Unity и DeepSquare: многообещающая комбинация для иммерсивной метавселенной

Автор: Джими Вобьен

Метавселенная — это виртуальный мир, который постоянно расширяется и развивается.

По мере того, как все больше и больше людей входят в Метавселенную, потребность в реалистичном искусственном интеллекте (ИИ), который может взаимодействовать с пользователями, становится все более важной.

Но обучение реалистичных моделей машинного обучения взаимодействию в моделируемом мире, населенном человеческими и нечеловеческими игроками (ИИ или простые боты), является сложной задачей: пространство действий может быть огромным, как и разнообразие возможных ситуаций.

Агенты машинного обучения Unity

Чтобы решить эту проблему, нам нужна возможность создать симуляцию мира, близкую к Метавселенной. Кроме того, нам необходимо разработать агентов, которые могут взаимодействовать с моделируемым миром для сбора данных для обучения наших моделей.

Именно здесь вмешиваются агенты Unity ML.

Это набор инструментов для разработки интеллектуальных агентов, способных научиться решать задачи самостоятельно.

Он предназначен для использования с игровым движком Unity для создания агентов, которые могут научиться перемещаться по трехмерным средам, играть в игры и т. д.

Набор инструментов включает несколько функций, облегчающих разработку и обучение агентов, в том числе:

  • Гибкая архитектура, позволяющая использовать различные алгоритмы обучения
  • Набор примеров сред, которые можно использовать для обучения и тестирования агентов. Набор инструментов для визуализации и отладки поведения агентов.
  • API Python, обеспечивающий простую интеграцию с популярными библиотеками машинного обучения.

Типичный рабочий процесс: создайте симуляцию мира в агентах Unity ML:

  1. Реализовать экземпляр класса Agent
  2. Получите входные данные датчика агента (изображение, звук, …)
  3. Подайте входные данные в свою модель (PyTorch, Tensorflow,…)
  4. Получите следующее действие в качестве входных данных от вашей модели,
  5. Выполните действие в игре и соберите новое состояние мира
  6. На основе нового состояния определяется, хорошо ли работал агент или нет.
  7. Перезапустите с 2, пока модель не станет достаточно хорошей

Идеальный вариант использования для высокопроизводительных вычислений

Агенты машинного обучения Unity предлагают мощное решение для создания реалистичного ИИ, который может обитать в Метавселенной.

Однако обучение агентов обычно занимает много времени. Это не задача для вашего ноутбука или простой виртуальной машины в облаке.

Кластеры высокопроизводительных вычислений — это правильный путь. Они предлагают вычислительную мощность и гибкость, необходимые для обучения агентов машинного обучения реалистичному поведению за разумное время.

Некоторые из преимуществ обучения агентов машинного обучения на кластерах высокопроизводительных вычислений включают:

Повышенный реализм

Расширенный ИИ требует сложных моделей с множеством параметров. В результате им требуется много памяти и вычислительной мощности для обучения. Благодаря высоким вычислительным возможностям кластеров высокопроизводительных вычислений мы можем обучать продвинутые модели ИИ для создания гораздо более реалистичного и правдоподобного ИИ.

Повышенная вычислительная мощность кластеров высокопроизводительных вычислений позволяет проводить более детальное и реалистичное моделирование. Это приводит к тому, что ИИ может лучше взаимодействовать с пользователями в Метавселенной.

Повышенная гибкость

Кластеры высокопроизводительных вычислений обеспечивают гибкость, необходимую для обучения агентов машинного обучения реалистичному поведению.

Возможность запуска нескольких симуляций одновременно в кластере высокопроизводительных вычислений обеспечивает большее разнообразие сценариев обучения.

Эта гибкость приводит к тому, что ИИ может лучше адаптироваться к постоянно меняющейся Метавселенной.

Повышенная масштабируемость

Масштабируемость кластеров высокопроизводительных вычислений делает их идеальными для обучения агентов машинного обучения. Кроме того, добавление дополнительных вычислительных ресурсов по мере необходимости гарантирует, что обучение будет идти в ногу с растущим спросом на ИИ в Метавселенной.

Снижение затрат

Обучение агентов машинного обучения на кластерах высокопроизводительных вычислений может сэкономить деньги в долгосрочной перспективе.

Стоимость обучения на высокопроизводительном кластере намного ниже стоимости обучения на традиционном суперкомпьютере. Это снижение затрат может помочь сделать ИИ более доступным для бизнеса и частных лиц. Более того, обучая агентов машинного обучения на высокопроизводительных вычислительных кластерах, мы можем создать реалистичный искусственный интеллект, способный обитать в постоянно расширяющейся Метавселенной.

Агенты DeepSquare и Unity ML: идеальное сочетание

Обучение искусственного интеллекта — это «энергоемкий процесс. Новые оценки показывают, что углеродный след обучения одного ИИ составляет целых 284 тонны эквивалента углекислого газа, что в пять раз превышает выбросы среднего автомобиля в течение всего срока службы […] Чтобы измерить воздействие этого подхода на окружающую среду, исследователи обучили четыре разных ИИ. — Трансформатор, ЭЛМо, БЕРТ и ГПТ-2 — по одному дню каждый и замеры энергопотребления на всех этапах». (источник)

Это зависит от конкретного используемого алгоритма машинного обучения, а также от размера и сложности набора данных. Однако в целом обучение алгоритма машинного обучения может быть довольно энергозатратным. Это связано с тем, что многим алгоритмам машинного обучения требуется много итераций, чтобы прийти к решению. Но каждая итерация может потребовать значительного количества вычислительных ресурсов, что может потребовать много энергии.

DeepSquare — это децентрализованная устойчивая облачная экосистема, которая позволяет организациям сохранять право собственности на свои данные, извлекая выгоду из масштабируемой, оптимизированной инфраструктуры облачных вычислений. Он питается от возобновляемых источников энергии, технологии блокчейн и искусственного интеллекта. DeepSquare спроектирован так, чтобы обеспечивать высокую энергоэффективность и минимизировать воздействие облачных вычислений на окружающую среду.

Используя ресурсы высокопроизводительных вычислений DeepSquare, вы можете выполнять самые ресурсоемкие рабочие нагрузки, значительно уменьшая при этом свой углеродный след: действительно, DeepSquare на 100 % питается от возобновляемых источников энергии. Более того, он использует тепло, производимое кластером, для передачи его жилым домам и предприятиям энергетики в окрестностях кластера.

Обучайте своих агентов машинного обучения Unity в кластерах DeeSquare, чтобы строить будущее устойчиво: иммерсивная Метавселенная на основе реалистичного ИИ, обученного без вреда для окружающей среды.

Источники

Агенты машинного обучения Unity: https://unity.com/products/machine-learning-agents DeepSquare: https://deepsquare.io/

Энергопотребление искусственного интеллекта: https://www.newscientist.com/article/2205779-creating-an-ai-can-be-five-times-worse-for-the-planet-than-a-car/

Facebook пытается продвинуть ИИ до человеческого уровня, чтобы построить свою метавселенную: https://www.businessinsider.com/facebook-metaverse-challenges-include-ai-development-to-human-level-2022-2 ?r=US&IR=T