حافة الذكاء الاصطناعى: تنقل قيود الأجهزة

أثناء الاستعداد لأمسية من الاسترخاء في المنزل ، قد تطلب من هاتفك الذكي تشغيل أغنيتك المفضلة أو إخبار مساعد منزلك بتخفيف الأضواء. تشعر هذه المهام بسيطة لأنها مدعومة بالذكاء الاصطناعي (AI) التي تم دمجها الآن في إجراءاتنا اليومية. في قلب هذه التفاعلات السلسة ، توجد حافة AI – AAI التي تعمل مباشرة على أجهزة مثل الهواتف الذكية والأجهزة القابلة للارتداء وأدوات IoT ، مما يوفر استجابات فورية وبديهية.

يشير Edge AI إلى نشر خوارزميات AI مباشرة على الأجهزة على “حافة” الشبكة ، بدلاً من الاعتماد على مراكز البيانات السحابية المركزية. يستفيد هذا النهج من إمكانيات المعالجة لأجهزة الحافة – مثل أجهزة الكمبيوتر المحمولة والهواتف الذكية والساعات الذكية والأجهزة المنزلية – لاتخاذ القرارات محليًا.

يوفر Edge AI مزايا حرجة للخصوصية والأمان: من خلال التقليل من الحاجة إلى نقل البيانات الحساسة عبر الإنترنت ، يقلل Edge AI من خطر انتهاك البيانات. كما أنه يعزز سرعة معالجة البيانات وصنع القرار ، وهو أمر بالغ الأهمية للتطبيقات في الوقت الفعلي مثل الأجهزة القابلة للرعاية الصحية والأتمتة الصناعية والواقع المعزز والألعاب. يمكن أن تعمل الحافة AI في البيئات ذات الاتصال المتقطع ، مما يدعم الاستقلالية مع صيانة محدودة وخفض تكاليف نقل البيانات.

في حين أن الذكاء الاصطناعى يتم دمجه الآن في العديد من الأجهزة ، فإن تمكين إمكانات الذكاء الاصطناعي القوية في الأجهزة اليومية يمثل تحديًا تقنيًا. تعمل أجهزة Edge ضمن قيود صارمة على قوة المعالجة والذاكرة وعمر البطارية ، وتنفيذ مهام معقدة ضمن مواصفات الأجهزة المتواضعة.

على سبيل المثال ، بالنسبة للهواتف الذكية لأداء التعرف على الوجه المتطور ، يجب عليهم استخدام خوارزميات التحسين المتطورة لتحليل الصور وميزات المطابقة بالميلي ثانية. تتطلب الترجمة في الوقت الحقيقي على سماعات الأذن الحفاظ على استخدام الطاقة المنخفضة لضمان عمر البطارية لفترة طويلة. وبينما يمكن أن تعتمد نماذج الذكاء الاصطناعى المستندة إلى مجموعة النظراء على الخوادم الخارجية ذات الطاقة الحسابية الواسعة ، يجب أن تجعل الأجهزة الحافة ما هو في متناول اليد. يغير هذا التحول إلى معالجة الحافة بشكل أساسي كيفية تطوير نماذج الذكاء الاصطناعى وتحسينها ونشرها.

وراء الكواليس: تحسين الذكاء الاصطناعي للحافة

يجب تقليل نماذج الذكاء الاصطناعى القادرة على التشغيل بكفاءة على أجهزة الحافة وحسابها بشكل كبير ، مع الحفاظ على نتائج موثوقة مماثلة. تتضمن هذه العملية ، التي يشار إليها في كثير من الأحيان باسم ضغط النموذج ، خوارزميات متقدمة مثل البحث عن العمارة العصبية (NAS) ، والتعلم النقل ، وتقليم ، والتكميات.

يجب أن يبدأ تحسين النموذج من خلال اختيار أو تصميم بنية نموذجية مناسبة بشكل خاص لقدرات الأجهزة الخاصة بالجهاز ، ثم تحسينه لتشغيله بكفاءة على أجهزة حافة محددة. تستخدم تقنيات NAS خوارزميات البحث لاستكشاف العديد من نماذج الذكاء الاصطناعي الممكنة والعثور على الأنسب لمهمة معينة على جهاز الحافة. نقل تقنيات التعلم تدريب نموذج أصغر بكثير (الطالب) باستخدام نموذج أكبر (المعلم) تم تدريبه بالفعل. يتضمن التقليم القضاء على المعلمات الزائدة التي لا تؤثر بشكل كبير على دقة ، وتحويل الكميات النماذج لاستخدام الحساب الدقيق أقل لتوفير على حساب واستخدام الذاكرة.

