיים היברידיים, הכולל רובוטים קרקעיים ורחפנים אוטונומיים הפועלים בצותא במתכונת של נחיל (Swarm). ההדגמה בוצעה עבור תוכנית ההערכה של צבא הולנד להפעלת כלים רובוטיים אוטונומיים (Robotic Autonomous Systems – RAS). במסגרת ההדגמה שבוצעה השבוע בצפון הארץ, צוות הכולל רובוט קרקעי ושני סוגים שונים של רחפנים, ביצע משימות איסוף מודיעין ומעקב אחר מטרות.
המשימה נוהלה באמצעות תוכנת Torch-X RAS של אלביט, הכוללת מערכי שליטה ובקרה, התנהלות אוטונומית וכלי תכנון משימה. במסגרת ההדגמה, זוגות שונים של רובוטים עבדו בשיתוף פעולה וביצעו שלוש משימות שונות באופן אוטונומי: תכנון המשימה, ניווט לנקודות ציון שהוגדרו מראש, הקצאת משימות לכל אחד "מחברי הצוות", וביצוע המשימות המודיעיניות.
שיתוף פעולה בין רובוטים לבני אדם
פלטפורמת Torch-X היא מערכת תוכנה מבוססת בינה מלאכותית הממוקדת בתיאום הפעולות של כלים רובוטיים מול כלים רובוטיים אחרים, ומול משתמשים אנושיים. התוכנה מאפשרת למפקד המקומי להקצות משימות לכלים הרובוטיים וללוחמים האנושיים, ולקבל מהיחידות הרובוטיות מידע על איתור מטרות והמלצות כיצד לנטרל אותן.
המפקד שולט ברמת האוטונומיות כל הרובוטים השונים, ויכול להפעילם ברמות בקרה שונות: משליטה מלאה מרחוק ועד הפעלה אוטונומית מלאה. בסרטון קונספט של אלביט שעלה לרשת בשבוע שעבר, ניתן לראות רובוטים קרקעיים המובילים את הכוחות אל אתרים מסוכנים, מאתרים איומים ובמקרה הצורך משגרים רחפנים שהם נושאים בקרבם, לצורך איסוף מידע מזוויות תצפית נוספות.
הבאת ציוד אל הכוחות הלוחמים בשטח
במסגרת ההדגמה שבוצעה עבור הצבא ההולנדי, תוכנת Torch-X הפעילה שני רחפנים במשימת שליטה בגזרה נתונה, שבמהלכה הם שלחו את הרובוט הקרקעי להשלים את תמונת המודיעין. הכלים האוטונומיים שלחו אותות וידאו בזמן אמת אשר נותחו באמצעות תוכנת זיהוי מטרות (Automatic Target Recognition) מבוססת בינה מלאכותית. במשימה אחרת, נשלחו שני רחפנים כדי לספק ציוד לכוח לוחם. הם ניווטו אל האתר, נחתו בנקודה שהם בחרו ולאחר מכן המריאו עצמאית וחזרו לנקודת המוצא.
המשימה השלישית כללה רחפנים בלבד: שני רחפני Thor של אלביט נשלחו אל נקודת ציון שבה הם פרסו באופן עצמוני חיישני שטח (Unattended Ground Sensors) לצורך מעקב אחר תנועות בגזרת היעד, וחזרו אל נקודת המוצא. אלביט מסרה שאחת מהמטרות המרכזיות של ההדגמה היתה להראות את היכולת של מערכת Torch-X להפעיל מגוון גדול של כלים רובוטיים בלא תלות בסוג הכלי. "התמקדנו בהדגמת היכולת של נחיל אוטונומי להיעזר בתוכנת בינה מלאכותית בשלה ולעבוד בשיתוף פעולה עם מפעילים אנושיים ורובוטיים", אמר מנהל קבוצת המודיעין והסייבר באלביט, גיל מעוז.
חברת NeuroBlade מהוד השרון השלימה גיוס הון בהיקף של 83 מיליון דולר, שהובל על-ידי Corner Ventures האמריקאית ובהשתתפות המשקיעים הקיימים בחברה: Intel Capital, Grove Ventures, StageOne Ventures ומריוס נכט. בגיוס השתתפו גם החברות הטכנולוגיות MediaTek, Pegatron, PSMC, UMC ו-Marubeni. בסך הכל, מאז הקמתה בשנת 2018, החברה גייסה כ-110 מיליון דולר. חברת נוירובלייד מפתחת את משפחת שבבי XRAM, אשר מיועדים לספק מענה מפתיע לבעיית צוואר הבקבוק הבולמת את הנסיון להאיץ את מהירות בחוות שרתים ומערכות מחשב גדולות.
הבעיה המרכזית אינה ביצועי המעבדים או הזיכרון, אלא בצורך להעביר כמויות גדולות מאוד של מידע בין הזיכרון לבין המעבדים. התופעה קיבלה את הכינוי Compute-to-Memory Gap, ומורגשת כיום במיוחד ביישומי בינה מלאכותית, שבהן מועברות כמויות עצומות של מידע, אפילו במטלות פשוטות יחסית. כדי להתמודד עם הבעיה, החברה פיתחה אבזר להאצת חישובים המבוסס על שבבי עיבוד בשם NeuroBlade XRAM שתוכננו בארכיטקטורה עיבוד מסוג חדש: מדובר בזיכרון מסוג DRAM הכולל אלפי יחידות עיבוד לוגיות המצויות בסמיכות פיסית לנתונים המאוחסנים – בשבב יחיד.
