پیش به سوی یادگیری ماشین توزیع شده

یادگیری ماشین در حال تغییر عملیات‌ها برای به دست آوردن دستاوردهای چشمگیر از نظر تاثیرگذاری و بهره وری است. برای بدست آوردن کامل این مزایا و آنالیز تغییرات زیاد داده‌های در جریان که از طریق ماشین‌ها به صورت بلادرنگ تولید می شوند، نیازمند یک راه‌حل هستید تا آن‌ها را برای کسب یک بینش عملیاتی تفسیر کنید. این مسئله به معنای گسترش مرزهای محاسبات است، اما سوال این است که چگونه می توان آن را انجام داد.

محاسبات ابری مزیت‌هایی همچون مدل سازی داده‌ها و یادگیری ماشینی را فراهم می کند اما با مشکلات مربوط به تاخیر مواجه است و نمی‌توان پاسخگویی بلادرنگ مناسب برای کاربردهای صنایع تجاری را فراهم کند. چالش پیشروی این امر این است که چگونه می‌توان به جای ارسال داده‌ها در جریان محاسبات، فرآیند محاسبات را به نقطه ای که داده در آن جا ایجاد شده است، انتقال داد. در این صورت است که شرکت صاحب هوش بلادرنگ تاثیرگذار روی عملیات خواهد شد.

دستگاه های فاگ هورن به همراه مفسر خود یعنی Edgification در زمینه مدل یادگیری ماشین در لبه پیشتاز است و موفق شد تا سیستم های مبتنی بر ابر را به سیستم های لبه ای با قابلیت محاسبه تبدیل کند.

غرق شدن در دریایی از هزاران تن داده

انتقال داده‌های به صورت دیجیتال در بسیاری از سازمان ها رایج شده تا در سیستم هایشان سنسورهای صوتی، ویدئویی یا حتی سه بعدی قرار دهند. برای سازمان‌ها بسیار دشوار است که در میان موج داده‌هایی که از راه می‌رسند،  به یک بینش کاربردی از آن داده‌ها از منظر تاثیرگذاری و اجرای رفتاری به هنگام برسند. راه حل این است که محاسبات و پردازش را به سمت لبه حرکت بدهیم. موسسه گارتنر تخمین می‌زند که در چهار سال آینده ۷۵ درصد داده های بلادرنگ در مرزها پردازش خواهند شد، در حالی که این مقدار در حال حاضر کمتر از ۱۰ درصد است. حرکت به سمت پردازش در لبه نه تنها باعث افزایش داده‌ها خواهد شد بلکه باعث افزایش تحلیل صحیح داده ها، تاخیر کمتر، کاهش مسائل امنیتی و مزیت‌های هزینه ای زیادی خواهد شد.

آنالیز بلادرنگ یک ضرورت است

در حالی فضای ابری یک فضای خوب برای ذخیره داده‌ها و سلسله مدل‌های یادگیری ماشین است ولی اغلب برای جمع آوری و آنالیز داده‌های بلادرنگ نامناسب است. پهنای باند یک چالش است به خصوص زمانی که محیط صنعتی ظرفیت کمی برای شبکه سازی داشته باشد، ارسال داده‌ها به فضای ابری دچار مشکل می‌شود. بنابراین آنالیز بر پایه فضای ابری محدود به تحلیل میکروبَچ می‌شود.

در مقابل، تکنولوژی لبه می‌تواند همه‌ی طیف‌های داده ها را آنالیز کند. این به معنی افزایش قدرت آنالیز، افزایش شانس پیدا کردن ناهنجاری ها، قابلیت پاسخ سریع، کاهش زمان از دست رفته و از بین بردن هزینه های حفاظتی است.

در حالی که می‌بینم که فضای ابری در طول زمان به امنیت بیشتری می‌رسد، ریسک‌های زیادی در انتقال و ذخیره داده‌ها در فضای ابری وجود دارد. این مسائل امنیتی معمولا مانع  می شود که سازمان‌ها بر روی فضای ابری کار کنند. در محاسبات ابری، تجارت از منظر امنیتی بیشتر تحت کنترل است، و این هم دلیل دیگری است که سازمان ها از آن استقبال می‌کنند.

