في صناعة التكنولوجيا، نادرًا ما يمكنك إجراء محادثة دون أن يذكر أحد الأشخاص الاستدلال، والذكاء الاصطناعي (AI)، والتعلم الآلي (ML). ومع ذلك، من المهم ملاحظة أنه على الرغم من أن كل هذه المصطلحات مترابطة، إلا أنها تختلف أيضًا بشكل كبير.
في هذه المقالة، سنشرح الاختلافات الأساسية ونسلط الضوء على أهمية استخدام تقنية الذكاء الاصطناعي المستندة إلى المعالجة الموترية-، لا سيما في أنظمة الحافة والأنظمة المدمجة. مقارنةً بالحلول المستندة إلى وحدات معالجة الرسومات (GPUs)، توفر وحدات المعالجة الموترية (TPUs) أداءً أكثر كفاءة وفعالية من حيث التكلفة-. سنقدم أيضًا بعض الأمثلة على حالات الاستخدام التي توضح الأماكن التي قد تواجه فيها حلول الذكاء الاصطناعي المتطورة في المستقبل.
أساسيات ML والاستدلال
يشير تعلم الآلة إلى منهجية نماذج التدريب التي تستخدم البيانات التمثيلية لتمكين الآلات من تعلم كيفية أداء المهام. يمكن أن تكون هذه العملية مكثفة حسابيًا للغاية، مما يؤدي إلى توليد تريليونات من العمليات لكل نقطة بيانات تدريب جديدة. إن الطبيعة التكرارية لعملية التدريب، جنبًا إلى جنب مع مجموعات بيانات التدريب الهائلة المطلوبة لتحقيق دقة عالية، تزيد الطلب على معالجة النقاط العائمة-الأداء-عالية للغاية. من الأفضل تنفيذ التدريب على تعلم الآلة كبنية تحتية لمركز البيانات، حيث يمكن تبرير التكاليف الرأسمالية والتشغيلية المرتفعة من خلال استهلاكها عبر العديد من العملاء.
يتضمن الاستدلال استخدام النماذج المدربة لإنشاء تطابقات محتملة للبيانات الجديدة ذات الصلة بالبيانات التمثيلية التي تم تدريب النموذج عليها. يهدف الاستدلال إلى تقديم إجابات سريعة خلال أجزاء من الثانية. تتضمن أمثلة الاستدلال التعرف على الكلام،-ترجمة اللغة في الوقت الفعلي، والرؤية الآلية، وقرارات تحسين إدراج الإعلانات. على الرغم من أن الاستدلال لا يتطلب سوى جزء صغير من قوة المعالجة اللازمة للتدريب، فإنه لا يزال يتجاوز بكثير ما يمكن أن توفره الأنظمة القائمة على وحدة المعالجة المركزية التقليدية (CPU)-، خاصة لتطبيقات رؤية الكمبيوتر. ولهذا السبب تتجه العديد من الشركات إلى حلول التسريع المستندة إلى Tensor-سواء كعنوان IP على SoCs أو كما هو الحال في-مسرعات النظام-لتحقيق أوقات الاستجابة-الثانوية الفرعية المطلوبة عند الحافة. والحقيقة هي أن قضاء دقيقة أو بضع ثوانٍ في معالجة الصور في نظام الرؤية ليس مفيدًا جدًا. تسعى أنظمة الرؤية الصناعية إلى الحصول على سرعات معالجة تصل إلى مستوى المللي ثانية-.
فصل التدريب والاستدلال
قد يؤدي نشر نفس الأجهزة المستخدمة للتدريب على التعامل مع أحمال عمل الاستدلال إلى -تزويد أجهزة الاستدلال بمسرعات وأجهزة وحدة المعالجة المركزية (CPU). إن حلول GPU التي تم تطويرها لتعلم الآلة على مدار العقد الماضي ليست بالضرورة الخيار الأمثل للنشر على نطاق واسع-لتقنيات استدلال تعلم الآلة. يوضح الرسم البياني أدناه تمامًا المقارنة بين مسرعات TPU ومسرعات GPU. إنه يوضح بوضوح أن مسرعات TPU توفر استهلاكًا أقل للطاقة، وتكاليف أقل، وكفاءة أعلى مقارنةً بحلول AGX المستندة إلى وحدة معالجة الرسومات-، مع الاستمرار في توفير مستويات أداء مقنعة لتطبيقات الاستدلال.
هناك اعتبار آخر مهم عند التعامل مع التدريب على تعلم الآلة وحلول الاستدلال وهو بيئة البرمجيات. اليوم، يتم استخدام العديد من المكتبات الشائعة، مثل CUDA لوحدات معالجة الرسومات NVIDIA، وأطر عمل ML مثل TensorFlow وPyTorch، ومكتبات نماذج الأنظمة الأساسية المحسنة- مثل Keras، والمزيد. تعد مجموعات الأدوات هذه ضرورية لتطوير نماذج تعلم الآلة والتدريب عليها، لكن تطبيقات الاستدلال تتطلب مجموعة مختلفة وأصغر من الأدوات البرمجية.
