هوش لبه :افزایش قابلیت دسترسی به یادگیری ماشینی

 هوش لبه با قابل دسترس بودن  سخت افزار جدید، حتی برای آن دسته از طراحان بدون آموزش رسمی علوم اطلاعات نیز در دسترس است.

 در سال های اخیر، دستگاه های متصل و اینترنتی از اشیا (IOT)، در زندگی روزمره ما، خانه‌ها، خودروها و در محل کارمان همه جا حاضر است. بعضی از این دستگاه های کوچک به یک سرویس ابری متصل هستند-

امروز تقریباً هر کسی با یک تلفن هوشمند یا لپ‌تاپ از سرویس‌های مبتنی بر ابر استفاده می‌کند. یا به طور فعال یا از طریق سرویس بکاپ خودکار.

 اگرچه یک نمودار جدید به عنوان هوش لبه به سرعت در حال به دست آوردن کشش در چشم انداز تغییر سریع تکنولوژی است، این مقاله هوش مبتنی بر ابر، هوش لبه و موارد استفاده احتمالی برای کاربران حرفه‌ای را به منظور قابل دسترس کردن یادگیری ماشینی برای همه معرفی می‌کند.

 اصطلاحات مهم یادگیری ماشینی

محاسبات ابری

 محاسبه ابری، قابلیت دسترسی منابع محاسبه‌ای از راه دور هر جایی که مشتری به آنها نیاز دارد می باشد. در خدمات ابری عمومی، فراهم کننده سرویس ابری، مسئول مدیریت سخت افزار و اطمینان از اینکه قابلیت دسترسی سرویس مربوط به استانداردی مشخص و انتظارات مشتری می باشد، است.

مشتریان خدمات ابری برای چیزی که استفاده می‌کنند، پول پرداخت می‌کنند و به کارگیری چنین سرویس هایی به طور کلی فقط برای عملیات مقیاس بزرگ مناسب است.

 محاسبات لبه

از طرف دیگر، محاسبات لبه جایی بین شبکه ابری و شبکه مشتری اتفاق می‌افتد. در حالی که تعریف اینکه گره ‌های لبه دقیقا در چه مکانی قرار می‌گیرند، ممکن است از یک کاربرد به کاربردی دیگر متفاوت باشد. آنها به طور کلی به شبکه محلی نزدیک هستند.

این گره های محاسبه‌ای، خدماتی مانند فیلتر کردن و میان گیری داده ها ارائه می دهند و به افزایش حریم شخصی کمک می کنند، قابلیت اطمینان را افزایش می‌دهند و قیمت و تاخیر سرویس ابری را کاهش می دهند.

یادگیری ماشینی(ML)

 یادگیری ماشینی یک حوزه علمی وسیع است. اما در زمان های اخیر، شبکه های عصبی (اغلب به   NN مخفف می‌شوند). زمان بحث الگوریتم های یادگیری ماشینی توجه زیادی را به خود جلب کرده اند. کاربردهای ML چند کلاسی یا پیچیده مانند ردیابی و نظارت اشیاء، شناسایی صحبت خودکار و تشخیص چند وجهی معمولاً به NNها نیاز دارند.

بعضی از دانشمندان برای بهبود و بهینه سازی الگوریتم های NN در دهه اخیر برای این که به آنها امکان اجرا در دستگاه ها با منابع محاسبه ای محدود را بدهند، سخت کار کرده اند که به سرعت دادن محبوبیت و قابلیت کاربردی نمودارهای محاسبه‌ای لبه کمک کرده است.

 یکی از این الگوریتم ها ( MobileNet ) است که یک الگوریتم طبقه بندی تصویری توسعه توسط گوگل است. این پروژه نشان می‌دهد که شبکه های عصبی خیلی دقیق می‌توانند در دستگاه ها با قدرت محاسبه ای محدود قابل توجه اجرا شوند.

یادگیری ماشینی بیش از فقط افراد متخصص

 تا همین اواخر یادگیری ماشینی اصولا برای متخصصان علوم اطلاعات با درک عمیقی از ML و کاربردهای یادگیری عمیق استفاده می‌شد. معمولاً ابزارهای توسعه و مجموعه‌های نرم افزار، تکامل نیافته و برای استفاده چالش بر انگیز بودند.

