Embedded AI (EAI) چیست؟

Embedded AI با نام هوش مصنوعی امبدد (EAI) نیز شناخته می‌شود که شامل فریم‌ورک همه‌منظوره برای توابع هوش مصنوعی است. این فریم ورک در دستگاه‌های شبکه امبدد، توابع مدیریت مدل و جمع‌آوری و ‌پردازش دیتا برای توابع مبتنی بر الگوریتم هوش مصنوعی، کاربرد دارد.

به‌علاوه، Embedded AI قابلیت ارسال دیتا های دریافتی به توابع هوش مصنوعی مبتنی بر الگوریتم را دارد. همچنین، این سیستم با استفاده از دیتای اولیه و قابلیت پردازش دستگاه‌ها مزایایی از جمله: کاهش هزینه‌ها، امنیت دیتاها و امکان decision-making را فراهم می‌کند.

Embedded AI چیست؟

Embedded AI از هوش مصنوعی در سیستم‌های الکترونیکی مانند سیستم‌های اتوماسیون خانگی، وسایل نقلیه اتوماتیک و… استفاده می‌کند. Embedded AI با هوش مصنوعی ابری متفاوت است؛ زیرا برای انجام وظایف حتماً به منابع پردازشی نیازی ندارد. در عوض، Embedded AI به طور مستقیم در دستگاه‌های الکترونیکی استفاده می‌شود و به آن‌ها اجازه می‌دهد تا وظایف هوش مصنوعی را به‌صورت لوکال انجام دهند که این کار موجب پردازش سریع‌تر، بهبود عملکرد، کارایی بیش‌تر، کاهش تأخیر و بهبود امنیت می‌شود.

طراحی و ساخت امبدد سیستم‌ها در مواردی از جمله: ‌ ماشین لرنینگ، اتوماسیون خانگی و طراحی الکترونیکی، چالش‌های جدیدی را ایجاد کرده است. از جمله این چالش‌ها عبارت‌اند از:

• یکپارچه‌سازی چندین سنسور و رابط
• مقابله با محدودیت‌های قدرت و عملکرد
• حل نگرانی‌های مربوط به مسائل امنیتی و حریم خصوصی

برای مقابله با این چالش‌ها، کسب‌وکارها باید از قابلیت‌ها و مهارت‌های لازم برای مدیریت طراحی و توسعه Embedded AI برخوردار باشند که این قابلیت‌ها شامل موارد زیر هستند:

• تامین امنیت سیستم ها
• مانتیور کردن دائمی سیستم
• درنظرگرفتن تأثیرات و عواقب احتمالی Embedded AI

اهمیت EAI

دوره چهارم انقلاب صنعتی (4IR) عبارت است از پیشرفت های در حال حاضر حوزه فناوری در زمینه ترکیب سیستم‌های فیزیکی، دیجیتال و بیولوژیک می‌باشد. هوش مصنوعی یکی از عوامل کلیدی در 4IR است و هم اکنون، در حال تغییر جهان با سرعت بی‌سابقه‌ای است. فناوری‌های هوش مصنوعی قابلیت ایجاد ارزش برای دستگاه‌های شبکه در چندین جنبه مختلف مانند بهینه‌سازی پارامتر، شناسایی برنامه، امنیت و تشخیص خطا را دارند.

سه عنصر اصلی هوش مصنوعی عبارت‌اند از: الگوریتم، پردازش دیتا و دریافت دیتا. هر تابع هوش مصنوعی که روی یک سخت افزار پیاده سازی شود، باید این سه عنصر را حفظ کند. توابع مبتنی بر الگوریتم هوش مصنوعی به سخت افزار نیاز دارند تا بتوانند حجم زیادی از دیتای اولیه و قابلیت‌های پردازشی را با کارایی بالا ارائه دهند؛ استفاده از این سیستم‌های هوش مصنوعی تأثیر بسیار زیادی بر عملکرد بهینه دستگاه‌ها دارد.

سیستم EAI یک فریم‌ورک همه‌منظوره برای فانکشن های هوش مصنوعی فراهم می‌کند تا بتوان از این توابع در سیستم های امبدد استفاده کرد. پس از اینکه یک تابع هوش مصنوعی به این موارد مجهز شد، سیستم با استفاده از الگوریتم هوش مصنوعی و اینترفیس دیتا‌های real-time دریافتی را به تابع هوش مصنوعی ارسال می کند. تحلیل این نتایج و دیتاها دارای مزایای زیر است:

• کاهش هزینه‌ها
• اطمینان از امنیت دیتا
• تصمیم‌گیری سریع

کدام شرکت ها در حال حاضر از Embedded Ai استفاده می کنند؟

1. گوگل
2. IBM
3. مایکروسافت
4. شرکت AWS
5. انویدیا
6. اینتل
7. کوالکام
8. ARM
9. AMD
10. مدیاتک
11. اوراکل
12. Saleforce
13. NXP
14. Lattice
15. Octionion
16. NeuroPace
17. زیمنیس
18. HPE

اصلی ترین شرکت هایی هستند که از این تکنولوژی در طراحی و توسعه محصولات خود استفاده می کنند.

