นักวิจัย MIT แนะนำวิธีการทางชีวภาพ, ML บนอุปกรณ์ที่มีทรัพยากรต่ำ

กลุ่มวิจัยสองกลุ่มที่กับได้ค้นพบวิธีการลดการใช้หน่วยความจำของอัลกอริทึมการเรียนรู้ของเครื่องบนอุปกรณ์ขอบที่ใช้หน่วยไมโครคอนโทรลเลอร์ (MCUs)

นักวิทยาศาสตร์กล่าวว่าอุปกรณ์เช่นโทรศัพท์ที่สวมใส่และโทรศัพท์มือถือสามารถตรวจสอบสภาพสุขภาพได้ดีขึ้นในขณะที่ระบบการมองเห็นบนหุ่นยนต์อัจฉริยะและอุปกรณ์อื่น ๆ สามารถทำงานได้เช่นการระบุมนุษย์โดยใช้เซ็นเซอร์ราคาไม่แพง ประโยชน์อีกประการหนึ่งที่ข้อมูลไบโอเมตริกซ์เกี่ยวข้องคือการประมวลผลขอบจะเก็บข้อมูลบนอุปกรณ์แทนที่จะส่งไปยังบริการคลาวด์

ปริมาณของกำลังการประมวลผลและหน่วยความจำที่มีอยู่ใน MCUs นั้นมีขนาดเล็ก - โดยทั่วไปแล้ว RAM 256K และพื้นที่เก็บข้อมูล 1MB ในการเปรียบเทียบสมาร์ทโฟนที่มี RAM 256GB และพื้นที่เก็บข้อมูลเทราไบต์ไม่ใช่เรื่องแปลก สำหรับหน่วยไมโครคอนโทรลเลอร์หน่วยความจำเป็นทรัพยากรที่มีค่า กลุ่มวิจัย MIT สองกลุ่มที่ MIT-IBM Watson AI และแผนกวิทยาศาสตร์คอมพิวเตอร์มีความคิดในการทำโปรไฟล์การใช้หน่วยความจำ MCU ของเครือข่ายประสาทและพวกเขาพบความไม่สมดุลในการใช้งานหน่วยความจำซึ่งก่อให้เกิดคอขวด

ด้วยการออกแบบสถาปัตยกรรมเครือข่ายประสาทใหม่ทีมสามารถลดการใช้หน่วยความจำในเวลาสูงสุดสี่ถึงแปดครั้ง จากนั้นพวกเขารวมสิ่งนี้เข้ากับระบบตรวจจับมนุษย์ MCUNETV2 และพบว่ามันมีประสิทธิภาพสูงกว่า MCU อื่น ๆ ที่มีอยู่ นักวิทยาศาสตร์คาดหวังผลการวิจัยจะเปิดประตูสู่แอปพลิเคชันการจดจำภาพวิดีโอใหม่ที่ไม่เคยมีมาก่อน

“ เราผลักดันแอพพลิเคชั่นที่มีขนาดใหญ่กว่าในโลกแห่งความจริง” ซงฮันผู้ช่วยศาสตราจารย์ของ MIT ในแถลงการณ์กล่าว

การออกแบบใหม่ของ tinyml นั้นเร็วกว่าและถูกกว่า (เนื่องจากอุปกรณ์ IoT มีราคา $ 1 หรือ $ 2) มากกว่าการเรียนรู้อย่างลึกซึ้งที่ดำเนินการบนเซิร์ฟเวอร์ระยะไกลโดยใช้ข้อมูลที่รวบรวมจากเซ็นเซอร์ นอกจากนี้ยังมีข้อได้เปรียบของความสามารถในการเก็บข้อมูลท้องถิ่นแทนที่จะส่งไปยังคลาวด์สาธารณะเพื่อความปลอดภัยเพิ่มเติม

ประสิทธิภาพนั้นจ่ายออกไปด้วยวิธีอื่นเช่นกัน นักวิจัยตั้งข้อสังเกตว่าแบบจำลอง AI แบบดั้งเดิมบางรุ่นต้องการการใช้ GPU จำนวนมากที่สามารถปล่อยคาร์บอนได้มากถึงห้าคันในช่วงชีวิตของพวกเขา “ เทคนิค Tinyml สามารถช่วยให้เราสามารถออกจากกริดเพื่อประหยัดการปล่อยคาร์บอนและทำให้ AI เป็นมิตรกับสิ่งแวดล้อมฉลาดขึ้นเร็วขึ้นและเข้าถึงได้ง่ายขึ้นสำหรับทุกคน” ฮันกล่าว

“ หากไม่มี GPU หรือฮาร์ดแวร์พิเศษใด ๆ เทคนิคของเรามีขนาดเล็กมากมันสามารถทำงานบนอุปกรณ์ IoT ราคาถูกขนาดเล็กเหล่านี้และดำเนินการแอปพลิเคชันในโลกแห่งความเป็นจริงเช่นคำศัพท์ที่มองเห็นได้การตรวจจับหน้ากากใบหน้าและการตรวจจับบุคคลนี้เปิดประตูสำหรับวิธีใหม่ของ AI และการมองเห็นมือถือ

ด้วยไฟล์จากedgeir.comบรรณาธิการบริหารจิมเดวิส