عملکرد بالای یادگیری ماشین در لبه
- دسته اصلی: حمایت دانشگاهها/احمدی روشن
- وضعیت پروژه: خاتمه یافته
مجری
معاونت متولی: راهکارهای دیجیتال و هوشمندسازی
مدت زمان اجرا: 9 ماه
معرفی
روند اصلی الگوریتم های یادگیری ماشین در چند سال گذشته استفاده از مدلهای عظیم، و با اتکا به جمع آوری نمونههای فراوان برای یادگیری و نیز منابع حجیم محاسباتی بوده است. حجم برخی از این مدلها به 17 میلیارد پارامتر میرسد و توان مصرفی برای آموزش آنها حتی میتواند به مصرف انرژی یک خودرو در یک سال برسد. این حجم از پیچیدگی در عین حال که نتایج شگفت انگیزی داشته است، کاربرد آنها را در وسایل و ابزارهای با توان پردازشی کم را محدود کرده است. از جمله این وسایل میتوان تلفنهای همراه، حسگرهای اینترنت اشیا و نیز دوربینهای هوشمند را نام برد.
راه حل ناگزیر موجود اتصال این وسایل به شبکه و واگذاری وظیفه محاسبات به شبکههای پردازشگر ابری بوده است که مخاطراتی به همراه دارد. از جمله این مخاطرات میتوان به موارد زیر اشاره کرد:
- قطع سرویس در صورت عدم دسترسی به اینترنت
- ایجاد بار مخابراتی بالا و تحمیل هزینه مخابراتی و محاسباتی به کاربر
- تاخير در پردازش که در مواردی مثل وسایل نقلیه خودران میتواند خطرآفرین باشد.
- تهديد حریم خصوصی که در مواردی مانند کاربردهای پزشکی میتواند حساس باشد.
برای حل مشکلات فوق در چند سال گذشته مسیر تازهای در فضای دانشگاهی و صنعتی دنیا به شدت پیگیری میشود که به آن با عناوین مختلفی مانند Tiny Artificial Intelligence اشاره میگردد. هدف از این طرح ارایه الگوریتمهایی هست که قابل اجرا بر روی وسایلی مانند تلفن همراه با توان پردازش محدود بدون نیاز به اتصال به شبکه محاسبات ابری باشد.
هدف
- کوچك سازي الگوريتم هاي پيچيده و بزرگ يادگيري ماشين به صورتي كه در يك ساختار سخت افزاري با منابع محدود محاسباتي و ذخيره سازي قابل اجرا باشند و در عين حال دقت اوليه را حفظ نمايند.
- پياده سازي الگوريتم هاي يادگيري ماشين در لبه شبكه به صورتي كه قسمتي در ابزارهاي لبه شبكه و قسمتي در هسته شبكه انجام شود و تاخير پاسخگويي حداقل گردد.
این تکنولوژی حوزه وسیعی از کاربردها را شامل می شود که میتواند بازار بزرگی را فعال نماید، و کاربردهای جدیدی نیز ایجاد نماید مانند:
- اپلیکشن های مبتنی بر هوش مصنوعی که هزینه مخابراتی ارسال آن به شبکه ابری و یا ریسک نقض حریم خصوصی توسعه آن را محدود کرده است.
- کاربردهایی که سنسورهای ارزان قیمت اینترنت اشیا لازم است به الگوریتمهای هوش مصنوعی مجهز شوند، و تنها با نرخ پایین و یا در صورت تشخيص حادثه با شبکه ارتباط برقرار کنند.
- مواردی مانند وسایل نقلیه خودران که تاخیر یا قطعی شبکه قابل تحمل نیست. لذا توسعه در این زمینه میتواند حتی استراتژیک تلقی گردد.
دستاوردها و حوزههای قابل بهرهبرداری
- پیاده سازی MVP پایدار اولیه و یک محصول کوچک و متمرکز ولی با مزیت رقابتی قابل دفاع تا پایان طرح
- جذب سرمایه برای توسعه محصول تجاری در مراحل مختلف
شرکت ارتباطات سیار ایران