عند إحضار أحدث نماذج الذكاء الاصطناعى إلى الأجهزة ، من المغري التركيز فقط على مدى كفاءة إجراء العمليات الحسابية الأساسية-خاصة ، على وجه التحديد ، عمليات “مضاعفة” ، أو Macs. بعبارات بسيطة ، تقيس كفاءة MAC مدى السرعة التي يمكن أن تقوم بها الشريحة بالرياضيات في قلب الذكاء الاصطناعي: ضرب الأرقام وإضافتها. يمكن لمطوري النماذج الحصول على “رؤية نفق MAC” ، مع التركيز على هذا المقياس وتجاهل العوامل المهمة الأخرى.

تم تصميم بعض نماذج الذكاء الاصطناعى الأكثر شعبية – مثل Mobilenet و CafficeNet و Transformers لتطبيقات الرؤية – لتكون فعالة للغاية في هذه الحسابات. ولكن في الممارسة العملية ، لا تعمل هذه النماذج دائمًا بشكل جيد على رقائق الذكاء الاصطناعى داخل هواتفنا أو الساعات الذكية. ذلك لأن الأداء في العالم الحقيقي يعتمد على أكثر من مجرد سرعة الرياضيات-يعتمد أيضًا على مدى سرعة أن تتحرك البيانات داخل الجهاز. إذا كان النموذج يحتاج باستمرار إلى جلب البيانات من الذاكرة ، فيمكنه إبطاء كل شيء ، بغض النظر عن مدى سرعة الحسابات.

من المثير للدهشة أن النماذج القديمة الأكبر سناً مثل Resnet تعمل في بعض الأحيان بشكل أفضل على أجهزة اليوم. قد لا تكون الأحدث أو الأكثر تبسيطًا ، ولكن الخلفية بين الذاكرة والمعالجة أكثر ملاءمة بكثير لمواصفات معالجات الذكاء الاصطناعى. في الاختبارات الحقيقية ، قدمت هذه النماذج الكلاسيكية سرعة ودقة أفضل على أجهزة الحافة ، حتى بعد تقليمها لتناسب.

الدرس؟ نموذج “أفضل” الذكاء الاصطناعي ليس دائمًا هو التصميم الجديد الأكثر وضوحًا أو أعلى كفاءة نظرية. بالنسبة لأجهزة Edge ، فإن أكثر ما يهم هو مدى ملاءمة النموذج مع الأجهزة التي يتم تشغيلها فعليًا.

وهذا الجهاز يتطور بسرعة. لمواكبة مطالب الذكاء الاصطناعى الحديث ، بدأ صانعو الأجهزة بما في ذلك رقائق مخصصة خاصة تسمى AI Accelerators في الهواتف الذكية ، والساعات الذكية ، والأجهزة القابلة للارتداء ، والمزيد. تم تصميم هذه المسرعات خصيصًا للتعامل مع أنواع الحسابات وحركة البيانات التي تتطلبها نماذج الذكاء الاصطناعى. كل عام يجلب التطورات في الهندسة المعمارية والتصنيع والتكامل ، مما يضمن مواكبة الأجهزة مع اتجاهات الذكاء الاصطناعي.

الطريق إلى الأمام إلى Edge AI

إن نشر نماذج الذكاء الاصطناعى على أجهزة الحافة معقد من خلال الطبيعة المجزأة للنظام الإيكولوجي. نظرًا لأن العديد من التطبيقات تتطلب نماذج مخصصة وأجهزة محددة ، فهناك نقص في التوحيد. المطلوب هو أدوات تطوير فعالة لتبسيط دورة حياة التعلم الآلي لتطبيقات الحافة. يجب أن تجعل هذه الأدوات من السهل على المطورين تحسين الأداء في العالم الحقيقي واستهلاك الطاقة والكمون.

يضيق التعاون بين الشركات المصنعة للأجهزة ومطوري الذكاء الاصطناعي الفجوة بين الهندسة وتفاعل المستخدم. تركز الاتجاهات الناشئة على الوعي بالسياق والتعلم التكيفي ، مما يسمح للأجهزة بتوقع احتياجات المستخدم والاستجابة لها بشكل طبيعي. من خلال الاستفادة من الإشارات البيئية ومراقبة عادات المستخدم ، يمكن لـ Edge AI توفير ردود تشعر بديهية وشخصية. تم تعيين الذكاء الموضعي والمخصص لتحويل تجربتنا في التكنولوجيا والعالم.