23 فوریه 2023 -توسط شورای تحقیقات سوئد-اعتبار: دامنه عمومی Pixabay/CC0
دستگاه‌های هوشمند همچنان هوشمندتر می‌شوند و بیشتر و بیشتر از سخت‌افزار تقاضا ی سازگاری می‌کنند. چگونه می‌توانیم مطمئن شویم که این دستگاه‌ها با هوش مصنوعی مورد نیاز برای حفظ کارکرد سازگار هستند، بدون اینکه نیاز به افزایش ظرفیت سخت‌افزاری داشته باشیم؟ این چیزی است که نسما رزک، دکتری. در رشته علوم و مهندسی کامپیوتر، در پایان نامه خود به تحقیق پرداخته است.
پایان نامه نسما رزک در مورد پیاده سازی برنامه های یادگیری عمیق بر روی پلتفرم های تعبیه شده است که هر نوع سیستم کامپیوتری با عملکرد اختصاصی مانند ساعت هوشمند یا ماشین خودران است. یادگیری عمیق نوعی تکنیک هوش مصنوعی (AI) است که به رایانه‌ها یاد می‌دهد با مثال یاد بگیرند. این تکنیک برای مثال چیزی است که تشخیص علائم راهنمایی و رانندگی مختلف را برای یک ماشین بدون راننده ممکن می‌سازد، و این فناوری را می‌توان در همه چیز از وسایل خانه هوشمند گرفته تا ابزار مراقبت بهداشتی یافت.
Rezk می‌گوید: «این تکنیک سؤالاتی را در مورد اینکه چگونه می‌توانید از این پیاده‌سازی‌ها استفاده کنید، از کارایی آنها اطمینان حاصل کنید و با پیشرفتهای فناوری در الگوریتم‌های یادگیری عمیق که به‌طور مداوم برای هوشمندتر شدن در حال توسعه هستند، کنار بیایید.»
اگرچه پلتفرمهای سخت‌افزاری پیشرفتهای وجود دارند که عملکرد قدرتمندی را ارائه می‌کنند، نیازهای بالای مدل‌های یادگیری عمیق برای منابع محاسباتی و حافظه سخت‌افزار همچنان چالش‌برانگیز است – و اگر سخت‌افزار و مدل‌ها به اندازه کافی سازگار نباشند، این می‌تواند کارایی پیاده‌سازی‌های حاصل را محدود کند. .
رزک از دیدن اینکه در بسیاری از موارد می‌توان مدل یادگیری عمیق را به کمتر از یک چهارم اندازه اصلی آن فشرده کرد و همچنان عملکرد صحیح مدل را داشت، متعجب شد.
برنامه‌های یادگیری عمیق نباید مستقیماً در سیستم‌های تعبیه‌شده مستقر شوند. ابتدا باید یک مرحله قبلی به نام بهینه‌سازی الگوریتمی اعمال شود. بهینه‌سازی الگوریتمی روش‌هایی هستند که الزامات برنامه‌های یادگیری عمیق را کاهش می‌دهند تا امکان اجرای آنها بر روی پلتفرمهای با منابع محدود و در عین حال حفظ شود. آنها به درستی کار می کنند،”
رزک معتقد است که تحقیقات او می تواند بخشی از پیوند بین یادگیری عمیق و زندگی روزمره ما باشد.
او می‌گوید: «با تحقق برنامه‌های یادگیری عمیق در پلتفرمهای تعبیه‌شده و کارآمد، سریع و قوی‌تر کردن این تحقق، می‌توانیم هوش مصنوعی را در هر جنبه‌ای از زندگی روزمره خود ادغام کنیم.»
