اخبار فناوری و ارتباطات

هوش مصنوعی حالا درون یک درایو USB جای می گیرد

هوش مصنوعی حالا درون یک درایو USB جای می گیرد

چیپ های Movidius اخیرا در محصولات مختلفی مورد استفاده قرار گرفته اند و برای نمونه به جدیدترین پهپاد DJI کمک می کنند که با موانع برخورد نکند و یا امکان تشخیص افراد به دام افتاده در آتش را به دوربین حرارتی تازه FLIR می دهند و همه این قابلیت به لطف یادگیری عمیق و شبکه های عصبی میسر شده اند.

این شرکت همچنین پیشتر قراردادی را با گوگل به امضا رسانده و قصد دارد چیپ های تولیدی اش را درون محصولات معرفی نشده آن به خدمت بگیرد. حالا Movidius محصولی را ارائه کرده که طبق ادعایش ظرفیت یادگیری عمیق را در اختیار هر فردی قرار خواهد داد: نوعی اکسسوری USB که Fathom Neural Compute Stick نام دارد.

Fathom در برگیرنده یک VPU یا واحد پردازنده دید Myriad 2 MA2450 است که از 512 مگابات رم LPDDR3 بهره می برد. این پردازنده در واقع چیپی است که در محصولات پیشتر یاد شده DJI و FLIR مورد استفاده قرار گرفته بود و قادر است فرایندهای بسیاری را به صورت همزمان با هم انجام دهد که در واقع همان قابلیت مورد نیاز شبکه های عصبی است.

چون این تراشه مشخصا برای انجام چنین کاری طراحی شده است (معماری آن تفاوت های قابل توجهی با GPU و CPU دارد که معمولا کار پردازش داده را بر عهده دارند) ضمن مصرف اندک انرژی توان پردازشی بالایی برابر با 150 گیگافلاپس را در خود جای داده است، یعنی می تواند در هر ثانیه 150 میلیارد عملیات شناور را به انجام برساند و همزمان مصرف انرژی اش هم از 1.2 وات فراتر نرود.

Fathom برخلاف راهکارهای تگرا که برای یادگیری عمیق ارائه شده اند یک سیستم مستقل نیست و برای استفاده باید آن را به پورت USB 3.0 سیستم های لینوکسی متصل نمایید تا عملکردشان در حوزه پردازش عصبی افزایشی 20 تا 30 برابری پیدا کند. به این ترتیب، می توانید از Fathom برای نمونه سازی سریع شبکه های عصبی استفاده نمایید.

البته در مورد شبکه سازی عصبی صحبت می کنیم و به همین خاطر کار آنچنان که باید ساده نیست. Fathom شبکه های تعریف شده در Caffe و TensorFlow (دو فریم ورک محبوب در زمینه یادگیری عمیق) و همچنین مجموعه دیتای مربوط به آنها را هم می پذیرد.

برای اجرای این شبکه ها روی چیپ Myriad 2 باید از ابزار Movidius استفاده نمایید تا شبکه به صورت بومی اجرا گردد و همزمان انرژی مورد نیازش را هم دریافت نماید. البته شاید در نگاه نخست عملکرد این درایو شبیه به CUDA و cuDNN (سیستم انویدیا برای انتقال شبکه عصبی به کارت گرافیک آن) به نظر بیاید اما قابلیت کلی Fathom این است که می توان آن را در محیط های فاقد کارت گرافیک های پیشرفته و پردازنده های قدرتمند نیز به کار برد.

دستگاه طراحی شده توسط Movidius به خودی خود بسیار هم جالب است و این را باید از زبان آنهایی بشنوید که پیشتر تلاش کرده اند یک شبکه عصبی را روی دستگاه هایی با توان پایین اجرا نمایند. در حال حاضر بهترین راه برای نمونه سازی شبکه های عصبی استفاده از سیستم های مبتنی بر کلاود است که در آنها، توان پردازشی از جای دیگری دریافت می گردد. اما اگر امکانی وجود داشته باشد که توان کافی به یک لپ تاپ معمولی اضافه گردد پروسه اجرای این شبکه ها بسیار ساده خواهد شد و هزینه ایجادشان نیز به میزان قابل توجهی پایین می آید.

با این همه، پتانسیل Fathom به این نقطه ختم نمی شود. این سیستم را می توان در حوزه های رباتیک، پهپاد ها و جامعه تولید کنندگان نیز به خدمت گرفت. برای مثال اگر این یو اس بی را به یک کامپیوتر رزبری پای متصل نمایید توانمندی های بسیار پیشرفته ای را در زمینه دید کامپیوتری به دوربین های مورد استفاده همراه با آن اضافه خواهند کرد.

هدف نهایی از ارائه چنین محصولی این است که تولید کنندگان بیشتری به استفاده از چیپ های Myriad درون دستگاه های تولیدی شان روی بیاورند اما محصولی مانند Fathom گامی بسیار بزرگ در راستای عملیاتی نمودن این طرح محسوب می گردد.

Sense+and+avoid_courtesy_DJI

لازم است اشاره نماییم که جامعه هوش مصنوعی واکنش مثبتی را به این خبر نشان داده. دکتر Yann LeCunn مدیر واحد هوش مصنوعی فیسبوک نیز اعلام داشته که مدتهاست منتظر ارائه محصولی مانند Fathom است. به لطف این گجت، هر ربات (خواه در ابعاد بزرگ یا کوچک) می تواند به قابلیت های بسیار پیشرفته ای در این زمینه دست پیدا کند.

Pete Warden مدیر فنی واحد هوش مصنوعی گوگل نیز اعلام داشته که Fathom نقش بسزایی را در بهینه سازی و اجرای این شبکه های عصبی پیشرفته در داخل دستگاه های مختلف ایفا می کند. البته برخی سازمان ها هم اکنون نیز در حال دریافت Fathomهای سفارشی خود هستند اما این محصول تا قبل از زمستان امسال به مرحله فروش انبوه نخواهد رسید. قیمت دستگاه هم هنوز اعلام نشده، هرچند طبق برخی خبرها انتظار می رود که کمتر از 100 دلار باشد.

منبع : digiato.com

ارسال نظر شما

 
   
 
Scroll to Top