tinyML-ის როლი კომპიუტერული ხედვის გააქტიურებაში - აზროვნების ლიდერები

ავტორი: დევის სოიერი, თანადამფუძნებელი და პროდუქტის მთავარი ოფიცერი, ღრმა

კომპიუტერულ ხედვას აქვს დიდი პოტენციალი გააუმჯობესოს ჩვენი ყოველდღიური ცხოვრება – და არსებობს მისი მრავალი აპლიკაცია და გამოყენება. რამდენიმე მაგალითი მოიცავს:

• ჭკვიანი კარების ზარები სახლის უსაფრთხოებისთვის დაეხმარეთ „ვერანდის მეკობრეების“ და შეტევების თავიდან აცილებას. IHS Markit-ის კვლევის მიხედვით (გამოქვეყნებულია SecurityInfoWatch-ში2021 წელს მსოფლიოში გლობალური სათვალთვალო კამერების რაოდენობა მილიარდს მიაღწევდა. მხოლოდ აშშ-ში კამერების რაოდენობა სავარაუდოდ 85 მილიონს მიაღწევდა;
• In ავტოსადგომები, ხელოვნური ინტელექტის მქონე კამერები ავტომატიზირებენ ხელმისაწვდომი და დაკავებული პარკირების ადგილების თვალყურის დევნებას, რათა მომხმარებლებს აცნობონ, სად არის ღია სივრცეები;
• დაფის კამერები სატვირთო მანქანებზე ახლა კითხულობენ სიჩქარის შეზღუდვის ნიშნებს და დინამიურად ამცირებენ სატვირთოს სიჩქარეს უსაფრთხოების გასაუმჯობესებლად;
• და დრონები დაკავშირებული კამერებით აკონტროლებენ შორეულ და ძნელად მისადგომ ტერიტორიებს და შეუძლიათ სურათების დამუშავება და გადაწყვეტილების მიღება რეალურ დროში.

ყველა ეს აპლიკაცია იყენებს ინტელექტუალურ ვიდეო ანალიტიკას, რომელსაც ხელმძღვანელობს ხელოვნური ინტელექტი და მანქანათმცოდნეობა (ML), ვიდეოს საყურებლად, იყენებს ინტელექტს გადაწყვეტილების მისაღებად და შემდეგ მოქმედებაში.

Computer Vision-ს მეტი რესურსი სჭირდება

თუმცა, როგორც ხელოვნური ინტელექტის მქონე მრავალი აპლიკაციის მსგავსად, კომპიუტერულ ხედვას ესაჭიროება გამოთვლითი სიმძლავრის, მეხსიერების და ენერგიის დიდი რაოდენობა, რათა გააკეთოს კომპლექსური ანალიზი და მიიღოს გადაწყვეტილებები. მიუხედავად იმისა, რომ ეს კარგია მონაცემთა ცენტრში დიდი კომპიუტერის სიმძლავრით, მას შეუძლია ხელი შეუშალოს AI-ს ზღვარზე გადაადგილებას. კონკრეტულად, პატარა მოწყობილობებს, რომლებიც მდებარეობს კორპორატიული მონაცემთა ცენტრებიდან შორს და მუშაობენ პატარა ბატარეებზე, სჭირდებათ ახალი ჯიშის ხელოვნური ინტელექტი, რომელიც უფრო პატარა, სწრაფი და „მსუბუქია“, ვიდრე ტრადიციული მიდგომები. და არსებული მოწყობილობები საჭიროებს განახლებას ახალი AI + ML (კომპიუტერული ხედვა) ფუნქციონირებით, რათა დარჩეს სიცოცხლისუნარიანი და კონკურენტუნარიანი.

ახალი მიღწევები აძლიერებს ღრმა ნერვულ ქსელებს

დღეს, ხელოვნური ინტელექტის ახალი მიღწევები ღრმა ნერვულ ქსელებს (DNN) ხდის უფრო სწრაფს, პატარას და ენერგოეფექტურს – და ეხმარება ხელოვნური ინტელექტის გადატანას ღრუბლიდან და მონაცემთა ცენტრებიდან ბოლო მოწყობილობებზე და ბატარეაზე მომუშავე სენსორებზე. როდესაც საქმე ეხება ხელოვნური ინტელექტის მოდელის ტრენინგს, ნახშირბადის გასაოცარი კვალი დოკუმენტირებული და განხილულია (ანუ ერთი AI ენის მოდელის სწავლება სიცოცხლის მანძილზე გამოყოფს იმდენი CO2, რამდენიც 5 მანქანა). თუმცა, ჩვენ უნდა გვესმოდეს, რა გავლენას ახდენს გარემოზე AI მოდელის დასკვნა არის და როგორ შევამციროთ ეს კვალი. ეს არის სადაც მოდელის ოპტიმიზაციას შეიძლება ჰქონდეს უზარმაზარი სარგებელი DNN-ების ეკონომიკური და გარემოსდაცვითი ღირებულების შემცირებით.

