مدل جدید هوش مصنوعی، با سرعت و کارایی بیشتر
دانشگاه کانادایی USask، مدل جدیدی از هوش مصنوعی را با هدف هوشمندتر شدن برنامه‌های کاربردی مانند دستیارهای صوتی آمازون، اپل و گوگل و با هدف بهره‌وری بیشتر آنها طراحی کرده است.
سرویس‌های هوشمندی همچون تشخیص چهره، پیش‌بینی آب و هوا، دستیار هوشمند و مترجم زبان برای پیش‌بینی الگوهای کاربری، متکی بر یکی از شاخه‌های هوش مصنوعی به نام «یادگیری عمیق» هستند. پردازش این سیستم‌ها برای اجرا بر روی گوشی‌های تلفن همراه معمولاً به فضای زیادی نیاز دارد. از این رو داده‌ها از طریق اینترنت به سرورهای بیرونی ارسال می‌شوند. این فرایند می تواند منجر به مصرف انرژی بیشتر، تخلیه سریع باتری و همچنین احتمال به خطر افتادن حریم خصوصی کاربران شود.
یکی از دانشجوهای این دانشگاه به نام “Zhang” شبیه‌سازی‌های دقیقی اجرا کرده که مدل هوش مصنوعی خود را با آنچه در گوشی‌های تلفن هوشمند امروزی وجود دارد، مقایسه می‌کند. Zhang معتقد است این مدل نسبت به محصولات موجود در بازار می‌تواند برنامه‌های کاربردی مختلف را به صورت همزمان و با بهره‌وری بیشتری اجرا نماید. سرعت این مدل حدود 20 درصد بیشتر بوده و در بعضی موارد به 2 برابر هم می‌رسد. نتایج مطالعات و تحقیقات صورت پذیرفته، در مجله IEEE Transactions on Computers منتشر شده است.
بنا بر گفته Zhang: «در روش پیشنهادی من، پردازش‌های محاسباتی هوش مصنوعی به پیمانه‌های کوچکتری تقسیم می‌شود. این تقسیم‌بندی به اجرای برنامه‌های کاربردی هوشمند بر روی گوشی های تلفن همراه (به جای اتکا به سرورهای بیرونی) کمک کرده و باعث کاهش میزان مصرف برق خواهد شد. همچنین احتمال دارد این تحقیق منجر به شکل‌گیری روش‌های جدیدی برای طراحی برنامه‌های کاربردی و سیستم عامل در وسایلی همچون تبلت، تلفن همراه و رایانه‌های شخصی شود».
مدل جدید؛ سریعتر و کاراتر
بر اساس نتایج Zhang، پردازش‌های هوش مصنوعی می‌توانند با استفاده از دنباله‌های چهاربیتی و با طول‌های متغیر، داده‌ها را به نحو کارآمدتری مدیریت کنند. به همین دلیل Zhanf در ساخت این مدل از پیمانه‌های کوچکتر استفاده کرده است. در حالی که محصولات فعلی برای پردازش دقیق داده‌ها از دنباله‌های 32 بیتی استفاده می‌کنند. بنابراین گوشی‌ها و رایانه های فعلی برای انجام این کارها چندان سریع نبوده و به فضای بیشتری برای ذخیره داده‌ها نیاز دارند.
Seok-Bum Ko استاد ناظر Zhang در این خصوص می‌گوید: «برای پردازش داده‌ها همیشه نیازی به استفاده از دنباله‌های طولانی وجود ندارد. دنباله‌های کوچکتر می‌توانند به صرفه‌جویی در مصرف برق و افزایش سرعت و همچنین حفظ دقت برنامه ها کمک کنند». هر چند نتایج این پژوهش امیدبخش بوده اما Zhang و Ko در حال کار برای ادغام مدل خودشان با محصولات بیشتر و بررسی عملکرد این مدل در دنیای واقعی هستند. بر اساس گفته های Ko: «اگر همه چیز طبق انتظار پیش برود ممکن است در سه تا چهار سال آینده مدل ما با سیستم‌ها و برنامه‌های کاربردی مختلف ادغام شود».
Zhang معتقد است دانشگاه USask می‌تواند محل مناسبی برای مطالعه در حوزه یادگیری عمیق باشد. او که مدرک کارشناسی ارشد خود را از دانشگاه هنک‌کنگ دریافت کرده، در حال گذراندن دوره کارآموزی اش در دانشگاه USask و تحت نظارت Ko است. وی این دوره را یک تجربه مهم در زندگی خود دانسته و گفته: «ما در دانشگاه USask تجهیزات بسیار خوبی داریم که می‌تواند برای مطالعه در رشته‌های مختلف، به ویژه یادگیری عمیق کمک زیادی به من کند».
منبع: techxplore