یادگیری ماشینی و محاسبات لبه به سرعت در حال گسترش هستند و علاقه به این زمینه‌ها هر ساله با سرعت ثابتی افزایش می‌یابد. بر طبق تحقیق فعلی تا سال ۲۰۲۵، ۹۸ درصد دستگاه های لبه از یادگیری ماشینی استفاده می‌کنند.

این درصد تقریباً به ۱۸ تا ۲۵ میلیارد دستگاه که محققان انتظار دارند توانایی های یادگیری ماشینی داشته باشند انتقال می یابد.

 به طور کلی یادگیری ماشینی در لبه، درها را به روی طیف وسیعی از کاربردها از بینایی کامپیوتر، تحلیل گفتار و فرآیندهای ویدیویی تا آنالیز های پی در پی باز می‌کند.

 بعضی از مثالهای عینی کاربردهای ممکن، قفلهای در هوشمند همراه یک دوربین هستند. این دستگاه ها می توانند به طور خودکار شخصی را که خواستار دسترسی به یک اتاق است شناسایی کنند و در زمان مناسب به او اجازه ورود بدهند.

راه حل های سخت افزاری مدرن

 راه حل های سخت افزاری مدرن ML را قادر به پردازش لبه می کنند. به علت پیشرفت های بهینه سازی و عملکردی، الگوریتم های شبکه عصبی که پیش از این در موردشان بحث شد، بعضی از کاربردهای  ML اکنون می توانند در دستگاه های تعبیه شده قدرتمند توسط MUC های متقاطع، مانندi.MX  RT1170  اجرا شوند.

توسعه دهندگان می توانند با دو هسته پردازشی خود اجرای پیاده سازی های NN قابل سازگار با محدودیت‌های زمان واقعی را در ذهن انتخاب کنند. به علت طرح هسته‌ای دوگانه خود i.MX  RT1170  هم چنین امکان اجرای مدل های ML  چندتایی را به طور موازی فراهم می‌کند.

موتورهای رمزی تو کار اضافی، ویژگی های امنیتی پیشرفته و توانایی‌های چند رسانه‌ای و گرافیکی را برای دامنه وسیعی از کاربردها مناسب می‌کند. بعضی مثالها شامل شناسایی انحراف راننده، سوئیچ های شبکه هوشمند، قفل های هوشمند، مدیریت ناوگان و غیره، هستند.

i.MX  RT1170

 i.MX  RT1170   گروهی از پردازشگرهای کاربردی است که بر ML، بینایی کامپیوتر، کاربرد های چند رسانه ای پیشرفته و اتوماسیون صنعتی با قابلیت اطمینان بالا تمرکز می‌کند. این دستگاه ها با نیاز به دستگاه های هوشمند و کاربردهای صنعتی 4.0 در ذهن طراحی می شوند و با یک NPU اختصاصی مجهز می‌شوند و در 2.3 TOPS و چهار هسته پردازشگر Arm Cortex A53  فعالیت می‌کنند.

پردازشگرهای  سیگنال تصویری توکار، به به توسعه دهندگان اجازه می‌دهند از دو سنسور دوربین  HD اانیا یک دوربین 4K جداگانه بهره ببرند. این ویژگی ها i.MX  RT1170  را به گروهی از دستگاه هایی که برای کاربردهایی مانند تشخیص چهره، شناسایی اشیاء و وظایف دیگر مناسب هستند، تبدیل می کند.

در کنار آن، دستگاه های گروه   i.MX  RT1170دارای توانایی های تقویتی گرافیکی سه بعدی و دوبعدی پیشرفته، ویژگی های چند رسانه ای مانند کد گذاری ویدیو و حمایت کدگشایی شامل H.265 و ورودی های میکروفون  8 PDM هستند

یک هسته‌ی 800 MHz Arm Cortex M7 کم مصرف اضافی این پکیج را کامل می‌کند. این هسته اختصاصی از کاربردهای صنعتی زمان واقعی استفاده می کند که به ویژگی های شبکه ای قوی مانند حمایت CAN FD و ارتباط اترنت گیگابایت با توانایی‌های TSN نیاز دارند.

