எட்ஜ் AI: ஜெயண்ட் மாடல்களின் சவால்களை சமாளித்தல்

செயற்கை நுண்ணறிவு பல தொழில்களில் செயல்திறனை அதிகரிப்பதற்கான சாத்தியக்கூறுகளுக்காகப் பேசப்பட்டாலும், தொழில்நுட்பம் அதன் சொந்த பல சாலைத் தடைகளைத் தாக்கியுள்ளது. மையப்படுத்தப்பட்ட சேவையகங்களின் திறமையின்மை சில அமைப்புகள் அனுபவத்தை ஏற்படுத்தியது அதிக தாமதம் பிரச்சினைகள் அல்லது வெளிப்படையாக கூட விபத்துக்கள். இந்த திறமையின்மைக்கு ஒரு தீர்வு இருக்கலாம்: எட்ஜ் கம்ப்யூட்டிங்.

எட்ஜ் கம்ப்யூட்டிங் மையப்படுத்தப்பட்ட சேவையகங்கள் மற்றும் தரவு மையங்களின் பாரம்பரிய கணினி முறைகளுக்கு மாறாக, நெட்வொர்க்குகள் மற்றும் பயனருக்கு அருகிலுள்ள சாதனங்களில் தரவு செயலாக்கத்தைக் குறிக்கிறது. எட்ஜ் கம்ப்யூட்டிங் என்பது பாயிண்ட் ஆஃப் சேல் (பிஓஎஸ்) சிஸ்டங்கள் முதல் இன்டர்நெட் ஆஃப் திங்ஸ் (ஐஓடி) சாதனங்கள் மற்றும் சென்சார்கள் வரை அனைத்திலும் செயலில் இருப்பதைக் காணலாம் - அடிப்படையில், எட்ஜ் சாதனங்கள் உள்நாட்டில் கணக்கிடும் மற்றும் கிளவுட் உடன் தொடர்பு கொள்ளும் அனைத்தும். இப்போது, ​​​​அந்த வகை எட்ஜ் கம்ப்யூட்டிங்கில் செயற்கை நுண்ணறிவு மாதிரிகள் சேர்க்கப்படுவதைக் காணத் தொடங்குகிறோம்.

AI மற்றும் எட்ஜ் கம்ப்யூட்டிங்கின் குறுக்குவெட்டு

செயற்கை நுண்ணறிவு நிபுணர் சித்தார்த்த ராவ் AI மற்றும் கிளவுட் கம்ப்யூட்டிங் தொழில்நுட்பங்கள் இரண்டிலும் பணிபுரிந்த முதல் அனுபவம் உள்ளது. அமேசான் வெப் சர்வீசஸ் போன்ற முன்னணி தொழில்நுட்ப நிறுவனங்களுடன் பணிபுரிந்த பத்தாண்டுகளுக்கும் மேலான அனுபவத்திற்குப் பிறகு, ராவ் இப்போது இணை நிறுவனர் மற்றும் தலைமை நிர்வாக அதிகாரியாக பணியாற்றுகிறார். பாசிட்ரான் நெட்வொர்க்குகள், ஒரு AI நிறுவனம் அறிவியல் ஆராய்ச்சி சமூகத்திற்கான செயற்கை நுண்ணறிவு தீர்வுகளில் கவனம் செலுத்துகிறது. இந்த சமூகத்தின் தனிப்பட்ட தேவைகளைக் கருத்தில் கொண்டு, ராவ் குறிப்பாக AI மற்றும் எட்ஜ் கம்ப்யூட்டிங்கின் குறுக்குவெட்டில் ஆர்வமாக உள்ளார்.

"பயனர் தொடர்புகளின் தாமதத்தைக் குறைத்தல், கிளவுட் கம்ப்யூட்டிங் செலவுகளைக் குறைத்தல் மற்றும் ஆஃப்லைன் பயனர் அனுபவங்களை ஆதரித்தல் உட்பட எட்ஜ் கம்ப்யூட்டிங் ஒரு முக்கிய முன்னுதாரணமாக மாறுவதற்குப் பல காரணங்கள் உள்ளன" என்று ராவ் விளக்குகிறார். "சாதனச் செலவுகளைக் குறைப்பதன் மூலம் விளிம்புகளை மேம்படுத்துதல், குறைந்த ஆற்றல் கொண்ட செயலிகளுடன் பேட்டரி ஆயுளை நீட்டித்தல் அல்லது வளரும் நாடுகள் போன்ற குறைந்த அலைவரிசை சூழல்களில் மாதிரி புதுப்பிப்புகளைப் பதிவிறக்குதல் போன்ற எட்ஜ் கம்ப்யூட்டிங்கின் பிற நோக்கங்களுடன் இந்த நன்மைகள் முரண்படுகின்றன."

