کورال ابتکاری از گوگل برای پیاده سازی هوش مصنوعی در لبه

هوش مصنوعی به ماشین ها اجازه می دهد انواع وظایفی که توسط انسان به تنهایی انجام می شد را به خوبی انجام دهند. آیا نیاز به کنترل کیفیت یک خط تولید کارخانه دارید؟ یک دوربین مجهز به هوش مصنوعی برای شناسایی نقص ها نصب کنید. به تفسیر داده های پزشکی نیاز دارید؟ یادگیری ماشین می تواند تومورهای پنهان را شناسایی کند و آن ها را برای پزشک مشخص کند.

اما خدمت هایی این چنینی فقط در حالتی مفید خواهند بود که ایمن و سریع باشند. یک دوربین هوش منصنوعی نیاز به چند دقیقه وقت دارد تا عکس را پردازش کند و این مسئله باعث می شود که کارایی مناسب برای یک کارخانه را نداشته باشد. یک بیمار نمی خواهد با فرستادن اطلاعات پزشکی اش روی یک ابر برای تحلیل، ریسک افشای اطلاعاتش را بپذیرد.

این ها نمونه هایی از مشکلاتی هستند که گوگل سعی می کند آن ها را از طریق فناوری خلاقانه تازه ای به نام کورال حل کند.

ویکرام تنک، مدیر بخش محصولات پروژه کورال، در مصاحبه با وبسایت ورج می گوید: داده ها به طور سنتی از دستگاه های هوش مصنوعی به دستگاه های محاسباتی بزرگ فرستاده می شوند که در مراکز متمرکز داده هستند. این مراکز همان جایی هستند که مدل های یادگیری ماشین می تواند به سرعت کار کند. کورال پتلفرمی از مولفه های سخت افزار و نرم افزار گوگل است که کمک می کند دستگاه ها از طریق هوش مصنوعی محلی پیاده سازی شوند که این مسئله باعث می شود سخت افزار شبکه های عصبی موجود در لبه دستگاه، سریع تر کار کنند.

ممکن است که قبلا اسم کورال را نشنیده باشید (نسخه بتای این پلتفرم اخیرا در ماه اکتبر منتشر شده است) اما این پتلفرم بخشی از هوش مصنوعی است که سریعا در حال رشد است. تحلیلگران بازار پیش بینی می کنند که بیشتر از ۷۵۰ میلیون چیپست هوش مصنوعی لبه و کامپیوترهای آن ها در سال ۲۰۲۰ فروخته خواهند شد و میزان این فروش به مبلغ ۱.۵ میلیارد دستگاه در سال ۲۰۲۴ می رسد. بسیاری از این چیپست های روی دستگاه های مشتریان مثل تلفن نصب خواهند شد و پیشرفت های قابل توجهی برای مشتریان تجاری در بخش های اتوماسیون و سلامت در پی خواهند داشت.

کورال برای محقق کردن نیاز مشتریان، دو نوع محصول را ارائه می دهد: شتاب دهنده­ها و بُرد های توسعه که برای ساخت نمونه اولیه ایده های جدید مورد استفاده قرار می گیرند و به منظور افزایش قدرت هوش مصنوعی دستگاه های تولیدی مثل دوربین های هوشمند و سنسورها به کار گرفته می شوند. هسته سخت افزاری مورد استفاده در هر دوی این محصولات، Edge TPU شرکت گوگل است که یک چیپست آسیک بهینه شده برای اجرای سریع الگوریتم های یادگیری است و نسخه مشابه چیپست های water-cooled TPU گوگل است که در سرورهای ابری مورد استفاده قرار می گیرند.

در حالی که این سخت افزار می تواند توسط مهندسان برای ایجاد پروژه های جالب ( مثل پروژه های هوش مصنوعی ماشین مرتب کننده خوردنی های مارشمالو و یا غذادهنده هوشمند به پرندگان که راهنمایی هردو توسط کورال ارائه شده) با تمرکز بر بازه های بلندمدت مورداستفاده قرار بگیرد اما تنک می گوید این سخت افزارها در اصل برای مشتریان تجاری بخش های صنعتی مانند دنیای اتوماسیون یا سلامت هستند.

ویکرام تنک از ماشین هایی بدون راننده که با استفاده از دستگاه های ایجاد دید، اشیا را در خیابان تشخیص می دهند، به عنوان مثالی از مشکلاتی که کورال آن را هدف گذاری کرده است، ذکر می کند: ماشینی که ۶۵ مایل بر ساعت سرعت دارد، می تواند مسافت ۱۰ فیت را در ۱۰۰ میلی ثانیه طی کند. تاخیر نیز به جهت کندی ارتباطات از راه دور می تواند در این ارقام تاثیر بگذارد که خطراتی را به این مسئله اضافه می کند. اگر به جای انتظار برای اتصالات کند برای تشخیص علائم ایست یا چراغ های راهنمایی در مسیر، تحلیل اطلاعات در داخل ماشین انجام شود حرکت ایمن تر می شود.

