یادگیری ماشینی روی حافظه فلش؛ شبکه‌های عصبی در دسترس همه

دستاوردهای هوش مصنوعی در یک دهه اخیر باعث رشد و بالندگی صنایع مختلف شده است. اما این پیش‌رفت‌ها اکنون به مرحله جدیدی از تکامل رسیده‌اند.

یادگیری ماشینی روی حافظه فلش؛ شبکه‌های عصبی در دسترس همه

دستاوردهای هوش مصنوعی در یک دهه اخیر باعث رشد و بالندگی صنایع مختلف شده است. اما این پیش‌رفت‌ها اکنون به مرحله جدیدی از تکامل رسیده‌اند. به‌طوری که در آینده‌ای نه چندان دور شبکه‌های عصبی در هر مکانی در دستان شما قرار خواهند داشت.

چند وقتی است، تراشه‌های تولید شده توسط شرکت Movidius روی چند محصول تجاری مورد استفاده قرار گرفته‌اند. اگر با شرکت Movidius و فعالیت‌های انجام شده توسط این شرکت آشنایی ندارید، باید به شما اعلام کنیم، در یک همکاری دو جانبه Movidius موفق شد، مشکل هواپیماهای بدون سرنشین شرکت DJI را حل کند. به‌طوری که از این پس هواپیماهای بدون سرنشین DJI این توانایی را خواهند داشت تا بدون آن‌که به موانع برخورد کنند در آسمان به پرواز خود ادامه داده و به‌طور خودکار افرادی که در حریق گرفتار شده‌اند را با استفاده از دوربین‌های حراراتی FLIR خود شناسایی کنند.

همه این توانایی‌ها به لطف یادگیری عمیق و شبکه‌های عصبی مسیر شده است. در کنار این دستاورد مهم Movidius قراردادی با شرکت گوگل منعقد ساخته است تا تراشه‌های تولیدی خود را درون محصولات تازه واردی که گوگل در نظر دارد در آینده آن‌ها را روانه بازار کند، قرار دهد. اما رخدادی که باعث شده نام Movidius بیش از پیش بر سر زبان‌ها جاری شود به قراردادهای این شرکت باز نمی‌گردد، بلکه به ادعای این شرکت در خصوص ظرفیت یادگیری ماشینی طراحی شده توسط این شرکت باز می‌گردد. آن‌گونه که Movidius اعلام کرده است، این شرکت موفق به طراحی نوعی وسیله جانبی USB به نام Fathom neural Stick شده است که به هر فردی اجازه می‌دهد، یادگیری ماشینی را در اختیار داشته باشد.

Fathom شامل یک VPU Myriad2 MA2450  (واحد پردازش بصری (VPU)) است که از 512 مگابایت حافظه اصلی از نوع LPDDR3 استفاده می‌کند. این پردازنده در حقیقت تراشه‌ای است که در محصولات DJI و FLIR نیز مورد استفاده قرار گرفته است. تراشه‌ فوق این توانایی را دارد تا به‌طور همزمان فرآیندهای مختلفی را پردازش کند. دقیقا همان کاری که شبکه‌های عصبی انجام می‌شود. طراحی خاص Fathom باعث شده است تا در عمل معماری آن تفاوت بسیاری با واحد پردازش مرکزی (CPU) و واحد پردازش گرافیکی (GPU) داشته باشد. دو واحد پردازشی که به‌طور معمول برای رسیدگی به فرآیندها مورد استفاده قرار می‌گیرند. همچنین معماری این تراشه به گونه‌ای است که بدون نیاز به انرژی زیاد قادر به پردازش فرآیندها است. این تراشه در حالی که قادر به پردازش 150 گیگافلاپس اطلاعات است (در هر ثانیه 150 میلیارد عملیات شناور را محاسبه می‌کند) تنها به 1.2 ولت انرژی نیاز دارد.


برعکس راه‌حل‌های تگرا (Tegra) که در یادگیری عمیق مورد استفاده قرار می‌گیرند، تراشه فوق یک سیستم مستقل نبوده و برای آن‌که بتوان از آن استفاده کرد، به یک درگاه USB 3.0 و سیستمی مبتنی بر لینوکس نیاز دارد. در این حالت عملکرد رایانش عصبی 20 تا 30 برابر افزایش پیدا می‌کند. Fathom به گونه‌ای طراحی شده است که برای نمونه‌سازی سریع و اولیه شبکه‌های عصبی می‌توان از آن استفاده کرد. به‌طوری که در عمل یک دستگاه را آن‌چنان قدرتمند می‌کند که به راحتی آماده استقرار و سرویس‌دهی می‌شود.

