تسلط بر هوش مصنوعی تعبیه شده

جذابیت قرار دادن هوش مصنوعی در برنامه های  Embedded(جاسازی شده) آشکار است ، به عنوان مثال با استفاده از face-id برای اجازه دسترسی به کنترل های ماشین در طبقه کارخانه. تشخیص چهره ، کنترل صدا ، تشخیص ناهنجاری ، با هوش مصنوعی امکانات بسیاری وجود دارد. من از face-id به عنوان نمونه در این وبلاگ استفاده خواهم کرد.

استفاده از آن بسیار راحت تر ، هوشمندتر و مقاوم تر از رابط های رمز عبور و رابط های سنتی انسان و ماشین است. ناگفته نماند که بقیه نیز این کار را می کنند. ممکن است چگونگی عملکرد هوش مصنوعی جادویی به نظر برسد ، اما کاری که می تواند انجام دهد سریع تبدیل شدن به حداقل انتظار است. هیچ کس نمی خواهد محصولات را براساس فناوری روز گذشته به طور شفاف ارزیابی کند.

 چالش

مشکلی برای سازنده محصول وجود دارد. توسعه مبتنی بر هوش مصنوعی با توسعه استاندارد تعبیه شده کاملاً متفاوت است. شما حداقل برای عملکرد اصلی نرم افزار نمی نویسید. بلکه برای شناسایی الگوها (مانند تصاویر) باید یک شبکه عصبی آموزش دهید ، همانطور که کودک را در مدرسه تربیت می کنید. سپس باید آن شبکه را با محدودیت ردپای دستگاه تعبیه شده خود بهینه کنید تا اهداف و اندازه و قدرت را برآورده کند. ممکن است شبکه های عصبی کد معمولی نباشند ، اما شبکه و محاسبات آن هنوز حافظه را مصرف می کنند و انرژی را می سوزانند. به عنوان یک توسعه دهنده تعبیه شده ، می دانید که فشار دادن این معیارها تا حد ممکن مهم است. من در وبلاگ بعدی به این موضوع می پردازم. در حال حاضر حداقل برخی از عملکرد این شبکه های عصبی را درک می کنیم.

 اصول اولیه

من نمی خواهم شما را در توضیح طولانی شبکه های عصبی راهنمایی کنم. فقط کاری که برای کار کردن برنامه خود مجبورید انجام دهید ، (طراحی) یک شبکه عصبی از نظر مفهومی مجموعه ای از لایه های “نورون ها” است. هر نورون دو ورودی (یا بیشتر) از یک لایه قبلی یا داده های ورودی را می خواند ، یک محاسبه را با استفاده از وزنه های آموزش دیده اعمال می کند و نتیجه را به جلو منتقل می کند. بر اساس این وزن ها ، یک لایه ویژگی هایی را تشخیص می دهد که به تدریج هنگام حرکت در میان لایه ها پیچیده تر شده و در نهایت یک تصویر پیچیده را در خروجی تشخیص می دهد.

اولین بخش هوشمندانه در طراحی شبکه – چند لایه ، اتصالات بین لایه ها و غیره – الگوریتم هسته عصبی هسته ای است. دومین قسمت هوشمندانه در آموزش است. این فرآیندی است که در آن بسیاری از تصاویر از طریق شبکه اجرا می شوند ، با برچسب گذاری برای شناسایی آنچه باید شناسایی شود. این اجراها مقادیر وزنی مورد نیاز برای تشخیص را ایجاد می کنند.

اگر بلند پرواز هستید ، ممکن است شبکه عصبی خود را از ابتدا برای یکی از شبکه های استاندارد مانند TensorFlow بسازید. همچنین می توانید از گزینه منبع باز مانند این گزینه برای face-id شروع کنید. همه این موارد را می توانید در یک برنامه قابل اجرا روی لپ تاپ قرار دهید که برای مشتریانی که می خواهند چهره های تأیید شده جدیدی ثبت کنند مفید خواهد بود. اکنون می _توانید شبکه خود را با مجموعه ای از چهره های تأیید شده در چندین حالت ، آموزش دهید.

بیشتر بخوانید : داده، هوش مصنوعی و سنسورها بر علیه کووید-۱۹

چرا فقط این کار را در فضای ابری (cloud) انجام نمی دهیم؟

سرویس هایی وجود دارند که تشخیص چهره را به صورت آنلاین انجام می دهند – نیازی به ورود هوش مصنوعی نامرتب در دستگاه نیست. فقط عکس را بگیرید ، آن را در فضای ابری بارگذاری کنید ، برنامه یک تأیید را پس می دهد و محصول شما مرحله بعدی را تأیید می کند.

اما  همه کارمندان تأیید شده شما باید عکس ها و سایر مدارک خود را در فضای ابری داشته باشند. شاید ایده خوبی برای امنیت و حفظ حریم خصوصی نباشد. هر زمان که کارگر بخواهد به دستگاه دسترسی پیدا کند ، مقدار زیادی از انرژی را در انتقال تصویر به فضای ابری خواهید سوزاند. و اگر اتصال اینترنت شما قطع شده باشد ، هیچ کس نمی تواند تأیید کند تا اینکه دوباره (اتصال) برقرار شود. انجام احراز هویت به طور صحیح بر روی دستگاه باعث حفظ حریم خصوصی و امنیت می شود ، تقاضای برق را پایین نگه می دارد و حتی در صورت قطع اتصال شبکه نیز به کار خود ادامه می دهد.

بعدی – تعبیه شبکه آموزش دیده خود

اکنون قسمت سخت افزار AI تمام شده است ، شما باید آن را در دستگاه خود بارگیری کنید. این یک اقدام جالب در نوع خود است ، جایی که شما قطعاً به کمک سیستم عامل هوش مصنوعی خود نیاز خواهید داشت.