تعادل میان دقت، تاخیر و انرژی: چارچوب تصمیم گیری چندمعیاره برای استقرار هوش مصنوعی در لبه

استقرار مدل های یادگیری عمیق در دستگاه های لبه با منابع محدود، چالشی فراتر از کاهش نظری پیچیدگی محاسباتی است؛ زیرا تقلیل پارامترها یا محاسبات ریاضی بر روی کاغذ، به دلیل گلوگاه های حافظه و ویژگی های معماری پردازنده، الزاما به کاهش متناسب تاخیر استنتاج یا مصرف انرژی در سخت افزار واقعی ختم نمی شود. پژوهش حاضر با اتخاذ رویکرد سنتز نظام مند مبتنی بر شواهد (پروتکل پریزما)، مسئله استقرار هوش مصنوعی در لبه را از یک بهینه سازی صرفا الگوریتمی به یک مسئله «تصمیم گیری چندمعیاره و انتخاب فناوری تحت قیود سخت» ارتقا می دهد. چارچوب پیشنهادی بر پایه یک فرآیند متوالی سه مرحله ای بنا شده است: نخست، اعمال قیود فیزیکی سخت افزار (سقف حافظه رم، تاخیر مجاز و بودجه توان) جهت حذف گزینه های ناممکن؛ دوم، بهره گیری از تحلیل تسلط پارتو برای استخراج جبهه ای از راهبردهای رقابتی و غیرمغلوب؛ و سوم، رتبه بندی سناریومحور گزینه ها بر مبنای برهم کنش هم زمان چهار معیار دقت، تاخیر، مصرف حافظه و انرژی به همراه ارزیابی پایداری تصمیم از طریق تحلیل حساسیت. یافته های تحلیلی نشان می دهد که هیچ راهبرد استقراری دارای برتری مطلق و جهان شمول نیست و مطلوبیت هر فناوری مستقیما به سازگاری با بستر اجرا و ساختار ماموریت وابسته است؛ به گونه ای که تغییر در ماموریت عملیاتی (نظیر تغییر اولویت از حسگر باتری محور به سامانه کنترل بلادرنگ)، بردار ترجیحات و خروجی بهینه را دگرگون می سازد. این مطالعه با پیوند دادن نوآوری های حوزه یادگیری ماشین کم حجم با اصول حاکمیت فناوری، بستری تصمیم یار و قابل ردیابی برای تخصیص بهینه منابع در سامانه های لبه فراهم می آورد.

کلیدواژه ها:

هوش مصنوعی لبه ، یادگیری ماشین کم حجم ، تصمیم گیری چندمعیاره ، بهینه سازی آگاه از سخت افزار ، فشرده سازی مدل