الگوریتم بینایی ماشین در هوش مصنوعی با انرژی مصرفی یک یخچال اجرا می‌شود!
تیم تحریریه- ۳ خرداد ۱۴۰۱
هوش مصنوعی یکی از فناوری‌های پر مصرف از لحاظ انرژی است. اما پژوهش جدیدی نشان داده که می‌توان با استفاده از یک تراشه کم مصرف حتی الگوریتم بینایی ماشین در هوش مصنوعی را اجرا کرد. در ادامه این مطلب با هوشیو همراه باشید.
متخصصان با فناوری هوش مصنوعی به دستاوردهای چشمگیری رسیده‌اند اما معمولا برای رسیدن به این جایگاه به حجم زیادی از داده و توان پردازشی نیاز بوده است. از همین رو پژوهشگران هوش مصنوعی تلاش می‌کنند مصرف انرژی را در کاربردهای هوش مصنوعی کاهش دهند.
[irp posts=”4081″]پژوهشگران موفق شدند الگوریتم سنگین بینایی ماشین در هوش مصنوعی را با استفاده از یک تراشه کم مصرف رایانه‌ای که می‌تواند چندین ماه با باتری کار کند، اجرا کنند. این ابتکار قابلیت‌های پیشرفتهای مثل تشخیص صدا و تصویر را به لوازم خانگی و گجت‌های پوشیدنی اضافه می‌کند. همچنین دستگاه‌های پزشکی و حسگرهای صنعتی می‌توانند به صورت کارآمدتری از قابلیت‌های هوش مصنوعی بهره‌مند شوند. در کنار این پیشرفت‌ها، میزان انتقال داده به ساختارهای ابری کاهش پیدا می‌کند و حریم خصوصی بیشتر حفظ می‌شود.
«سانگ هان»، استاد دانشگاه ام‌آی‌تی و مسئول رهبری این پروژه، گفته است: «نتایج این آزمایش برای ما خیلی جالب بود. این دستاورد خیلی زود می‌تواند خارج از محیط آزمایشگاه نیز اجرایی شود.»
ریز کنترل‌گرها Microcontroller تراشه‌های رایانه‌ای نسبتا معمولی، ارزان قیمت و با مصرف انرژی پایین هستند که داخل موتور خودروها، تامین‌کننده‌های انرژی، کنترل تلویزیون، ایمپلنت‌های پزشکی و میلیاردها دستگاه دیگر دیده می‌شوند. در واقع با کاهش حجم الگوریتم‌های یادگیری عمیق که عملکردی تقریبا شبیه به شبکه‌های عصبی در مغز دارند، پیشرفتهای بزرگی در عرصه هوش مصنوعی به دست آمده است. این پیشرفت‌ها در یک دهه گذشته بستر رشد امروزی این فناوری را ایجاد کرده‌اند.
افزایش فروش پردازنده‌های گرافیکی
الگوریتم‌های یادگیری عمیق و بینایی ماشین بر روی تراشه‌هایی اجرا می‌شوند که قابلیت تقسیم توان پردازش موازی همزمان برای آموزش و راه‌اندازی شبکه را داشته باشند. آموزش مدل زبانی موسوم به جی‌پی‌تی-3 که می‌تواند متون قابل خوانش را تولید کند، نیازمند توان پردازشی معادل 355 سال تراشه‌های هوش مصنوعی است. از همین رو فروش پردازنده‌های گرافیکی که برای اجرای الگوریتم‌های یادگیری عمیق مناسب هستند، در کنار تراشه‌های مخصوص هوش مصنوعی برای تلفن‌های هوشمند و سایر گجت‌ها افزایش داشته است.
[irp posts=”8451″]این یک رویکرد دو بخشی است. در بخش اول پژوهشگران از الگوریتمی استفاده می‌کنند تا چارچوب‌های محتمل شبکه های عصبی را جستجو کرده و چارچوبی را پیدا کنند که با محدودیت‌های پردازشی ریز کنترل‌گر مطابقت داشته باشد. اما بخش دیگر یک کتابخانه نرم‌افزاری با اتکای کم به حافظه است که با هدف اجرای شبکه طراحی شده است. این کتابخانه در هماهنگی با معماری شبکه، افزونگی Redundency را حذف و معضل عدم دسترسی به حافظه در یک ریز کنترل‌گر را برطرف می‌کند. سانگ هان کاری که در این پروژه انجام می‌شود را مثل «پیدا کردن سوزن در انبار کاه» دانسته است.
نتیجه کار تیم پژوهشی آقای هان تولید سیستمی برای بینایی ماشین در هوش مصنوعی است که قابلیت تشخیص 1000 مدل از اشیا در تصاویر با ضریب دقت 70 درصد را دارد. در حالی که بهترین الگوریتم قبلی که مصرف انرژی کمی داشته فقط 54 درصد دقت داشته است. علاوه بر مصرف انرژی کمتر، الگوریتم جدید با به کارگیری 21 درصد از فضای حافظه و با کاهش 67 درصدی تأخیر در پردازش‌ها جایگاه بهتری در مقایسه با سایر روش‌ها داشته است. در زمینه پردازش گفتار هم با این الگوریتم جدید برای تشخیص یک واژه خاص بهبود عملکردها نمایان شده است. سانگ هان امیدوار است با بازبینی روش‌های استفاده شده، عملکرد بهتر شود.
کاربرد الگوریتم جدید
این الگوریتم جدید بینایی ماشین می‌تواند در عینک‌های هوشمند و دستگاه‌های مجهز به واقعیت افزوده که دائما با تشخیص اشیا سر و کار دارند مورد استفاده قرار بگیرد. همچنین دستگاه‌های تنظیم کننده رفت و آمد داده بین دو شبکه با قابلیت تشخیص صدا بدون اتصال به فضای ابری نیز می‌توانند از این الگوریتم بهره‌مند شوند.
[irp posts=”18670″]«جان کان»، یکی از پژوهشگران گروه تحقیقاتی هوش مصنوعی واتسن و عضوی از تیم پژوهشی سانگ هان، از علاقه مشتریان آی‌بی‌ام به استفاده از این فناوری جدید خبر داده است. مثلا یکی از نیازهای مشتریان وجود حسگرهایی است که بتوانند اشکالات پیش آمده در ماشین‌های صنعتی را تشخیص دهند. این حسگرها به صورت بی‌سیم به همدیگر متصل شده‌اند، بنابراین پردازش داده‌ها از راه دور روی یک سیستم به مراتب قدرتمند‌تر انجام می‌شود. در نهایت استفاده از بینایی و یادگیری ماشین با مصرف کمتر انرژی در دستگاه‌های پزشکی از دیگر نتایج این پژوهش است. در حال حاضر گروهی از همکاران هان در ام‌آی‌تی بر روی دستگاه‌هایی کار می‌کنند که از یادگیری ماشین برای پایش دائمی فشار خون استفاده می‌کند.