האצה של פי 100 בביצועים
הדבר מאפשר לבצע פעולות עיבוד בסיסיות בלא צורך להעביר נתונים אל המעבד. התוצאה: רק מידע רלוונטי או כזה הדורש עיבוד מיוחד, מגיע אל המעבד. השבבים נמצאים בתוך מערכת NeuroBlade Xiphos (תמונה למעלה), הכוללת מספר שבבי זיכרון חישובי מסוג XRAM, מעבדי האצה מסוג IMPU – Memory Processing Unit של החברה, וערוץ תקשורת ייחודי שהיא פיתחה. האבזר מופיע עם תוכנה המנהלת את עיבוד המידע ומאפשרת לקשר אותו באופן חלק אל בסיסי נתונים סטנדרטיים המצויים בשוק.
חברת NeuroBlade הוקמה על-ידי המנכ"ל אלעד סיטי והטכנולוג הראשי וסמנכ"ל אסטרטגיית מוצר, אליעד הלל. שניהם בוגרי היחידה הטכנולוגית 81 של חיל המודיעין ושימשו כעובדי מפתח בסולאר-אדג'. סיטי הצטרף לסולאר-אדג' זמן קצר לאחר הקמתה, ובתפקידו האחרון שימש כסמנכ"ל תוכנה ומערכת בחברה. הלל הוביל את אחד מצוותי התוכנה והאלגוריתמים המרכזיים במחלקה של אלעד בסולאר-אדג'. כיום מעסיקה NeuroBlade כ-100 עובדים, ומגייסת בימים אלו עשרות עובדים נוספים בארץ ובעולם. הצוות המוביל של החברה כולל עובדים לשעבר מאינטל, מארוול וטקסס איסנטרומנטס.
החברה דיווחה שהיא החלה באספקה ראשונית מאיץ עיבוד הנתונים ללקוחות גדולים בעולם. להערכת המנכ"ל אלעד סיטי, הפתרון של החברה מזרז את תהליך העיבוד והניתוח בסדר גודל של פי 100 בהשוואה למערכות קיימות. "אנחנו רק בתחילת הדרך למימוש הפוטנציאל של הטכנולוגיה. ההון שגויס יסייע לנו להפוך עוד רעיונות מהפכניים למוצרים שיעזרו ללקוחות לממש את היעדים שלהם". המנהל הראשי של קבוצת הדטה סנטר ואסטרטגיית הענן באינטל, לאנס וויבר, אמר שאינטל גאה לתמוך בפלטפורמה של נוירובלייד. "אנחנו מצפים להמשך העבודה עם נוירובלייד כדי למקסם את מהירות החישוב מקצה לקצה".
חברת קוגנטה (Cognata) מרחובות וקבוצת ZF הגרמנית (ZF Friedrichshafen), פיתחו פלטפורמה דיגיטלית לבדיקת האיכות והאמינות של מערכות ADAS בטיחותיות המבוסס על שילוב של מידע שנאסף מחיישני רכב בעולם האמיתי ביחד עם הפעלת הפלטפורמת הווירטואלית לאימון ובדיקת המערכות של כלי-רכב אוטונומיים, שפותחה על-ידי קוגנטה. המערכת קיבלה את הכינוי ADAS.AI ומיועדת להאיץ את הפיתוח של מערכות מתקדמות לבטיחות לרכב (ADAS) בכלי-רכב פרטיים וציבוריים. תאגיד ZF גם ישתמש במערכת לצורך פיתוח עצמי וגם ישווק אותה ביחד עם קוגנטה ליצרנים אחרים.
מנכ״ל ומייסד קוגנטה, דני עצמון (בתמונה למעלה), אמר שפלטפורמת ADAS.AI החדשה של ZF, כוללת אלגוריתמים של קוגנטה. עצמון: ״אלגוריתם הבינה המלאכותית של קוגנטה מאפשרת להמיר מידע אמיתי מנסיעות מבחן פיזיות של כלי-רכב קיימים, למידע המאפשר לבצע בדיקה וירטואלית של מערכות ADAS ברמות אוטונומיה של עד L2+. אנחנו קוראים להמרה זו 'Real-to-Real Transformation'". מנהל תחום האלקטרוניקה ומערכות הבטיחות ב-ZF, כריסטוף ממט, אמר שהגישה הזאת פוטרת את יצרן הרכב מהצורך "להעסיק לגיון של נהגי מבחן ולהשקיע מיליוני דולרים בבדיקה ואימות המערכות.
לדבריו, "יצרניות הרכב מחפשות פתרון הדומה למבחני ריסוק, המאמת את המערכת באופן דיגיטלי עוד לפני בניית האבטיפוס הראשון. כעת יש לנו את הטכנולוגיה המאפשרת לעשות זאת״. קבוצת ZF מייצרת מכלולים מכניים ואלקטרוניים לתעשיית הרכב, ונחשבת לאחת מהיצרניות הגדולות בעולם של מצלמות קדמיות בכלי הרכב. מדובר באחת מהחברות התעשייתיות הוותיקות בעולם, אשר הוקמה בשנת 1915 כדי לייצר רכיבים עבור ספינות האוויר הגדולות מסוג צפלין.
החברה מספקת חלקים מכניים, מערכות אלקטרוניות ופתרונות הספק חשמלי עבור יצרניות מכוניות פרטיות, אוטובוסים, משאיות ורכבות בכל העולם. כיום היא מעסיקה כ-150,000 עובדים ובשנת 2020 הסתכמו מכירותיה בכ-32.6 מיליארד אירו. היא מכירה היטב את תעשיית טכנולוגיות הרכב הישראלית, ובמהלך 2019 היא חתמה על הסכמי שיתוף פעולה עם מובילאיי, קוגנטה ועם אופטימל-פלוס. קוגנטה הוקמה בשנת 2016 על-ידי המנכ"ל דני עצמון, שייסד בעבר את חברת iOnRoad שנמכרה ל-HARMAN.