فضای ابری در مدل یادگیری ماشین یک نقش حیاتی بازی می‌کند، به خصوص در مدل یادگیری عمیق که منابع مهم محاسبات مورد نیاز است. زمانی که یک مدل یادگیری ارائه می شود، می‌توان گفت که داده از طریق مفسر دستگاه فاگ هورن  “انتقال” یافته است و به سمت لبه‌ها هدایت شده است.

البته که محاسبات در لبه به تنهایی کافی نیست. برای توزیع و تحلیل داده‌‌ها در یک مقیاس تجاری، سیستم های یادگیری ماشین باید از محدوده لبه به فضای ابری انتقال یابد. بنابراین رویکرد سه لایه‌ای در پردازش اتفاق می‌افتد:

  • غنی‌سازی : لایه غنی‌سازی داده‌ها را برای پردازش در آینده از طریق دی کدینگ، فیلتر کردن، درون یابی و غیره آماده می‌کند. به طور خلاصه این مسئله کیفیت داده‌ها را به گونه‌ای تضمین می‌کند که لایه های دیگر خروجی‌های بهتری داشته باشند.
  • پردازش رویداد پیچیده (CEP) : این لایه در تجارت‌هایی استفاده می شود که در حال حاضر مشکلات و انواع الگوهایی که با آن مواجه شده‌اند را شناخته اند. این شرکت ها می توانند الگوها و مشکلاتشان را از طریق مهندسی CEP برای ایجاد یک ابزار تحلیل داده ها بیان کنند.
  • مهندسی یادگیری ماشین: مهندسی یادگیری ماشین یک پکیج از پیش آماده شده برای کمک به شناسایی ناهنجاری‌ها است که از جمله آن‌ها می‌توان درخت‌های تصمیم گیری، رگرسیون ها و خوشه بندی را نام برد. این لایه جایی هست که لبه و فضای ابری همپوشانی دارند.

مهندسی یادگیری ماشین از ترکیب یادگیری تحت نظارت و بدون نظارت استفاده می کند. اگر شرکت در حال حاضر داده‌های کافی و کاملی در دست دارد، یادگیری تحت نظارت می‌تواند جایگزین فضای ابری شود. در غیر این صورت در حالی داده ارسال شود، این مدل می‌تواند در لبه توسعه یابد.

اما گاهی اتفاق می‌افتد که شما تکنیک‌های یادگیری بدون نظارت را برای اصلاح مدل به منظور بروزرسانی انجام می دهید. از طریق یادگیری بدون نظارت ، این مدل می تواند به خودش یاد بدهد که چگونه در بازه های زمانی مشخص به‌روزرسانی را انجام دهد.

مترجم فاگ هورن مزیت‌های عملکردی واقعی را فراهم می‌کند. مزیت هایی از قبیل:

  • کاهش چشمگیر داده‌های انبوه: زمانی که تحلیل به سمت مرزها حرکت می کند، کاهش چشمگیری در مقدار داده های ارسال شده شده در شبکه رخ می دهد. که این موضوع هزینه ذخیره داده‌ها و کنترل داده ها را کاهش می‌دهد.
  • بینش بلادرنگ بهتر: یادگیری در لبه با توجه به این که در محل تولید داده رخ می دهد می تواند پاسخ ها و راه کار های بلادرنگی ارایه نماید.
  • نگهداری و تعمیرات پیشگویانه: زیرا یک سیستم لبه ای می تواند همه داده‌های دریافتی ماشین را کنترل کند. همچین می‌تواند نیازمندی های تجهیزات عملیاتی را تخمین بزند.

کارخانه ها بوسیله شناسایی سریع و آدرس‌دهی عملکرد بهینه می‌توانند بهره وری را افزایش و زمان هدر رفته را کاهش دهند. به نظر می رسد مفسر فاگ هورن با توجه به مسائل ذکر شده، تبدیل به یک موج در آینده بازار یابی اینترنت اشیاء شود و می‌تواند بوسیله انتقال بازار اینترنت اشیا به لبه، تحلیل بلادرنگ را آسانتر کند. همچنین تاثیرگذاری عملیاتی را در حالی افزایش می‌دهد که هزینه مدیریت و ذخیره داده‌ها را کاهش می‌دهد.

منابع خبر :

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.

چهار × 4 =