EAI چگونه کار می‌کند؟

سیستم EAI از سه ماژول زیر تشکیل شده است:

• ماژول مدل: به‌عنوان ماژول الگوریتم نیز شناخته می‌شود و می‌تواند از چندین الگوریتم هوش مصنوعی استفاده کند. همچنین، این ماژول می‌تواند چندین فایل را همزمان پردازش کند؛ هر فایل شامل یک یا چند مدل است که هر مدل با الگوریتم هوش مصنوعی متفاوتی مطابقت دارد. کاربران می‌توانند برای مدیریت الگوریتم‌های هوش مصنوعی مورداستفاده توسط سیستم EAI، این فایل‌ها را لود یا حذف کنند.
• دیتا ماژول: این ماژول دیتا‌ها را پردازش می‌کند. همچنین، دیتا‌های بزرگ موردنیاز برای توابع هوش مصنوعی را نیز مدیریت می‌کند.
• ماژول پردازش: inference بر اساس الگوریتم‌های ماژول مدل و دیتاهای دریافتی از دیتای ماژول اجرا می‌شود که نتیجه آن به توابع هوش مصنوعی پیاده سازی شده ارسال می‌شود. سپس از این توابع برای آنالیز نتایج، ایجاد تنظیمات خاص و ارائه آن‌ها به دستگاه استفاده می‌شود.

شکل بالا مکانیسم پیاده‌سازی سیستم EAI را نشان می‌دهد.

• دیتا ماژول سیستم EAI، دیتاهای مربوط به هر تابع AI را جمع‌آوری می‌کند، سپس این دیتاها را پردازش می‌کند و از آن‌ها به‌عنوان ورودی ماژول پاور کامپیوتینگ استفاده می‌کند.
• کاربران می‌توانند فایل‌های مدل‌های مختلف را در سیستم EAI لود یا حذف کنند. این فایل‌ ها شامل مدل‌های آموزش‌دیده‌ای هستند که برای هر تابع هوش مصنوعی قابل‌اجرا می‌باشند.
• توابع هوش مصنوعی دستگاه با خدمات تعریف شده برای سیستم EAI یکپارچه سازی می شوند. این فرایند نیازی به کانفینگ شدن توسط کاربران ندارد و بعد از فعال‌شدن یک تابع هوش مصنوعی، دیتا به صورت اتوماتیک پردازش می شود. پس از اینکه تابع AI برای EAI تعریف شد، سیستم EAI مدل تعریف شده در فایل مدل را تا زمانی که اطمینان حاصل کند که آخرین نسخه آن لود یا حذف نشده است نگه می دارد. در مرحله بعدی از آن بعنوانعنوان ورودی ماژول پاور کامپیوتینگ استفاده شود.
• ماژول کامپیوتینگ وظایف خود را بر اساس الگوریتم‌های ماژول مدل و دیتاهای دیتا ماژول انجام می‌دهد و نتیجه را به تابع هوش مصنوعی فعال ارسال می‌کند.
• تابع AI کانفینگ(ساختار) های خاصی را بر اساس، نتیجه inference سیستم EAI، ارائه می‌دهد.

مزایای Embedded AI

به‌طورکلی، مزایای embedded AI بیش‌تر از معایب آن است. استفاده از روش‌های جدید هوش مصنوعی که مقرون‌به‌صرفه تر و بهینه تر هستند، بوسیله embedded AI امکان‌پذیر شده‌اند. همچنین، آن‌ها کارایی دستگاه‌های الکترونیکی و تجربه کاربر را بهبود می‌بخشند.

کاربردهای Embedded AI

در مهندسی الکترونیک، Embedded AI در زمینه‌های مختلفی مورداستفاده قرار می‌گیرد. مانند: استفاده از فناوری autonomous در هواپیماهای تجاری و نظامی، پیش‌بینی عملکرد خودروهای هوشمند و… . همچنین، فناوری‌ Embedded AI می‌تواند به کاهش هزینه‌ها و افزایش عملکرد در حوزه‌های خودرو و هوافضا نیز کمک کند.

Embedded AI در تشخیص بیماری‌ها و درمان‌های پزشکی نیز کاربرد دارد. علاوه بر موارد گفته شده، این سیستم می‌تواند باعث بهبود اتوماسیون کارخانه‌ها در صنعت و همچنین، بهبود قابلیت‌های سیستم‌های اتوماسیون خانگی شود.

پیامدهای embedded AI در آینده

embedded AI پیامدهای مهمی برای آینده مشاغل و جامعه خواهد داشت. درست است که embedded AI پتانسیل ایجاد مشاغل و صنایع جدید را دارد، اما از طرفی، ممکن است منجر به جابه‌جایی مشاغل و ایجاد نابرابری شود. علاوه بر این، embedded AI دارای پیامدهای مهمی در مبحث امنیت و حریم خصوصی است که باید به‌دقت موردتوجه و بررسی قرار گیرد.

دراین‌خصوص، کسب‌وکارها باید مهارت‌ و دانش لازم را در زمینه embedded AI کسب کنند تا بتوانند خطرات و چالش‌های embedded AI را کاهش دهند و در عوض بتوانند از مزایای آن استفاده کنند که این مهارت‌ها شامل موارد زیر است:

• توسعه الگوریتم‌ها و مدل‌های کارآمد و مؤثر
• حل مسائل امنیتی و حریم خصوصی،
• اطمینان از رعایت انصاف و دقت در تصمیم‌گیری
• درنظرگرفتن پیامدهای گسترده‌تر embedded AI برای جامعه
• توسعه چارچوب‌های اخلاقی و قانونی برای استفاده از embedded AI

منابع:‌ www.linkedin.com/pulse/embedded-ai و Info Finder