இருப்பினும், செயற்கை நுண்ணறிவு மாதிரிகள் - கணிசமான கணினி சக்தி தேவைப்படும் - "விளிம்பில்" எவ்வாறு இயங்க முடியும் என்ற கேள்வியை இது கேட்கிறது. செயற்கை நுண்ணறிவு மாதிரிகளை வெற்றிகரமாக விளிம்பிற்கு மாற்றுவதற்கு இந்த செயல்பாடுகளை எளிமைப்படுத்த வேண்டும் என்று ராவ் விளக்குகிறார்.

"சூழலுக்கு, ஒரு மாதிரி என்பது ஒரு உள்ளீட்டின் அடிப்படையில் ஒரு பதிலைக் கணிக்க வரிசையாக செயல்படுத்தப்படும் நேரியல் இயற்கணிதம் (மேட்ரிக்ஸ் கணிதம்) செயல்பாடுகளின் வரிசையாகும்" என்று ராவ் விளக்குகிறார். "இயந்திர கற்றல் பொறியாளர்கள் மற்றும் விஞ்ஞானிகள் பல்வேறு நுட்பங்களைப் பயன்படுத்துவதன் மூலம் இந்த செயல்பாடுகளின் கணித சிக்கலைக் குறைக்கிறார்கள். இதன் விளைவாக சிறிய மாடல்கள் இயங்குவதற்கு குறைவான கணினி சுழற்சிகள் தேவைப்படுகின்றன, கணினி தேவைகளை குறைக்கின்றன மற்றும் பேட்டரி ஆயுளை மேம்படுத்தும் போது விளிம்புகளை மேம்படுத்துகின்றன."

"இந்த பொறியியல் தொழில்துறையில் பல நேர்மறையான தாக்கங்களை ஏற்படுத்துகிறது," என்று அவர் தொடர்கிறார். "உதாரணமாக, குறைந்த தாமதத்துடன் இயங்கும் மாதிரிகள், குறைந்த பேட்டரி சக்தியைப் பயன்படுத்துகின்றன மற்றும் குறைந்த வெப்பத்தை உருவாக்குகின்றன. அவை செயல்படுத்துவதற்கு குறைவான கிளவுட் கம்ப்யூட்டிங் வளங்களைப் பயன்படுத்துகின்றன, அவற்றின் சுற்றுச்சூழல் தாக்கத்தை மேலும் குறைக்கின்றன, மேலும் அவை மாதிரி புதுப்பிப்பு அலைவரிசை நுகர்வு குறைக்கின்றன. இந்த நன்மைகள் அனைத்தும் பயனர் அனுபவத்தை மேம்படுத்தும் அதே வேளையில் பொருட்களின் விலையை குறைப்பதன் மூலம் விளிம்புகளை மேம்படுத்துகிறது.

ஏன் எட்ஜ் கம்ப்யூட்டிங் என்பது AI இன் எதிர்காலம்

எட்ஜ் கம்ப்யூட்டிங்கின் முக்கிய நன்மை என்னவென்றால், இது பயனர் அனுபவத்தை கணிசமாக மேம்படுத்துகிறது. எந்தவொரு தொழில்நுட்ப கண்டுபிடிப்பும் எதிர்கொள்ளும் மிகப்பெரிய சவால்களில் தாமதம் ஒன்றாகும், குறிப்பாக மனிதர்களின் குறுகிய (மற்றும் குறையும்) கவனத்தை கருத்தில் கொண்டு.

"ஒரு விளிம்பு சாதனம் எப்போதும் ஒரு கணிப்புக்காக கிளவுட்க்குச் செல்ல வேண்டும் என்றால், தாமதத்தின் தாக்கம் பயனர் அனுபவத்தை சிதைத்து, வாடிக்கையாளர் ஈடுபாட்டைக் குறைக்கிறது" என்று ராவ் விளக்குகிறார். "குறைவான ஈடுபாடு கொண்ட வாடிக்கையாளர்கள் சாதனத்தைப் பயன்படுத்துவதற்கான வாய்ப்புகள் குறைவு, பயன்பாடு மற்றும் தத்தெடுப்பைக் குறைக்கிறது."

எட்ஜ் கம்ப்யூட்டிங் செயற்கை நுண்ணறிவு தொழில்நுட்பத்தின் செலவுகளை சிறு வணிகங்களுக்கு மிகவும் அடையக்கூடிய அளவிற்கு குறைக்கலாம். எல்லாவற்றிற்கும் மேலாக, பெரிய அளவிலான மாதிரிகளை இயக்க தேவையான சேவையகங்களை பராமரிப்பது விலை உயர்ந்தது. எட்ஜ் கம்ப்யூட்டிங் இந்த அப்ளிகேஷன்களின் சிக்கலைக் குறைக்கிறது.