לעתים רבות הצרכנים נדרשים לבחור בין מערכות ושירותים שונים המבוססים על בינה מלאכותית ודומים מאוד אחד לשני, כמו למשל שירותי מיפוי, מנועי חיפוש, אתרי סרטים ומוסיקה ועוד. כיצד הם בוחרים ביניהן? מחקר חדש שבוצע לאחרונה בטכניון מגלה שבניגוד להנחה המקובלת בתעשייה, שלפיה הבחירה מתבצעת בהתאם לביצועי האלגוריתמים של בינה מלאכותית, בפועל היא נעשית בהתאם לגורם אחר לגמרי, שקיבל את הכינוי "חמימות המערכת", או "כוונותיה": נכונותה לעבוד לפעול לטובת המשתמש.
המחקר בוצע על-ידי שלוש חוקרות מהפקולטה להנדסת תעשייה וניהול בטכניון: הדוקטורנטית זהר גלעד, ד"ר עפרה עמיר וד"ר ליאת לבונטין. הן ערכו שישה ניסויים שבהם השתתפו יותר מ-1,600 איש. בכל ניסוי התבקשו המשתתפים לבחור בין שתי מערכות מבוססות בינה מלאכותית שתוארו על-ידי חמימותן (כוונות המערכת) ויכולותיהן. מדובר בשני מימדים להערכה ושיפוט של אנשים אחרים שנחקרו רבות בפסיכולוגיה חברתית. כיום מוסכם בתחום שהן רלוונטיות גם לשיפוט אנושי כלפי ישויות לא-אנושיות כגון סוכנים וירטואליים ורובוטים. במילים אחרות, אנשים מייחסים כוונות ויכולות גם למערכות מלאכותיות המבוססות על בינה מלאכותית.
לטובת מי המערכת עובדת?
המחקר הנוכחי, בניגוד למרבית המחקרים בנושא, התמקד במערכות בינה מלאכותית שאין להן נוכחות פיזית או וירטואלית (מערכות המלצה דוגמת נטפליקס וספוטיפיי). החוקרות את החמימות של המערכת על סמך המרוויח העיקרי מהשימוש בה – את מי המערכת מציבה בראש סדר העדיפויות. כך למשל כאשר המשתמש מפעיל אפליקציית ניווט מסויימת, הוא יכול לחוש שהדרך שהיא מציעה אינה הדרך המהירה ביותר ושהאפליקציה מנסה לבדוק על חשבונו אם יש פקק בדרך או ללמוד על מהירות הנסיעה בדרכים צדדיות. תחושה כזו מעידה על תפיסת חמימות נמוכה של המערכת – המשתמש אינו משוכנע שהיא פועלת לטובתו.
החוקרות מצאו שהחמימות שמייחסים למערכת היא שיקול חשוב בעיני משתמשים פוטנציאליים, והשפעתה גדולה מהשפעת היכולת הביצועית של המערכת. מרבית האנשים העדיפו מערכת חמימה על פני מערכת בעלת יכולות טכנולוגיות גבוהות. העדפה זו נמשכה אפילו כאשר המערכת החמימה הייתה בעלת נחיתות טכנולוגית מוצהרת. כך לדוגמה, כאשר המשתמשים התבקשו לבחור בין שתי מערכות שממליצות על ביטוח רכב, מרביתם העדיפו מערכת עם יכולת נמוכה (המבוססת על אלגוריתם בסיסי שאומן על 1,000 החלטות קודמות) וחמימות גבוהה (פותחה עבור אנשים כמוהם), על-פני מערכת עם יכולת גבוהה (מבוססת אלגוריתם חדשני שאומן על 1,000,000 החלטות קודמות) וחמימות נמוכה (פותחה עבור סוכני ביטוח).
רובוטים כבני-אדם…
באופן דומה, מרביתם העדיפו מערכת המלצת סרטים בעלת אלגוריתם נחות שמתבססת רק על מידע שמגיע מהם, על-פני מערכת בעלת אלגוריתם מתקדם שמתבססת על מידע המגיע מהם, אך במקביל גם מנסה לקדם סרטים מסוימים. כלומר, הצרכנים מוכנים לוותר במידה מסוימת על יכולות של המערכת אם הם מאמינים שהיא ידידותית ופועלת לטובתם.
הממצאים האלו דומים מאוד לממצאים המתקבלים במחקר על אינטראקציות בין בני אדם, שכן גם בשיפוט של בני אדם אחרים תפיסת החמימות (הכוונה) מקבלת עדיפות על תפיסת היכולת. מהמחקר הנוכחי אפשר ללמוד כי אנשים משתמשים באותם חוקים חברתיים כדי לשפוט בני אדם ומערכות מבוססות בינה מלאכותית. המחקר מומן בהשתתפות הקרן הלאומית למדע (ISF) והוצג לאחרונה בכנס CHI Conference on Human Factors in Computing.
חברת חברת IC-SHINE GLOBAL מהרצליה קיבלה את הנציגות הבלעדית בישראל של חברת LIPS הטאיוואנית, אשר מתמקדת בתחום החיישנים התלת מימדיים ובינה מלאכותית. החברה מספקת מצלמות תלת מימד ותוכנות עיבוד לסביבה תלת מימדית, המיועדות להטמעה בתוך מערכות משובצות דוגמת מצלמות ואבזרים אחרים הזקוקים ליכולת התמצאות תלת מימדית. החברה הוקמה בשנת 2013 על-ידי קבוצת מהנדסים בוגרי MIT, ועובדת בשיתוף פעולה עם חברות מובילות בתחום, דוגמת אינטל, אנבידיה, פנאסוניק, טושיבה, טקסס אינסטרומנטס, סוני וחברת CEVA הישראלית.