تركز مجموعات أدوات الاستدلال على تشغيل النماذج على الأنظمة الأساسية المستهدفة. وهي تدعم نقل النماذج المدربة إلى الأنظمة الأساسية، والتي قد تتضمن بعض تحويلات المشغل، والتكميم، وخدمات تكامل المضيف. ومع ذلك، يمثل هذا مجموعة واضحة نسبيًا من الوظائف مقارنة بتلك المطلوبة لتطوير النموذج والتدريب.
تستفيد أدوات الاستدلال من البدء بتمثيل موحد للنموذج. يعد تبادل الشبكات العصبية المفتوحة (ONNX) هو التنسيق القياسي لتمثيل نماذج تعلم الآلة. كما يوحي الاسم، فهو معيار مفتوح تتم إدارته كمشروع Linux Foundation. تعمل تقنيات مثل ONNX على تمكين فصل أنظمة التدريب والاستدلال، مما يمنح المطورين حرية اختيار منصات محسنة مختلفة لكل منها.
أمثلة على التطبيقات المرئية
مع استمرار تقدم تقنيات تعلم الآلة ومعالج الاستدلال، تتكاثر التطبيقات. فيما يلي بعض الأماكن التي قد تواجه فيها هذه التكنولوجيا في المستقبل.
خوادم الحافة في المؤسسات مثل المصانع والمستشفيات ومتاجر البيع بالتجزئة والمؤسسات المالية. على سبيل المثال، في البيئات الصناعية، يمكن للذكاء الاصطناعي المساعدة في إدارة المخزون، واكتشاف العيوب، وحتى الصيانة التنبؤية قبل ظهور المشكلات. وفي مجال البيع بالتجزئة، فإنه يتيح ميزات مثل تقدير الوضعية، باستخدام رؤية الكمبيوتر لاكتشاف وتحليل وضعية الإنسان. تساعد البيانات المستمدة من هذا التحليل بائعي التجزئة-و-الملاط على فهم السلوك البشري وحركة المرور داخل متاجرهم بشكل أفضل، مما يسمح لهم بتحسين تخطيطات المتجر لتحقيق أقصى قدر من المبيعات ورضا العملاء.
تصوير عالي الدقة/عالي الجودة-عالي-للتطبيقات بما في ذلك الروبوتات، والأتمتة/التفتيش الصناعي، والتصوير الطبي، والتصوير العلمي، وكاميرات المراقبة والتعرف على الكائنات، والضوئيات. على سبيل المثال، أثبتت أساليب التعلم الآلي القدرة على اكتشاف السرطان عن طريق معالجة الأشعة السينية الرقمية -. تتضمن هذه العملية تطوير نموذج ML مصمم لمعالجة صور الأشعة السينية-، عادةً باستخدام خوارزميات التجزئة الدلالية المدربة لتحديد الآفات السرطانية. أثناء التدريب، يتم استخدام صور السرطان التي يحددها أخصائيو الأشعة لتعليم الشبكة ما ليس سرطانًا، وما هو السرطان، وكيف تظهر أنواع مختلفة من السرطان. كلما تم تدريب نموذج التعلم الآلي بشكل أكبر، أصبح أفضل في تعظيم التشخيص الصحيح وتقليل التشخيص الخاطئ. وهذا يعني أن التعلم الآلي لا يعتمد فقط على تصميم النماذج الذكية، بل يعتمد أيضًا على كميات هائلة (عشرات الآلاف إلى الملايين) من أمثلة البيانات المنسقة بعناية حيث تم تحديد السرطان بخبرة.
عربات التسوق الذكية-تقوم العديد من الشركات بتطوير ونشر أنظمة تسوق ذكية تتعرف على المنتجات ليس من خلال الرموز الشريطية للرمز العالمي (UPC) الخاصة بها، ولكن من خلال المظهر المرئي للعبوة نفسها. تسمح هذه الميزة للمتسوقين بوضع العناصر ببساطة في عربة التسوق أو على نظام الدفع دون الحاجة إلى تحديد موقع رمز UPC ومسحه ضوئيًا باستخدام ماسح ضوئي ليزر UPC. هذه التقنية تجعل عملية التسوق أكثر دقة وأسرع وأكثر ملاءمة.
اتخاذ القرار الصحيح
يجب على الشركات تقييم جميع الحلول المتاحة اليوم واختيار الحل الأمثل بناءً على حالة الاستخدام المحددة الخاصة بها. ولا يمكنهم أيضًا افتراض أن جميع حلول الذكاء الاصطناعي يتم تنفيذها بشكل أفضل على أجهزة GPU، حيث توفر الحلول المستندة إلى TPU-كفاءة معالجة أعلى واستخدام أقل للسيليكون، وبالتالي تقليل استهلاك الطاقة والتكاليف.