TinyML რთავს AI-ს მცირე მოწყობილობებზე

ერთ-ერთი ასეთი წინსვლაა tinyML, ძლიერი ახალი ტენდენცია, რომელიც საშუალებას აძლევს პატარა, ბატარეაზე მომუშავე მოწყობილობებს გამოიყენონ მოწინავე ML კომპიუტერული ხედვისა და სხვა აღქმის ამოცანების შესასრულებლად. ეს ხელს უწყობს ML დასკვნას მცირე, რესურსებით შეზღუდული მოწყობილობებზე, როგორც წესი, ღრუბლის კიდეზე და ეხმარება აპლიკაციების ჩართვას მომხმარებელთან უფრო ახლოს.

მაგალითად, სერვერის GPU, როგორიცაა NVIDIA A100, აქვს 40 გბაიტზე მეტი ხელმისაწვდომი მეხსიერება, რაც შესაფერისია რთული ხელოვნური ინტელექტის გასაშვებად, როგორიცაა კომპიუტერული ხედვა და ბუნებრივი ენის დამუშავება. თუმცა, როდესაც ვსაუბრობთ edge მოწყობილობებზე და tinyML-ზე, საერთო მიკროკონტროლერს (MCU) შეიძლება ჰქონდეს მხოლოდ 256 KB ჩიპური მეხსიერება, რაც 100,000-ჯერ ნაკლებია ღრუბელთან შედარებით! გარდა ამისა, მონაცემთა ცენტრებისა და ღრუბლებისგან განსხვავებით, edge მოწყობილობის აპარატურა ადვილად ვერ განახლდება ველში. ეს ნიშნავს, რომ ჩვენ უნდა „მოვარგოთ“ ჩვენი AI ხელმისაწვდომ აპარატურას, რასაც დეველოპერებისთვის შეიძლება დასჭირდეს თვიდან წლობით საცდელი და შეცდომების მიღწევა. ეს არის ის, სადაც tinyML, კერძოდ, ავტომატიზებული მანქანური სწავლება (ასევე უწოდებენ AutoML) შეიძლება შეასრულოს ძირითადი როლი რეალურ სამყაროში ხელოვნური ინტელექტის დანერგვის ბარიერების გარღვევაში.

და tinyML-ის გავლენა იზრდება. 10,000-ზე მეტი წევრით, tinyML ფონდი ზრდის ეკოსისტემას, რათა ხელი შეუწყოს ულტრა დაბალი სიმძლავრის მანქანური სწავლების გადაწყვეტილებების განვითარებას და განთავსებას ზღვარზე. ფონდი აერთიანებს აპარატურის, პროგრამული უზრუნველყოფის, მანქანათმცოდნეობის, მონაცემთა მეცნიერების, სისტემების ინჟინრების, დიზაინერების, პროდუქტებისა და ბიზნესმენების გლობალურ საზოგადოებას.

მსოფლიო შესაძლებლობები

მთლიანობაში, ყველგან არის მილიარდობით პატარა, დაკავშირებული მოწყობილობა, რომლებსაც შეუძლიათ ისარგებლონ მოწინავე ინტელექტით. გამოწვევა ის არის, რომ მათ აქვთ ძალიან შეზღუდული რესურსები, ასე რომ, როგორ შეგვიძლია დავამატოთ მათ დაზვერვა? tinyML-ს შეუძლია გადამწყვეტი როლი შეასრულოს AI და ML უფრო კომპიუტერულ ხედვაზე დაფუძნებულ, რეალურ სამყაროში არსებულ აპლიკაციებში, მცირე მოწყობილობების ზღვარზე. და ამან შეიძლება გახსნას უპირატესობების სამყარო ადამიანებისა და კომპანიებისთვის პროდუქციის, მომსახურებისა და ინდუსტრიის სპექტრში, რაც დაგვეხმარება ხელოვნური ინტელექტის ახალ საზღვრებში გასვლაში.