לאחרונה הודיעה חברת ב.מ.וו שהיא בחרה במחשב NVIDIA Issac ובמצלמת LIPSedge AE400 של LIPS לצורך פיתוח רובוט לוגיסטי אשר יפעל בתוך קווי הייצור של מפעלי הרכבת המכוניות שלה. עם סיום פיתוח הרובוט, הוא יופעל בכמויות גדולות בכל מפעלי הייצור של ב.מ.וו, כדי לשנע חלקים וכלים אל עמדות ההרכבה והייצור. מצלמת LIPSedge (בתמונה למעלה) היא יחידה עצמאית המייצרת תמונת מצב סביבתית תלת מימדית המבוססת על טכנולוגיית 3D ToF. המערכת כוללת רכיב FPGA מסוג Cyclone V של אינטל, וניתנת להפעלה מיידית כמצלמה חכמה. בין השאר, היא מופיעה ביחד עם תוכנת פיתוח יישומים המוטמעת בתוך המצלמה עצמה, במטרה לסייע בפיתוח מהיר של יישומים חדשים.
חברת היילו (Hailo) מתל-אביב נמצאת כיום בשבלים מתקדמים של גיוס הון בהיקף צפוי של כמיליארד דולר. לגיוס הזה הצטרפה גם חברת דלק רכב, אשר הגדילה את השקעתה בחברה ב-18 מיליון דולר נוספים. בסך הכל היא השקיעה בחברה 34.5 מיליון דולר. ל-Techtime נודע שמאז גיוס ההון הקודם מחודש מרץ 2020 שבמהלכו החברה גייסה 60 מיליון דולר לפי שווי שוק של כ-130 מיליון דולר, הכפילה החברה את שווייה פי שמונה. פירוש הדבר שהגיוס הנוכחי נעשה לפי שווי שוק של קצת יותר ממיליארד דולר.
חברת דלק רכב מבצעת בשנים האחרונות השקעות רבות בחברות הייטק הפועלת בשוק הרכב. בין השאר היא השקיעה במובילאיי בתחילתה, בחברת אינוויז ובחברת אוטוטקס. היום החברה דיווחה שעם השלמת הגיוס הנוכחי היא תחזיק בכ-12% ממניות היילו. מדובר בהכפלה של פי ארבעה בשווי השקעתה בהיילו. חברת היילו הוקמה בשנת 2017 על-ידי המנכ"ל אור דנון, ה-CTO אבי באום ומנהלת הפיתוח העסקי הדר צייטלין. המשקיע הראשון בחברה היה זהר זיסאפל, המשמש כיו"ר Hailo. מאז הקמתה גייסה החברה כ-88 מיליון דולר (ללא הגיוס הנוכחי).
השלב הבא: גיוס עשרות עובדים נוספים
החברה פיתחה ארכיטקטורה חדשה של מעבד ליישום רשתות נוירוניות. המעבד שלה, Hailo-8, מיועד לממש את שלב ההרצה, כלומר יישום ההסקות (Inference) באבזרי קצה. הוא מגיע לעוצמת עיבוד של 26 מיליארד פעולות בשנייה (26TOPS) וליעילות של 3TOPS לכל ואט. השבב בנוי מארבעה מרכיבים מרכזיים: מעבד תמונה המשפר את התמונה המגיעה מהחיישן לפני העברתה לזיהוי ברשת הנוירונית, מעבד לקבצי וידאו בתקן H.264, מעבד ARM-M4 המנהל את השבב, והרשת הנוירונית עצמה, שהחברה פיתחה, אשר מורכבת ממטריצה גמישה של יחידות עיבוד ויחידות זיכרון, אשר ניתן להגדיר את התצורה שלה באמצעות תוכנה.
ל-Techtime נודע שהחברה מתכננת לצאת בקמפיין גיוס עובדים גדול עם השלמת הגיוס הנוכחי. כיום החברה מעסיקה כ-130 עובדים, ומתכננת לגייס כמה עשרות עובדים נוספים. ככל הנראה הדבר קשור לתחילת הייצור הסדרתי שהחל לפני מספר שבועות (החברה מספקת שבבים או מודולים מקושרים מוכנים, בהתאם לבקשת הלקוח). שכן אספקה מסחרית ללקוחות דורשת צוות תמיכה גדול וחזק. חברת היילו פועלת בתחום הנמצא היום בליבת העניין של תעשיית ההייטק: שבבי בינה מלאכותית לאבזרי קצה.
על-פי הערכות שונות בתעשייה היקף השוק של שבבי בינה מלאכותית צפוי לצמוח בשנים הקרובות בשיעור של כ-37% בשנה, ולהגיע להיקף של כ-50 מיליארד דולר בשנת 2027, בהשוואה לכ-7.7 מיליארד דולר בשנת 2020. היילו פועלת במגזר ספציפי של השוק הזה: מעבדי בינה מלאכותית לאבזרי קצה ו-IoT, אשר צריכים להתמודד מגבלות קשות של גודל והספק כאשר הם מבצעים מטלות מורכבות. התחום הזה צפוי לצמיחה גדולה הודות למגמות שוק כמו תעשייה חכמה (Industry 4.0), צמיחה חזקה בתחום פתרונות ה-IoT בעקבות פריסת רשתות הדור החמישי והעניין הגובר בניטור חכם ובשירותים מנוהלים מרחוק.
