شارك
الرئيسية
2 دقائق 
إدخال شبكات التعلم العميق إلى الأجهزة الصغيرة
طور باحثون من جامعة إم آي تي نظاماً جديداً قد يُمكّن شبكات التعلم العميق من الوصول إلى أماكن أصغر بكثير من الأجهزة التي تعمل عليها حالياً، مثل الشرائح الصغيرة الموجودة في الأجهزة الطبية القابلة للارتداء والأجهزة المنزلية، إضافة إلى مليارات "الأشياء" الأخرى التي تُشكل شبكة "إنترنت الأشياء"، وهو ما يعزز من القدرات التحليلية لهذه الأجهزة ويجعلها أكثر ذكاءً.
في البداية ينبغي الإشارة إلى أن إنترنت الأشياء (IOT) عبارة عن مفهوم تكنولوجي يشير إلى ملايين الأجهزة المتصلة التي تعمل كشبكة ذكية تجمع وتتشارك المعلومات والبيانات بلا توقف، لتقوم بمهام كانت حكراً طوال التاريخ على البشر، مثل التحليل والتنبؤ واتخاذ القرارات. وللمزيد من المعلومات عن هذا الموضوع يمكنك قراءة مقالتنا حول إنترنت الأشياء هنا.
وذكرت جامعة إم آي تي، في خبر نشرته على موقعها الإلكتروني، أنه بالرغم من محدودية الذاكرة وقدرة المعالجة التي تتمتع بها الشبكات العصبونية المدمجة في النظام الجديد -الذي يُطلق عليه اسم (MCUNet)- إلا أنها توفر سرعة ودقة غير مسبوقين للتعلم العميق على أجهزة إنترنت الأشياء. وأوضحت أن هذه التقنية يمكنها أن تساهم في توسيع استفادة أجهزة إنترنت الأشياء من قدرات الذكاء الاصطناعي، مع الحفاظ على أمن البيانات وتوفير الطاقة.
ومن المقرر تقديم البحث الخاص بهذا النظام في "مؤتمر أنظمة معالجة المعلومات العصبية" السنوي، الذي سيعقد في الفترة من 6 إلى 12 ديسمبر المقبل في مدينة فانكوفر بكندا. وأضافت أن المؤلف الرئيسي للدراسة هو جي لين، طالب الدكتوراه في قسم الهندسة الكهربائية وعلوم الكمبيوتر بالجامعة.
قفزة عملاقة
يقول سونج هان، الأستاذ المساعد بالقسم والمشارك في الدراسة، إن نشر الشبكات العصبونية مباشرة على الأجهزة الصغيرة التي تتكون منها إنترنت الأشياء هو مجال بحث جديد يزداد إثارة، مضيفاً أن "جميع الشركات مثل جوجل وإيه.آر.إم تعمل في هذا الاتجاه".
ويتكون نظام (MCUNet) من مكونين ضروريين لتمكين ما أطلقت عليه المجموعة البحثية "التعلم العميق الصغير"، الذي يعني تشغيل الشبكات العصبونية على وحدات تحكم بالغة الصغر. المكون الأول هو (TinyEngine) وهو محرك استدلالي يوجه عملية إدارة الموارد، وهو يشبه نظام التشغيل. وقد تم ضبطه لتشغيل هيكل شبكة عصبونية محددة يتم اختيارها بواسطة المكون الثاني: خوارزمية البحث (TinyNAS).
ولاختبار إمكانات النظام الجديد، تم تدريبه باستخدام الصور المُصنفة في قاعدة بيانات إيماج نت (ImageNet)، ثم أجرى الباحثون اختباراً لقدرته على تصنيف الصور الجديدة. وقد نجح MCUNet في تصنيف 70.7% من الصور الجديدة بشكل صحيح، وهي نسبة اعتبرها الفريق "قفزة عملاقة بالنسبة لوحدات التحكم بالغة الصغر".
ويقول هان إن نتائج الاختبار الواعدة تمنحه أملاً في أن تصبح المعيار الصناعي الجديد لوحدات التحكم بالغة الصغر، مشيراً إلى أن النظام "يتمتع بإمكانات هائلة". وأوضح أنه سيجعل أجهزة إنترنت الأشياء أكثر أماناً وسيقلل من مخاطر سرقة المعلومات الشخصية، لأن الأجهزة لن تكون بحاجة إلى نقل البيانات إلى السحابة الإلكترونية لتحليلها.
ويقول كيرت كوتزر، عالم الكمبيوتر بجامعة كاليفورنيا بيركلي، الذي لم يشارك في الدراسة، إن النظام يمكنه "توفير إمكانات رؤية الكمبيوتر الذكية حتى لأبسط أجهزة المطبخ، أو جعل أجهزة استشعار الحركة أكثر ذكاءً".