هوش مصنوعی تعبیه‌شده (EAI) چیست؟
هوش مصنوعی تعبیه‌شده، که با نام (EAI) نیز شناخته می‌شود، یک سیستم چارچوب عمومی برای عملکردهای هوش مصنوعی است. این سیستم در دستگاه‌های شبکه تعبیه شده است و عملکردهای مدیریت مدل مشترک، جمع‌آوری داده‌ها و پیش‌پردازش داده‌ها را برای عملکردهای مبتنی بر الگوریتم هوش مصنوعی برای این دستگاه‌ها فراهم می‌کند.
علاوه بر این، از عملکرد ارسال نتایج استنتاج به توابع مبتنی بر الگوریتم هوش مصنوعی پشتیبانی می‌کند. این سیستم به طور کامل از داده‌های نمونه و قابلیت‌های محاسباتی دستگاه‌ها استفاده می‌کند، در حالی که مزایایی مانند هزینه‌های انتقال داده کمتر و همچنین امنیت داده‌های تضمین‌شده و استنتاج و تصمیم‌گیری در زمان واقعی را ارائه می‌دهد.
چرا به EAI نیاز داریم؟
چهارمین انقلاب صنعتی، به رهبری هوش مصنوعی، از راه رسیده است. هوش مصنوعی با سرعتی بی‌سابقه، زندگی اجتماعی انسان و جهان را عمیقاً تغییر می‌دهد. فناوری‌های هوش مصنوعی می‌توانند برای دستگاه‌های شبکه در جنبه‌های مختلف، مانند بهینه‌سازی پارامترها، شناسایی برنامه‌ها، امنیت و تشخیص خطا، ارزش ایجاد کنند.
سه عنصر اصلی هوش مصنوعی، الگوریتم، قدرت محاسباتی و داده‌ها هستند. اگر هر تابع هوش مصنوعی که توسط یک دستگاه پشتیبانی می‌شود، این سه عنصر را حفظ کند، توابع مبتنی بر الگوریتم هوش مصنوعی نیاز دارند که دستگاه مقدار زیادی داده نمونه و قابلیت‌های محاسباتی با کارایی بالا ارائه دهد که به شدت بر عملکرد عادی دستگاه تأثیر می‌گذارد.
سیستم EAI یک چارچوب جامع و کامل برای توابع هوش مصنوعی ارائه می‌دهد که می‌تواند در سرویس‌های سیستم EAI مشترک شود. هنگامی که یک تابع هوش مصنوعی در چنین سرویس‌هایی مشترک شد، سیستم با استفاده از الگوریتم هوش مصنوعی، استنتاج را بر روی داده‌های بلادرنگ مربوط به تابع هوش مصنوعی انجام می‌دهد و امکان پیاده‌سازی تابع هوش مصنوعی را بر اساس نتیجه استنتاج فراهم می‌کند. تجزیه و تحلیل و استنتاج داده‌های تولید شده محلی، مزایایی مانند هزینه‌های انتقال داده کمتر و همچنین امنیت داده‌های تضمین شده و استنتاج و تصمیم‌گیری بلادرنگ را ارائه می‌دهد.
EAI چگونه کار می‌کند؟
سیستم EAI از سه ماژول مدل، داده و توان محاسباتی تشکیل شده است.
ماژول مدل: همچنین به عنوان ماژول الگوریتم شناخته می‌شود که چندین الگوریتم هوش مصنوعی را ادغام می‌کند. ماژول مدل، چندین فایل مدل را مدیریت می‌کند. هر فایل شامل یک یا چند مدل است و مدل‌های مختلف با الگوریتم‌های مختلف هوش مصنوعی مطابقت دارند. کاربران می‌توانند فایل‌های مدل را برای مدیریت الگوریتم‌های هوش مصنوعی مورد استفاده توسط سیستم EAI بارگذاری و حذف کنند.
ماژول داده: داده‌ها را دریافت و پیش‌پردازش می‌کند و داده‌های عظیم مورد نیاز همه توابع هوش مصنوعی در دستگاه‌ها را مدیریت می‌کند.
ماژول توان محاسباتی: بر اساس الگوریتم‌های ماژول مدل و داده‌های ماژول داده، استنتاج انجام می‌دهد. نتیجه استنتاج به توابع هوش مصنوعی پشتیبانی شده توسط دستگاه ارسال می‌شود. سپس این توابع برای تجزیه و تحلیل نتیجه استنتاج، تولید پیکربندی‌های خاص و ارائه این پیکربندی‌ها به دستگاه استفاده می‌شوند.
مکانیزم پیاده‌سازی سیستم EAI
ماژول داده سیستم EAI داده‌های حجیم مربوط به هر تابع هوش مصنوعی را روی دستگاه جمع‌آوری می‌کند، داده‌ها را پیش‌پردازش می‌کند و از داده‌های پیش‌پردازش‌شده به عنوان ورودی برای ماژول قدرت محاسباتی استفاده می‌کند.