שיתוף פעולה עם פוקסקון
לחברה כבר יש הסכמי שיתוף פעולה מהותיים, דוגמת העיסקה עם Lanner מטאיוואן, שהחליטה להתקין את המעבד של היילו בהתקן קצה המבצע אופטימיזציה של יישומי וידיאו תובעניים. מעבד ה-AI של היילו שולב במצלמת EdgeTuring ליישומי עיבוד תמונה של יצרנית המצלמות החכמות Leopard. גם קבלנית הייצור האלקטרוני הגדולה בעולם, פוקסקון (Foxconn) הטאיוואנית החליטה להטמיע את המעבד של היילו בדגמים החדשים של מחשבי עיבוד התמונה ממשפחת BOXIedge שהיא מייצרת.
חברת ראדא (RADA) הכריזה על שיתוף פעולה עם חברת BeyondMinds הישראלית, המספקת שירותי פיתוח פתרונות בינה מלאכותית מתקדמים. שתי החברות חתמו על מזכר הבנות להקמת צוות משותף שמטרתו תהיה להטמיע במכ"מים הטקטיים של ראדא יכולות של בינה מלאכותית ולמידת-עומק. החברות מעריכות כי הסכם סופי ייחתם עד סוף חודש יולי.
ביונד-מיינדס היא חברת סטארט-אפ מתל-אביב, שהוקמה ב-2018, ומספקת שירותי בינה מלאכותית לארגונים. החברה פיתחה פלטפורמה וארכיטקטורה ייחודית המאפשרת להתאים עבור הלקוח פתרונות AI עבור בעיות או צרכים ספציפיים. לדברי החברה, הפלטפורמה שלה מאפשרת לייצר פתרונות AI יעילים וסקאלבילים וכי היא נותנת מענה למכשולים ולבעיות שמעכבות תהליכי אימוץ AI בארגונים. באחרונה אף הכריזה ביונדמיינדס על התחייבות לספק לכל לקוח פתרון AI ייעודי מוכן לפעולה תוך 10 שבועות
לפני כשנה השלימה גיוס של כ-15 מיליון דולר בהובלת קרן ההון-סיכון Grove Ventures ואחד ממייסדי צ'ק פוינט מריוס נאכט. החברה מתמקדת במגזרי הבנקאות והפיננסיים, ייצור, ממשל וביטחון. בין לקוחות החברה נמנים מיקרוסופט, סמסונג, KPMG וחברות מהתעשייה הביטחונית והמגזר הפיננסי.
בראדא ציינו כי אימוץ יכולות AI נועד כדי לשמר את היתרון הטכנולוגי של החברה, וכי המודלים והטכנולוגיה של ביונד-מיינדס יאפשרו לשפר את הדיוק של המכ"מים, סיווג המטרות והתאמת תפקוד המכ"ם לסביבה משתנה.
ראדא פיתחה משפחה של מערכות מכ"ם טקטיות מבוססות תוכנה ליישומי הגנה בפני רחפנים, למערכות נ"מ לטווח קצר ולמערכות הגנה אקטיבית עבור כלי-רכב ממוגנים ומשוריינים (דוגמת מערכות חץ דורבן של אלביט ומעיל רוח של רפאל). פעילותה בתחום המכ"מים הטקטיים הובילה בשנים האחרונות לצמיחה משמעותית במכירותיה.
הערכת החברה, השוק הפוטנציאלי לפתרונות מכ"ם טקטי מסתכם בכ-6 מיליארד דולר. בסך הכול, הכנסותיה של ראדא ב-2020 הסתכמו ב-76.2 מיליון דולר, גידול של 72% בהשוואה ל-2019. בשנת 2021 היא צופה גידול נוסף של 60% ל-120 מיליון דולר.
חברת איסטרוניקס (Eastronics) קיבלה את הנציגות בישראל של חברת BrainChipמקליפורניה, ארה"ב, אשר פיתחה מעבד נוירונים מבוסס עיבוד אירועים (Event Based Processing) וסביבת פיתוח מקיפה. מוצרי החומרה והתוכנה של החברה, בשם הקוד Akida, יצאו לשוק לאחר יותר מ-10 שנות מחקר ופיתוח. לפתרונות AI מהדור הקודם יש חיסרון משמעותי: לאחר תהליך ההכשרה, קשה ללמד את המערכת דברים חדשים מבלי לחזור שנית על תהליך האימון. בריינצ'יפ פיתחה אלגוריתם ושבב המבטלים את הצורך בהעברת נתונים הלוך ושוב כדי לבצע הכשרה מחודשת, ועל-ידי כך הם מאפשרים התאמה אישית של מכשירי Edge AI.
החברה נוסדה בשנת 2013, ונחשבת לחלוצה במימוש רשת עצבית מבוססת אירועים. היא מספקת את הטכנולוגיה באמצעות שני מודלים עסקיים אפשריים: Akida Neural Processor IP – נכס רוחני לשילוב בתכנון SoC AI, או במתכונת Akida Neural Processor SoC – מעבד נוירונים אינטגרטיבי הכולל 1.2 מיליון נוירונים ומוכן לשילוב במערכות משובצות ליישומי קצה. לחברה מספר מרכזי פיתוח בעולם (ארה"ב, אוסטרליה וצרפת). היא מעסיקה כיום כ-50 עובדים ונסחרת בבורסה של אוסטרליה (ASX).