இருப்பினும், AI கோளத்தில் எட்ஜ் கம்ப்யூட்டிங் ஏற்படுத்தக்கூடிய சில விளைவுகளுக்கு எதிராகவும் ராவ் எச்சரிக்கிறார், அது வழங்கும் நன்மைகளுக்கான "பரிவர்த்தனைகள்" என்று குறிப்பிடுகிறார். "குறைந்த துல்லியத்தைப் பயன்படுத்துவதால் அதிக பிழை மற்றும் மாயத்தோற்றம் விகிதங்கள் பதிலின் துல்லியத்தை பாதிக்கின்றன," என்று அவர் விளக்குகிறார். "அறிவு வடிகட்டுதல் பெரிய மாடல்களில் சார்பு மற்றும் நியாயத்தன்மை சிக்கல்களை பெருக்கும். இறுதியாக, எட்ஜ் கம்ப்யூட்டிங்கிற்கு விலையுயர்ந்த, சிறப்பு வாய்ந்த இயந்திர கற்றல் திறமையை பணியமர்த்துவது மற்றும் அதிக தேவை உள்ள GPUகள் போன்ற விலையுயர்ந்த இயந்திர கற்றல் பயிற்சி உள்கட்டமைப்பைப் பெறுவது தேவைப்படுகிறது.

செயற்கை நுண்ணறிவு மற்றும் எட்ஜ் கம்ப்யூட்டிங் தொழில்நுட்பத்தின் வெற்றிகரமான குறுக்குவெட்டுக்கு ஒரு எடுத்துக்காட்டு, ராவ் AWS இல் இருந்த காலத்திலிருந்து ஒரு மாதிரியை வெற்றிகரமாக எளிதாக்கினார். "AWS இல் நான் நிதியுதவி செய்த மாதிரி ஓபஸ் கோடெக்கில் பயன்படுத்தப்பட்டது," என்று அவர் கூறுகிறார். "இந்த கோடெக் உலகளவில் 1 பில்லியனுக்கும் அதிகமான சாதனங்களால் பயன்படுத்தப்படுகிறது மற்றும் சமீபத்தில் அமேசானால் மெஷின் லேர்னிங் அடிப்படையிலான பாக்கெட் மறைத்தல் அல்காரிதம் மூலம் மேம்படுத்தப்பட்டது, இது நஷ்டமான நெட்வொர்க்குகளிலும் ஆடியோ ஸ்ட்ரீம்களை மீட்டெடுக்கிறது. இந்த கோடெக்கை ராஸ்பெர்ரி பை அல்லது டெஸ்க் ஃபோன் போன்ற வரையறுக்கப்பட்ட செயலாக்க சக்தி கொண்ட சாதனங்களில், ஆடியோ மாதிரிகளை மில்லி விநாடிகளில் கணிக்கப் பயன்படுத்தலாம்.

பாதுகாப்புத் துறையில் குறிப்பிட்ட திறனைக் காட்டிய ஒரு பயன்பாட்டு வழக்கையும் ராவ் குறிப்பிடுகிறார். "ஒரு போராளியின் நகர்வுகள் சந்தேகத்திற்குரியதா அல்லது பயங்கரவாதம் போன்ற தீங்கிழைக்கும் செயலுக்கு ஆதரவாக உள்ளதா என்பதைப் பற்றி அவர்களுக்கு வழிகாட்டுவதற்காக சிப்பாயின் துப்பாக்கி ஸ்கோப்பில் உள்ள கேமராக்களில் நிகழ்நேர வீடியோ செயலாக்கப்பட்டது," என்று அவர் மேலும் கூறுகிறார். “அப்போது ராணுவ வீரரால் உணர்திறன் மற்றும் அதிக ஆபத்துள்ள போர்க்களப் பகுதிகளில் கண்காணிப்பை செலுத்த முடியும். இரண்டு எடுத்துக்காட்டுகளிலும், IoT சாதனங்களில் இயங்கும் குறைந்த ஆற்றல் கொண்ட நுண்செயலிகளால் சிக்கலான, நிகழ்நேர ஆடியோ அல்லது வீடியோ செயலாக்கப்படுகிறது.

உண்மையில், இந்த பயன்பாட்டு நிகழ்வுகள், விளிம்பில் கணக்கிடப்பட்ட செயற்கை நுண்ணறிவு எவ்வாறு செயல்திறன் மற்றும் செலவின் அடிப்படையில் சிறந்த முடிவுகளை வழங்குகிறது என்பதற்கு சரியான எடுத்துக்காட்டுகள். "சமீபத்திய AI மாதிரிகள் விளிம்பில் இயங்குவதற்கு உகந்ததாக இல்லை என்றால், அவற்றின் பயன்பாடுகள் கிளவுட் பயன்பாடுகள் மற்றும் பயனர் அனுபவத்திற்கு மட்டுமே இருக்கும்" என்று ராவ் முடிக்கிறார்.