تنک می گوید مزیت های مشابهی برای حفظ حریم خصوصی نیز در این نوع کاربرد وجود دارد: تصور کنید که یک کارخاته تولید دستگاه های پزشکی می خواهد تحلیل بلادرنگ عکس های سونوگرافی را با استفاده از تشخیص تصویر انجام بدهد. فرستادن این عکس ها به ابر برای تشخیص ضعف پنهان، یک هدف برای هکرها محسوب می شود اما تحلیل عکس ها در داخل دستگاه، به بیماران و پزشکان این امکان را می دهد که اطمینان داشته باشند داده های پردازش شده دستگاه به جایی که روی آن کنترلی ندارند، فرستاده نخواهند شد.

تنک می گوید اگر چه کورال دنیای تجاری را مورد هدف قرار داده است، اما این پروژه ریشه در دسته کیت های یادگیری ماشین خودآموز گوگل دارند. کیت های AIY که در سال ۲۰۱۷ توسط کامپیوترهای رزبری پای منتشر شد، این امکان را به استفاده کنندگان می دهند که بلندگوهای هوشمند و دوربین های هوشمند خود را بسازند و یک موفقیت بزرگ در عرصه اسباب بازی های STEM  و بازارهای مولد شوند.

تنک می گوید که تیم AIY سریعا اعلام کرده است که برخی از مشتریانی می خواهند دستور العمل های ایجاد اسباب بازی را دنبال کنند، بعضی دیگر از مشتریان می خواهند از همه چیز سخت افزار دستگاه های خودشان سردر بیاورند و کورال برای هردوی این مشتریان قابل استفاده است.

مسئولان پروژه کورال می گویند با حضور تعداد زیادی شرکت رقیب، آن ها خدمات خود را به شکل خاص ارائه می دهند و همین مسئله باعث شده که با سخت  افزارهای اکوسیستم سرویس هوش مصنوعی گوگل متفاوت شود.

این دسته از محصولات که شامل چیپست ها، ابزارهای توسعه، آموزش ابرها و موارد دیگر هستند، به مدت زیادی کلید اصلی کارهای هوش مصنوعی شرکت گوگل بوده اند. محصولات شرکت کورال یک کتابخانه از مدل های هوش مصنوعی اختصاصی سازی شده برای سخت افزارهایش در اختیار دارند که درست مثل سرویس های ابر گوگل هستند که مستقیما با ماژول های کورال مثل سنسورهای محیطی اش به صورت مستقیم یکپارچه می شوند.

در حقیقت، پلتفرم کورال، شدیدا با آن دسته از اکوسیستم هوش مصنوعی گوگل یکپارچه شده اند که از سخت افزارهای Edge TPU استفاده می کنند و فقط با فریمورک یادگیری ماشین گوگل یعنی TensorFlow کار می کنند. این مسئله حقیقتی است که رقبا در بازار هوش مصنوعی لبه ورج آن را یک فاکتور محدود کننده بالقوه خواندند.

یک سخنگوی شرکت هوش مصنوعی لبه کنرون به ورج گفت: پردازش محصولات کورال به طور خاصی برای پتلفرمشان است در حالی که محصولات ما از تمام فریمورک های هوش مصنوعی بزرگ و مدل های موجود در بازار پشتیبانی می کند.

با این حال مقدار حجم کاری که کورال در حال حاضر نامشخص است. گوگل مشخصا پلتفرم کورال را در جاهایی که به فشاری مثل فشار کاری سرویس های هوش مصنوعی ابری باشد، قرار نمی دهد و این شرکت تمایلی به اشتراک گذاری شکل های فروش یا اهداف این گروه ندارد. یک منبع آگاه به این مسئله، به ورج گفت که اکثر سفارشات کورال برای واحد های منفرد ( مثل شتاب دهنده های هوش مصنوعی یا بردهای توسعه ) است.

جذابیت کورال برای گوگل لزوما از نظر مالی و درآمد نیست بلکه بیشتر به دنبال این است که هوش مصنوعی را در جاهای خاصی به اجرا بگذارد. در جهان یادگیری ماشین کاربردی امروز، تمام مسیرها به شکل ناباورانه ای به سمت استفاده از لبه پیش می روند.

منابع خبر :

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.

پانزده − 6 =