بهینه سازی الگوریتم های یادگیری ماشین برای اجرا بر روی سخت افزارهای با منابع محدود Edge Computing

با گسترش روزافزون اینترنت اشیاء (IoT) و گرایش به سمت محاسبات لبه Edge Computing تقاضا برای اجرای مدل های یادگیری ماشین (Machine Learning) بر روی دستگاه های دارای منابع محدود مانند میکروکنترلرها، سنسورهای هوشمند و گوشی های موبایل به شدت افزایش یافته است. این محیط ها با محدودیت های جدی در توان پردازشی، حافظه، مصرف انرژی و پهنای باند ارتباطی مواجه هستند. مدل های سنگین یادگیری عمیق که پیش تر بر روی ابررایانه ها یا سرورهای ابری آموزش می دیدند به تنهایی برای این محیط ها قابل اجرا نیستند. این مقاله به بررسی جامع تکنیک های بهینه سازی الگوریتم های یادگیری ماشین برای سخت افزارهای لبه می پردازد. در این راستا ابتدا چالش های اصلی پیاده سازی ML در لبه تشریح شده و سپس روش های کلیدی شامل فشرده سازی مدل (Model Compression)، کم بیت سازی (Quantization)، پرس (Pruning)، معماری های سبک وزن (Lightweight Architectures) و یادگیری فدراسیون (Federated Learning) مورد تحلیل قرار می گیرند. در نهایت آینده ی این حوزه و جهت گیری های پژوهشی جدید مانند هوش مصنوعی کارآمد (Efficient AI) و سخت افزارهای اختصاصی NPU بررسی می شوند.

کلیدواژه ها:

یادگیری ماشین ، محاسبات لبه ، فشرده سازی مدل ، کم بیت سازی ، پرس ، اینترنت اشیاء ، هوش مصنوعی کارآمد