البته زمانی که صحبت از شبکه‌های عصبی به میان می‌آید، کار به این سادگی‌ها نیست. Fathom شبکه‌های تعریف شده در Cafe و TensorFlow ( دو چارچوب محبوب در زمینه یادگیری عمیق) و همچنین مجموعه داده‌های مربوط به آن‌ها را قبول می‌کند. برای این منظور لازم است از ابزار طراحی شده توسط Movidius  برای اجرای این شبکه روی تراشه Myraid 2 استفاده کنید. در این حالت شبکه به صورت بومی اجرا شده و به‌طور همزمان انرژی مورد نیاز خود را دریافت می‌کند. در حالی که در ظاهر چنین به نظر می‌رسد که عملکرد این ابزار یواس‌پی‌محور شبیه به کودا (CUDA) و CuDNN (سیستم‌های طراحی شده توسط انودیا برای انتقال شبکه عصبی به کارت‌های گرافیکی) است، اما این‌گونه نیست. به‌طوری که Fathom این توانایی را دارد تا در یک محیط فاقد کارت‌های گرافیکی پیش‌رفته و قدرتمند به ایفای نقش بپردازد. دستگاه طراحی شده توسط Movidius  در نوع خود یک نمونه جالب و منحصر به فرد به شمار می‌رود. این جمله را می‌توان از سوی بسیاری از افرادی شنید که پیش از این سعی کرده بودند یک شبکه عصبی اولیه را با توان مصرفی پایین طراحی کنند. در حال حاضر، بهترین راه‌کاری که در زمینه پیاده‌سازی شبکه‌های عصبی پیش‌روی کارشناسان قرار دارد، بر مبنای کلاود استوار است. اما در چنین شبکه‌هایی نیروی لازم برای پردازش از مکان دیگری دریافت می‌شود. اما اگر این چنین توان‌مندی محاسباتی را بتوان به یک لپ‌تاپ معمولی اضافه کرد، پروسه پیاده‌سازی و اجرای این چنین شبکه‌هایی بسیار ساده و مقرون به صرفه خواهد بود.

یادگیری ماشینی روی حافظه فلش؛ شبکه‌های عصبی در دسترس همه


اما قابلیت‌های Fathom به مواردی که به آن‌ها اشاره کردیم، محدود نیست. این سیستم این توانایی را دارد تا به‌طور وسیع در حوزه‌های دیگری همچون روباتیک و هواپیماهای بدون سرنشین مورد استفاده قرار گیرد. به‌طور مثال فرض کنید، Fathom را به یک برد رزبری پای 2 متصل می‌کنید، در چنین حالتی می‌توانید قابلیت‌های منحصر به فردی همچون بینایی ماشینی به چیزی شبیه به GoPro اضافه کنید. هدف نهایی عرضه چنین محصولی در مقطع فعلی متقاعد ساختن تولیدکنندگان به سفارش تراشه‌های Myriad است. به‌طوری که از این تراشه در محصولات خود استفاده کنند، اما Fathom در این زمینه راه طولانی در پیش دارد.

در پایان لازم است به این نکته اشاره کنیم که جامعه هوش مصنوعی بازخورد مثبتی به این دستاورد از خود نشان داده است. دکتر یان لکان، مدیر هوش مصنوعی فیس‌بوک، در این ارتباط گفته است: «من از مدت‌ها پیش در انتظار چنین محصولی بودم. محصولی که در دسترس همگان قرار گیرد. با استفاده از Fathom هر روباتی، خواه کوچک یا بزرگ به قابلیت‌های پیش‌رفته‌ای دست پیدا خواهد کرد.»

پیت وردن، مدیر فنی هوش مصنوعی گوگل، در این زمینه گفته است: «Fathom نقش تاثیرگذاری در بهینه‌سازی و اجرای شبکه‌های عصبی پیچیده درون دستگا‌های مختلف ایفا خواهد کرد.» هم اکنون تعدادی از سازمان‌ها در حال دریافت Fathomهایی هستند که سفارش آن‌را از مدت‌ها پیش ارائه کرده بودند. اما این محصول تا پیش از فصل زمستان به تولید انبوه نخواهد رسید. در حالی که قیمت نهایی این محصول هنوز اعلام نشده است، اما به نظر می‌رسد این محصول با قیمت کمتر از 100 دلار به فروش خواهد رسید.

منبع :

پاسخ تلفنی به سوالات شما
پاسخ تلفنی به سوالات مشاوره ای و آموزشی شما

باسخ به سوالات شما در زمینه مشاوره کارنامه و هدف گذاری برای آزمون ها ، شروع مطالعه برای کنکور 97 ، روش درس خواندن ، مدیریت منابع و تکمیل ظرفیت کنکور 96 و ...

از طریق تلفن ثابت در سراسر کشور بدون پیش شماره
با شماره 9099071219 تماس بگیرید
ساعت پاسخگویی از 8 صبح تا 12 شب