فضای ابزارهای eIQ

دستگاه های جدید نیاز به یک اکوسیستم استفاده‌ی آسان، کارآمد و گسترش توانا را ایجاد می‌کنند. یک محیط توسعه نرم‌افزار eIQ جامع، برای کمک به توسعه دهندگان در ایجاد کاربردهای مبتنی بر ML طراحی می‌ شود.

فضای ابزارهای eIQ شامل موتورهای استنتاج ،کامپایلرهای شبکه‌ی عصبی و کتابخانه‌های بهینه شده برای کارکردن با الگوریتم های ML بر میکروکنترلرهای NXP ، MCU های متقاطع i.MX RT وگروه i.MX از SoC هاست.

تکنولوژی های ML مورد نیاز از طریق NXP’s SDKs برای MCUXpresso IDE و Yocto BSP برای توسعه دهندگان قابل دسترس هستند. جعبه ابزار eIQ در اینده، یک GUI قابل دسترس اضافه می‌کند. جریان کاری و پرتال eIQ  توسعه دهندگان با هر سطحی از تجربه را برای ایجاد کاربردهای ML قادر می سازد. توسعه دهندگان می توانند پیروی از یک فرایند به نام BYOM را انتخاب کنند.

که توسعه دهندگان در آن مدل های آموزشی خود را با استفاده از ابزارهای مبتنی بر ابر می‌سازند و سپس آنها را به فضای نرم افزار جعبه ابزارeIQ  منتقل می‌کنند. سپس تنها کاری که برای انجام دادن باقی می‌ماند، انتخاب موتور استنتاج مناسب برای eIQ  است.

یا توسعه‌دهنده می‌تواند از ابزارهای مبتنی بر GUI در پورتال یا رابطه خط فرمان، برای وارد کردن و نظارت مجموعه داده ها و از جریان کار BYOD برای آموزش مدل خود داخل جعبه ابزار استفاده کنند.

 یادگیری ماشینی در لبه برای همه

بیشتر مصرف کنندگان عصر مدرن با محاسبات ابری آشنا هستند. اگرچه در سال‌های اخیر نمودار جدیدی به عنوان محاسبه لبه توجه زیادی را به خود جلب کرده است.

با این نمودار، همه داده ها در ابر آپلود نمی‌شوند. در عوض، گره‌های لبه که جایی بین آخرین کاربر و ابر قرار گرفته اند، نیروی پردازشی اضافی ایجاد می‌کنند. این نمودار چند منفعت دارد مانند افزایش امنیت و حریم شخصی، کاهش انتقال داده ها به ابر و تاخیر کمتر.

 اخیراً توسعه‌دهندگان اغلب این گره های لبه را با توانایی های یادگیری ماشینی افزایش می دهند. این کار به دسته بندی داده های جمع آوری شده و فیلتر نتایج ناخواسته و اطلاعات نامربوط کمک می‌کند.

اضافه کردن ML به لبه باعث به وجود آمدن بعضی از کاربردها می‌شود. مانند شناسایی انحراف راننده، سوئیچ های سبک هوشمند، قفل های هوشمند، مدیریت ناوگان، نظارت، دسته‌بندی و غیره. کاربردهای ML به طور انحصارا سنتی، توسط متخصصان علوم اطلاعات با درک عمیقی از ML و کاربردهای یادگیری عمیق طراحی می شوند. NXP دامنه ای از دستگاه های ارزان قیمت اما قدرتمند فراهم می کند.

 این سخت افزار و نرم افزار با هدف اجازه به توسعه دهندگان برای ایجاد کاربردهای ML آینده در هر سطحی از تجربه انجام می گیرد. صرف نظر از اینکه پروژه چقدر کوچک یا بزرگ است.

برای خواندن مطالب بیشتر در این زمینه لطفا مقاله پردازش، پروتكل‌ها و بخش ايمني: يك نگاه دقيق به اينترنت اشيا را مطالعه بفرمایید .

همچنین لطفا مارا در شبکه اجتماعی لینکدین همراهی کنید.