بررسی روش های شتاب دهی و فشرده سازی شبکه ها در سیستم های تعبیه شده مجهز به هوش مصنوعی (Embedded AI): کاربردها و چالش ها در صنعت اینترنت اشیاء (IoT)

پیشرفت های اخیر در الگوریتم ها و مدل های هوش مصنوعی (AI) و همچنین پشتیبانی از سیستم های تعبیه شده (Embedded Systems) امکان حل مسائل مصرف بالای انرژی و سازگاری ضعیف هنگام پیاده سازی شبکه های هوش مصنوعی در دستگاه های تعبیه شده را فراهم کرده است. با این حال، پتانسیل هوش مصنوعی تعبیه شده (Embedded AI) که در آن الگوریتم های هوشمند در دستگاه های با منابع محدود اجرا می شوند، به طور کامل توسط اکثریت فعالان صنعتی و شرکت های کوچک و متوسط (SMEs) درک نشده است. هدف این مطالعه، بررسی و معرفی روش های نوین شتاب دهی (Acceleration Methods) و فشرده سازی شبکه ها (Network Compression) در سیستم های تعبیه شده مجهز به هوش مصنوعی است تا کاربردها و چالش های آن ها در صنعت اینترنت اشیاء (IoT) شناسایی شود. نوآوری این پژوهش در ارزیابی جامع و مقایسه ای روش های مختلف شتاب دهی و فشرده سازی شبکه ها، همراه با تحلیل کاربردهای عملی آن ها در زمینه های مختلف صنعتی است. این تحقیق با بهره گیری از روش تحلیل ادبیات موجود و مطالعات موردی، نقاط قوت و ضعف روش های مختلف را برجسته کرده و تاثیرات آن ها را در بهبود کارایی سیستم های IoT بررسی می کند. نتایج نشان می دهد که استفاده از شتاب دهنده های سخت افزاری مانند GPU و FPGA می تواند سرعت پردازش را تا ۳۰٪ افزایش دهد، درحالی که تکنیک های فشرده سازی شبکه ها مانند کوانتیزاسیون و برش وزن ها موجب کاهش مصرف حافظه تا ۴۰٪ می شوند. این پژوهش با ارائه جهت گیری های آینده و پیشنهاداتی برای تحقیقات بیشتر، نقش مهمی در تسریع پیشرفت هوش مصنوعی تعبیه شده در صنعت IoT ایفا می کند و به افزایش کارایی، کاهش مصرف انرژی و بهبود امنیت سیستم های هوشمند کمک می نماید.

کلیدواژه ها:

هوش مصنوعی ، سیستم های تعبیه شده ، فشرده سازی شبکه ، دستگاه های با منابع محدود ، شتاب دهنده های سخت افزاری ، اینترنت اشیاء