למרות שהאימוץ של בינה מלאכותית (machine learning) מצוי עדיין בתחילתו, ארגונים רבים כבר משתמשים בטכנולוגיה בזכות היתרונות הרבים שלה בשיפור היעילות, חיזוי התנהגות והפקת תובנות עסקיות ואחרות. חברת McKinsey מעריכה שעד היום אימצו 39% מהארגונים טכנולוגיות לימוד מכונה בדרך כזו או אחרת. גם בשוק שידורי הרדיו והטלוויזיה והאודיו-וידאו המקצועי (Pro AV) יש לטכנולוגיות האלה תפקיד חשוב ביצירת מודלים עסקיים ומקורות רווח חדשים. להלן ארבע דוגמאות:
קידוד האזור הרלוונטי (ROI – Region-of-Interest)
טכנולוגיית קידוד האזור הרלוונטי (ROI – Region-of-Interest) מאפשרת להפחית את העומס על הרשת בלא לפגוע ברזולוציה באמצעות טיפול באזורים החשובים, והתעלמות מאזורים לא חשובים. כך למשל, כאשר מצלמת מעקב עוקבת אחר אזור בזירה מסויימת, יש פרטים בתמונה שהם חשובים מאוד, ואחרים שהם חסרי חשיבות. כך למשל, אם מדובר במצלמת זיהוי פנים, יש צורך בכל המידע שהיא מספקת על הפנים, אולם ניתן להתעלם מהרקע שאינו תורם למשימת זיהוי הפנים.
מבחינת הצופה האנושי, ההבדל כמעט ואינו מורגש. המקודד יכול לצמצם את קצב העברת הנתונים של האזורים הלא-רלוונטיים בתמונה מ-5Mbps ל-1.5Mbps ועל-ידי כך להפחית בכ-70% את עלות הזרמת הווידאו, נתון שניתן לתרגם במקרים רבים לחסכון של כ-700 דולר לשעה על הזרמת וידאו לכ-10,000 צופים. הדבר נכון גם לגבי עלויות האיחסון: כיום עלות האיחסון קבצי וידאו בענן בנפח של 2,000GB מסתכמת בכ-1,000 דולר לחודש. צמצום הנפח הזה בכ-70% מאפשר להשתמש באמצעי אחסון קטנים וזולים בהרבה, או לחלופין לאחסן כמות גדולה יותר של מידע בכוננים הקיימים.
מודול KRIA של Xilinx ליישום בינה מלאכותית בקצה הרשת (Edge)
ליכולת לבצע קידוד מסתגל במתכונת ROI יש השלכות נוספות. נניח שאנחנו מצויים בחדר בקרה וצריכים להקרין על מסך רחב קטעי וידאו שבהם יש צורך להבחין בפרטים חיוניים שונים. ניתן במקרה הזה לבצע קידוד מסתגל סטטי על פריטים הכוללים טקסטים (שעון למשל), וקידוד מסתגל דינמי מוכוון בינה מלאכותית (ML-based coordinates), כדי לקבל את כל המידע על פניהם של אנשים.
שילוט דיגיטלי חכם
פרסום ממוקד הוא "הגביע הקדוש" של אנשי השיווק. שימוש במודלים של בינה מלאכותית כדי לנתח את מאפייני האנשים הנחשפים בפני שלט דיגיטלי, מאפשר למקד את הפרסום בקהל יעד רלוונטי בהתאם למדדים כמו גיל או מין, ועל-ידי כך לגבות תשלום גבוה יותר מהמפרסמים. הדבר גם מייצר נתונים בעלי ערך למפרסמים, כמו למשל הבנת תחומי העניין של הצופים הספציפיים, והתאמת התוכן הפרסומי אל קהל היעד (personalised ads). הדבר נכון גם ביישומים אחרים: רבות דובר על רמת הסניטציה הירודה של צגי המגע בעמדות שירות דיגיטליות (כספומטים למשל). המרתם למכשירים המספקים שירות באמצעות פיקוד מבוסס מחוות – במקום פיקוד מבוסס מגע – מאפשרת לספק שירות נקי ובריא יותר.
מעקב אחר אובייקטים באמצעות "חלונות"
תתארו לכם אירוע צנוע: מתקיים דיון של פנל הכולל שלושה מומחים מבית הספר לאמנות, אשר בו מנתחים את עבודותיו של אמן מסויים. זהו פרוייקט בעל תקציב נמוך מאוד המיועד לקהל מצומצם. בדרך-כלל מציבים מצלמה יחידה מול פנל הדוברים, אשר מכסה את הארוע כולו. לחלופין, באמצעות מודל מבוסס בינה מלאכותית, אפשר להשתמש במצלמת 4K יחידה אשר מכסה את הארוע כולו, ובמקביל מייצרת "חלונות צפייה" ברזולוציה נמוכה יותר של כל אחד מהמשתתפים (Object Tracking & Windowing).
התוצאה היא ארבעה סוגים של מקורות וידאו שונים: צילום תקריב של כל אחד מהדוברים וצילום רחב של כל הפנל המלא. המפעיל פשוט בוחר את תמונה הרלוונטית בכל רגע, כאשר התוצאה שוות ערך לשימוש בארבע מצלמות שונות במקביל – אולם בעלות של מצלמה יחידה. ניתן להתאים את הגישה הזאת, באמצעות מודלים שונים של לימוד מכונה, לאירועים מסוגים שונים, כמו למשל אירועים ספורטיביים שבהם הצופה יכול לעקוב אחר כל משתתף או אובייקט המעניינים אותו.
