محاسبات لبه و معماری توزیع شده یادگیری ماشین

برنامه های کاربردی یادگیری ماشین اغلب به خدمات ابری ارائه شده توسط شرکت ها متکی هستند. تجهیزات و سخت افزارهای لبه کهاین برنامه ها را اجرا می کنند. باید داده های دریافت شده از حسگرها را به مراکز داده منتقل کنند تا پردازش این حجم از داده ها که بهتوان محاسباتی بالایی نیاز دارد، توسط GPU یا TPU پردازش شده و نهایتا" مدل آموزش داده شده برای ادامه روند کار برنامه به دستگاهمبداء بازگردانده شود. اگرچه این رویکردt اجرای برنامه های کاربردی با توان محاسباتی بالا را بر روی تجهیزات و سخت افزارهای لبه امکانپذیر می کند. اما دارای معایب و الزاماتی است که در همه حالات نمی توان آنها را برآورده کرد. سیر تکامل یادگیری ماشین, افزایش حجمو پیچیدگی مدل های یادگیری ماشین را در چند سال گذشته نشان می دهد. مدل های پیشرفته چندین برابر پارامترهای بیشتری نسبتبه مدل های اولیه دارند و این روندt پیاده سازی مدل ها در تحهیزات دارای حافظه و توان پردازشی محدود را دشوارتر می کند. بنابراین، ازدیدگاه یاد گیری ماشین, این چالش وجود دارد که اندازه مدل باید کوچک شود و در عین حال، دقت مدل نیز بهبود یابد. اخیرا" با بکارگیریمعماری توزیع شده یادگیری ماشین بر روی تجهیزات لبه, انتقال داده ها کاملا حذف می شود و تنها بر روی نحوه پردازش داده ها در همانتجهیزات لبه متمرکز می شود. معماری توزیع شده یادگیری ماشین یک زمینه نوظهور در یادگیری ماشین بر روی تجهیزات لبه است. لذابا مطالعه تکنیک های یادگیری ماشین و با درنظر گرفتن محدودیت های میکروکنترلرها و تجهیزات لبه، ارائه یک معماری توزیع شدهمی تواند راه کاری برای حل این چالش باشد.

کلیدواژه ها:

محاسبات لبه ، معماری توزیع شده ، یادگیری ماشین ، تجهیزات لبه ، محاسبات ابری