کاربران می‌توانند فایل‌های مدل مختلف را در سیستم EAI بارگذاری یا حذف کنند. این فایل‌های مدل حاوی مدل‌های آموزش‌دیده‌ای هستند که برای هر تابع هوش مصنوعی قابل اجرا هستند.
توابع هوش مصنوعی روی دستگاه، مشترک سرویس‌های سیستم EAI می‌شوند. این فرآیند نیازی به پیکربندی توسط کاربران ندارد و اشتراک پس از فعال شدن یک تابع هوش مصنوعی کامل می‌شود. پس از اینکه تابع هوش مصنوعی مشترک سرویس EAI شد، سیستم EAI از مدل مشترک در فایل مدل محافظت می‌کند تا اطمینان حاصل شود که آخرین نسخه مدل قابل حذف نیست و به عنوان ورودی ماژول قدرت محاسباتی استفاده می‌شود.
ماژول محاسبات، استنتاج را بر اساس الگوریتم‌های ماژول مدل و داده‌های ماژول داده انجام می‌دهد و نتیجه استنتاج را به تابع هوش مصنوعی فعال شده ارسال می‌کند.
تابع هوش مصنوعی، پیکربندی‌های خاصی را بر اساس نتیجه استنتاج سیستم EAI ارائه می‌دهد.
کاربرد EAI
تابع اعلان ازدحام صریح هوش مصنوعی (AI ECN) به طور هوشمندانه آستانه‌های ECN صف‌های بدون اتلاف را بر اساس مدل ترافیک در شبکه زنده تنظیم می‌کند. این تابع، تأخیر کم و توان عملیاتی بالا را با از دست دادن بسته صفر تضمین می‌کند و به عملکرد بهینه برای خدمات بدون اتلاف دست می‌یابد.
تابع ECN استاتیک سنتی نیاز به پیکربندی دستی پارامترهایی مانند آستانه ECN و احتمال علامت‌گذاری ECN دارد. برای خدمات بدون اتلاف که نیاز به از دست دادن بسته صفر دارند، آستانه ECN نمی‌تواند با فضای بافر دائماً در حال تغییر در صف سازگار شود. AI ECN با تابع EAI مشترک می‌شود، آموزش هوش مصنوعی را بر اساس مدل ترافیک در شبکه زنده انجام می‌دهد، تغییرات ترافیک شبکه را پیش‌بینی می‌کند و آستانه بهینه ECN را به موقع استنتاج می‌کند. علاوه بر این، آستانه ECN را می‌توان به صورت بلادرنگ بر اساس تغییرات ترافیک شبکه زنده تنظیم کرد و امکان مدیریت و کنترل دقیق بافر صف بدون اتلاف را فراهم کرد و عملکرد بهینه را در کل شبکه تضمین کرد.
پس از فعال شدن تابع AI ECN در یک دستگاه، مؤلفه AI ECN به طور خودکار در خدمات سیستم EAI مشترک می‌شود. پس از دریافت اطلاعات وضعیت ترافیک ارسالی، مؤلفه هوش مصنوعی ECN به طور هوشمندانه مدل ترافیک فعلی را بر اساس نتیجه استنتاج سیستم EAI تعیین می‌کند. اگر مدل ترافیک در سیستم EAI آموزش داده شده باشد، مؤلفه هوش مصنوعی ECN آستانه ECN را که با وضعیت فعلی شبکه مطابقت دارد بر اساس نتیجه مرجع بهینه سیستم EAI محاسبه می‌کند، آستانه ECN بهینه را به دستگاه تحویل می‌دهد و آستانه ECN را برای صف‌های بدون اتلاف تنظیم می‌کند.
برای وضعیت ترافیک تازه به دست آمده، عملیات قبلی تکرار می‌شوند تا تأخیر کم و توان عملیاتی بالای صف‌های بدون اتلاف تضمین شود. در نتیجه، می‌توان به عملکرد بهینه سرویس بدون اتلاف در سناریوهای مختلف ترافیک دست یافت.
نتیجه‌گیری
هوش مصنوعی نهفته، یک تغییر پارادایم در صنعت است. این فناوری، با ارائه راه‌حل‌های سریع‌تر، امن‌تر و کارآمدتر، اتوماسیون صنعتی را به سطحی جدید ارتقا داده و زمینه را برای ظهور کارخانه‌های کاملاً هوشمند فراهم می‌کند. سرمایه‌گذاری در Embedded AI دیگر یک انتخاب لوکس نیست، بلکه یک ضرورت برای حفظ رقابت در عصر صنعت است. برای آشنایی بیشتر با سیستم‌های نهفته می‌توانید به نیرابلاگ مراجعه نمایید.