זיהוי דיבור
היכולת לזהות דיבור (Speech Recognition) באמצעות עיבוד דיבור טבעי (Natural Language Processing – NLP) כבר נכנסה לבתים רבים בתוך מכשירים דוגמת Alexa של גוגל או סירי של אפל. הטכנולוגיה הזאת ישימה גם בציוד Pro AV מקצועי כדי לפשט ולזרז את תהליך התקנת הציוד בלא צורך בקישוריות לענן ובתמיכה מקוונת, ואפילו לבצע תמלול אוטומטי של דיונים מרובי משתתפים. התרגום מתבצע בזמן אמת ומייצר כתוביות בשפות שונות, כאשר בכל אזור שפה מופיעות כתוביות בשפה המקומית.
לסיכום, ניתן ליישם את יכולות הבינה המלאכותית האלה בקצות הרשת באמצעות שימוש בפלטפורמת Zynq UltraScale+ MPSoC של חברת Xilinx. לעיבוד ישיר בקצה הרשת בלא צורך בקישוריות אל מעבדים בענן, יש יתרונות רבים בקבלת ביצועים גבוהים, זמני השהייה קצרים (low latency), שמירה על הפרטיות והגברת היעילות העסקית והפיננסית של הארגון.
לפרטים נוספים:
איתמר קהלני, מנהל קו מוצרי Xilinx בחברת אבנט סיליקה, 054-5206287, [email protected]
בתמונה למעלה: ארוע חתימת ההסכם. מימין לשמאל: שגריר איחוד האמירויות הערביות בישראל מוחמד מחמוד אל-חאג'ה, מנכ"ל G42 פנג שיאו, ומנכ"ל רפאל יואב הר-אבן
חברת רפאל חתמה אתמול (א') על הסכם להקמת חברה משותפת עם חברת G42 מאיחוד האמירויות. החברה האזרחית המשותפת תיקרא Presight.AI, ותעסוק בפיתוח וניהול פרויקטים אזוריים ובינלאומיים בתחומי הבינה המלאכותית וביג דאטה. חברת Presight.AI תקים גם מרכז מו"פ בישראל שיעסוק בפיתוח וקידום יכולות בינה מלאכותית וביג דאטה ליישומים אזרחיים בתחומים דוגמת בנקאות, פיננסים, בריאות ועוד. אירוע החתימה נערך בהשתתפות שגריר איחוד האמירויות הערביות בישראל מוחמד מחמוד אל-חאג'ה, מנכ"ל G42 פנג שיאו, מנכ"ל רפאל יואב הר-אבן, מנכ"ל G42 ישראל מעוז בן-ארי ועוד.
חברת רפאל מתמחה בטכנולוגיות בינה מלאכותית וביג-דאטה, ומובילה פרויקטים רבים בתחום הזה ובתחומים משיקים כמו הגנת סייבר, מערכות איסוף ועיבוד מודיעין, טכנולוגיות עיבוד תמונה ועוד. רפאל הקימה את חמ"ל הסייבר הלאומי בבאר-שבע, ואת מערך הגנת הסייבר של בנק ישראל ושל רכבת ישראל. חברת G42 מפעילה תשתית מחשוב ענן עצמאית מהגדולות והחזקות במזרח התיכון. היא פעילה בתחום הדיגיטציה של ארגונים גדולים ומדינות. בשבוע שעבר היא קיבלה השקעה של כ-800 מיליון דולר מקרן ההשקעות האמריקאית Silver Lake.
שגריר איחוד האמירויות בישראל, מחמוד אל-חאג'ה, אמר שההסכם בין שתי החברות יסייע לקדם פעילות כלכלית שתביא לצמיחה בשתי המדינות. "אנחנו עדיין בתחילתו של מסלול מרגש של שיתוף פעולה". מנכ"ל רפאל, יואב הר-אבן, אמר שהקמת החברה המשותפת עם G42 היא אבן-דרך חשובה. "במשך שנים משקיעה רפאל משאבי מחקר ופיתוח בתחום הבינה המלאכותית וביג דאטה, ליישומים צבאיים וליישומים אזרחיים גם יחד. נרחיב את שיתופי הפעולה שלנו עם תעשיות נוספות ועוד שותפים בעולם".
בעבר נחשה השוק הבטחוני לשוק הטכנולוגי המתקדם ביותר. לאחרונה נודע ל-Techtime שבחברת רפאל מעריכים שכיום השוק האזרחי מתקדם יותר, ומוביל את המהפיכה הדיגיטלית, מהפיכת הבינה המלאכותית, תחום המערכות האוטונומיות ועוד. לכן יש לה עניין להרחיב את שיתופי הפעולה עם חברות מסחריות ואת היקף הפעילות האזרחית הקשורה לתחומים אלה.
אנו עושים שימוש בקבצי עוגיות לצרכים שיווקיים ושיפור חוויית השימוש באתר. איסוף המידע באתר נעשה באופן אנונימי, למעט בטפסי יצירת קשר והרשמה לניוזלטר בהם אתם מתבקשים למלא פרטים אישיים. אנו עושים שימוש במגוון תוכנות לאיסוף וניתוח אנליטי של הנתונים באופן אנונימי לרבות: גוגל אנליטיקס, פייסבוק פיקסל ועוד.
What personal data we collect and why we collect it
We collect anonymous data on visitors in this website for business purposes such as enhancing user experience, digital marketing and search engine optimization.
We collect personal data such as email address and names on various forms – all forms present in this website include consent checkboxes and clear reason for collecting the data: general inquiries on our products, newsletter subscription, professional inquiries job applications. All forms are designed in accordance with GDPR requirements.
Comments
When visitors leave comments on the site we collect the data shown in the comments form, and also the visitor’s IP address and browser user agent string to help spam detection.
An anonymized string created from your email address (also called a hash) may be provided to the Gravatar service to see if you are using it. The Gravatar service privacy policy is available here: https://automattic.com/privacy/. After approval of your comment, your profile picture is visible to the public in the context of your comment.
