Intels Marc Wall berättar om sin roll som en djuplärande ingenjör och hur arbetet med pre-silikonverifiering ser ut.
För Marc Wall finns det många saker han tycker om med att vara en djuplärande ingenjör.
”Även om utmaningarna är många och arbetsbelastningen obeveklig på grund av adoptionstakten, är innovationen, lärdomarna och glädjen att vara en del av ett team och företag som ger livsförändrande produkter till människor över hela världen en fantastisk känsla”, säger han . ”Det faktum att AI är så banbrytande och ett transformerande ögonblick för tekniken är en bonus.”
Wall har 24 års erfarenhet av hårdvara (HW) pre-silikonverifiering och design. Han arbetar för närvarande på Intels Client Graphics and Artificial Intelligence Neural Processing Unit (NPU) som en djupinlärande pre-silikonverifieringschef.
Om det finns något sådant, kan du beskriva en typisk dag på jobbet?
Vissa morgnar gillar jag att börja dagen med tidig morgonträning, jag tycker att detta hjälper till att hålla mig fokuserad för dagen och lindrar stress. Att hålla sig både fysiskt och mentalt i form är viktigt för att uppnå en lång och hälsosam karriär.
Jag skulle vanligtvis gå in på en dag med en god uppfattning om vad som väntar från dagen innan, men att kontrollera om det finns förändringar i möten över natten eller brådskande frågor är ett måste eftersom vi arbetar över flera geografiska platser och tidszoner. Planerna kan sedan justeras utifrån prioriterade samtal.
Dagen består vanligtvis av en hel del möten (mer än fyra möten skulle vara vanliga) som täcker nuvarande, tidigare och framtida projekt och tidigare diskreta marker. Med ämnen som sträcker sig från projektspecifik funktionsspårning, allmän status, schemaläggning/planering till specifika tekniska ämnen eller arbetsgrupper för att lösa ett specifikt problem.
Utanför möten delas tiden upp över specifika tekniska uppgifter som spänner över flera områden av verifiering som en del av nuvarande programexekvering eller tidigare generationsstöd. Vikten av tvärfunktionell laganpassning kan inte överskattas, till exempel att arbeta nära mjukvaruteamen (SW) för att säkerställa att den bästa strategin väljs när en AI-modell kartläggs för att köras på NPU.
Vilka typer av AI/analysprojekt arbetar du med? Finns det några du gillar särskilt, eller har tidigare?
Jag arbetar på en lågeffekts AI HW accelerator IP som kallas neural processing unit (NPU) som finns i den nyligen tillkännagivna Intel Core Ultra-processorn. Ihållande AI-arbetsbelastningar kan avlastas från den centrala processorenheten (CPU) för att köras effektivt på NPU:n, vilket frigör processorn för andra uppgifter.
Att arbeta med pre-silikonverifiering innebär att vi är ansvariga för att säkerställa kvaliteten på IP:n innan kiselproduktion av chipet. Det finns många områden av pre-silikonverifiering inklusive funktionell, formell, effekt, prestanda, numerisk etc på olika arkitektoniska nivåer för att signera produkten innan leverans till SoC-teamen (system on chip) för integration.
Det har varit en fantastisk resa att arbeta med den här tekniken under flera generationer från de första NPU-designsessionerna på ett kontor i Dublin. Att vara involverad från starten, se gruppen växa, arbeta med så många begåvade människor i många funktioner, se hur chippet slås på utan några betydande HW-buggar och kulminera i lanseringen av AI PC Intel Core Ultra-processorn.
Vilka AI/analytiska färdigheter använder du dagligen? Måste du dra nytta av någon kompetens på sätt du inte förväntade dig innan du var i rollen?
Allmän AI/maskininlärning (ML) och nätverkskoncept används när man arbetar på HW-sidan av AI för att förstå de olika operatörstyperna som används inom en nätverksmodell och hur den mappas till HW för funktionstestplanering. AI HW-databehandling och dataförflyttning tillsammans med kunskap om datatyper används vid felfelsökning och numerisk validering.
Det finns också fler AI-tekniker som används i de verktyg som vi använder för att verifiera designen, såsom täckning och testeffektivitet/optimering. Dessa kommer att fortsätta att växa och testas och utnyttjas.
Vilka är de svåraste delarna med att arbeta med AI/analytics, och hur navigerar du i dem?
Nya och utvecklande teknologier som AI involverar många ”först”, eftersom de inte har gjorts tidigare, vilket leder till många utmaningar men också möjligheter att förnya sig. Tillståndsutrymmet eller det möjliga konfigurationsutrymmet är också enormt, vilket gör det till en utmaning att stänga täckningen.
Det faktum att AI är ett snabbt utvecklande landskap gör att hålla sig uppdaterad till en utmaning, särskilt med tanke på att kartlägga dessa nya koncept till HW som tar lång tid att komma ut på marknaden.
Att arbeta över funktioner i HW och SW hjälper till att dela problem och konvergera lösningar snabbare.
Har du några produktivitetstips som hjälper dig genom dagen?
Det är oerhört viktigt att planera din dag utifrån prioriterade samtal och schemalagda åtaganden. Utnyttja dina kollegors kompetens – vi vinner och förlorar som ett lag. Delta endast i viktiga möten för att optimera produktiviteten. Ta hand om din hälsa och mentala välbefinnande.
Vilka färdigheter och verktyg använder du för att kommunicera dagligen med dina kollegor?
Beroende på om vi är på plats eller inte, varierar interaktionen mellan teammedlemmarna från vid skrivbordet, i rummet och samtal, till Teams-möten online. Vi har en bra balans och måste vara medvetna om att vissa teammedlemmar är helt avlägsna eller på olika platser för att vara så inkluderande som möjligt.
Vi har ett tekniskt starkt, dedikerat och driven team som alla tillför mycket till bordet. Att säkerställa öppen kommunikation och att lyssna på alla åsikter är avgörande för att säkerställa att vi når de bästa lösningarna.
Hur har denna roll förändrats i takt med att AI/analytiksektorn har växt och utvecklats?
Med ökad användning och synlighet av AI kommer högre efterfrågan vilket innebär fler produktavlyssningar, ökad kadens etc. Med detta har min roll utvecklats och min omfattning har ökat under mina flera år som jag arbetat inom AI inklusive att driva olika aspekter av verifiering, skaffa mer expertis inom nya AI-specifika datatyper (numerik) och forskning om nya AI/ML-verktyg och metoder som kan vara fördelaktiga för pre-silikonverifiering.
Vilket råd skulle du ge till någon som vill arbeta med AI/analytik?
Det är lite av en ramp för att komma in men när bitarna börjar passa blir resan lättare.
Använd kunskapen hos dina kollegor/team omkring dig, vi började alla på samma ställe en gång, de hjälper gärna till.
Förstå de krav som bäst passar de funktionella disciplinerna över SW eller HW i det AI-utrymme du vill arbeta i och fokusera på dem, och ställ verkliga förväntningar.
Njut av det, det är inte ofta du får möjlighet att arbeta med något så effektfullt.
Ta reda på hur nya tekniska trender förändras i morgon med vår nya podcast, Future Human: The Series. Lyssna nu Spotifypå Äpple eller var du än får dina poddar.