Media
If you upload images to the website, you should avoid uploading images with embedded location data (EXIF GPS) included. Visitors to the website can download and extract any location data from images on the website.
Contact forms and newsletter
We use Gravity Forms as our platform of choice for all forms present in this website. Forms present in this website have been modified to fit GDPR requirements.
Unless specifically specified and approved by visitor, we do not use the collected data for marketing purposes.
We use Mailchimp to collect email addresses and send periodical marketing materials to our customers.
Handling and management of all email addresses and mailing operations is conducted under GDPR terms and guidelines provided by Mailchimp.
All subscribers are able to change their subscriptions preferences or unsubscribe at any given time.
Techtime has accepted the Data Processing Addendum agreement provided by Mailchimp for all its Mailchimp accounts.
All our lead collection forms have been altered in accordance with GDPR requirements and now include unchecked checkboxes in order to accept the explicit consent of the user prior to form submission.
Cookies
If you leave a comment on our site you may opt-in to saving your name, email address and website in cookies. These are for your convenience so that you do not have to fill in your details again when you leave another comment. These cookies will last for one year.
If you have an account and you log in to this site, we will set a temporary cookie to determine if your browser accepts cookies. This cookie contains no personal data and is discarded when you close your browser.
When you log in, we will also set up several cookies to save your login information and your screen display choices. Login cookies last for two days, and screen options cookies last for a year. If you select “Remember Me”, your login will persist for two weeks. If you log out of your account, the login cookies will be removed.
If you edit or publish an article, an additional cookie will be saved in your browser. This cookie includes no personal data and simply indicates the post ID of the article you just edited. It expires after 1 day.
Embedded content from other websites
Articles on this site may include embedded content (e.g. videos, images, articles, etc.). Embedded content from other websites behaves in the exact same way as if the visitor has visited the other website.
These websites may collect data about you, use cookies, embed additional third-party tracking, and monitor your interaction with that embedded content, including tracing your interaction with the embedded content if you have an account and are logged in to that website.
Analytics
We use Google Analytics regularly for monitoring user behavior and traffic sources and utilize the gathered information for enhancing user experience and for business purposes.
The use of Google Analytics in done according to GDPR terms and guidelines provided by Google.
Legal Entity: Techtime.
Primary Contact (a.k.a. “Notification Email Address”): [email protected] – this email is designated for receiving notices under the Google Ads Data Processing Terms.
Who we share your data with
We use various cloud platforms and third party providers for the purpose of operating this website.
We do not share or sell your data for any commercial purpose other than specified above.
We use the following processors for the operating this website and executing related digital marketing campaigns:
WP Engine – Hosting Provider
Cloudflare – Cloud based security and web performance processor.
Google Cloud Platform – data centers provider for WP Engine
Sucuri – Website security provider
Mailchimp – Newsletter service provider
Google Analytics, Adwords, Webmasters
Facebook – We use Facebook for advertising and place tracking code on our website for enhancing digital marketing campaigns (i.e – Facebook Pixel).
Planwize Ltd – Digital Marketing Agency.
How long we retain your data
If you leave a comment, the comment and its metadata are retained indefinitely. This is so we can recognize and approve any follow-up comments automatically instead of holding them in a moderation queue.
For users that register on our website (if any), we also store the personal information they provide in their user profile. All users can see, edit, or delete their personal information at any time (except they cannot change their username). Website administrators can also see and edit that information.
What rights you have over your data
If you have an account on this site, or have left comments, you can request to receive an exported file of the personal data we hold about you, including any data you have provided to us. You can also request that we anonymize or erase any personal data we hold about you. This does not include any data we are obliged to keep for administrative, legal, or security purposes.
Request for Receiving Data Associated with One’s Email Address
Users may request to receive access to all related information submitted to this website for their review.
In accordance with GDPR compliance, user may further request the anonymization of such data.
In order to request access for all data associated with a given email address, users may submit the request here. Users then receive an email with a link to a page with all related information.
The link is valid for 24 hours. Users may submit additional request for the same email address once in every 24 hours.
A request for anonymization should be sent separately: User may select the data he or she wishes the site owner to anonymize so it cannot be linked to his or her email address any longer. An email confirmation will be sent once linked data has been successfully anonymized.
Where we send your data
Visitor comments may be checked through an automated spam detection service. All our processors and third party providers comply with GDPR requirements and apply privacy by design and necessary measure to ensure that personal data is being processed and handled in accordance with requirements. The list of our third party service providers and processors is listed above.
Contact information
For all privacy-specific concerns inquiries, you may contact us at [email protected]
How we protect your data
We use rigorous practices in order to protect our website and data collected, as well as world class cloud and hosting providers.
Communication between visitor and the server is encrypted using SSL.
The site is protected with web application firewall and is undergoing daily security scans, regular software updates by a dedicated team in order to minimize the risk of data breach.
What data breach procedures we have in place
Once a data breach is detected, our providers execute a dedicated standard operational procedure in order to assess the scope and potential damage, provide immediate remedy, patch any potential security holes and notify users who may be affected by the breach.
We may contact affected users with one or more form of communication within 72 hours and provide the needed information as to the scope of the data breach and actions taken.
What third parties we receive data from
We do not receive data from third parties for our marketing campaigns.
What automated decision making and/or profiling we do with user data
We may apply remarketing/retargeting methods while conducting online advertising using Google Facebook and the likes.
The above is conducted by applying various tracking codes into our website in order to track and retarget users based on
By visiting and using this website you are hereby provide your consent for the use of the above means and methods.
