حوزه هوش مصنوعی (AI) گسترده و عمیق است و بیشتر تمرکز بر روی هوش مصنوعی مولد از طریق پروژه GPT OpenAI است. پیشرفت های عمده ای نیز در زمینه های دیگر مانند تشخیص اشیا و طبقه بندی برای برنامه های مختلف از سیستم های تشخیص چهره تا اتوماسیون صنعتی بوجود آمده است. در اصل، هوش مصنوعی برای تشخیص و طبقه بندی اشیا در پردازش داده های بصری (تصاویر ثابت و متحرک) تخصص دارد.
در مقابل، هوش مصنوعی مولد بر وظیفه تولید محتوای جدید یا تقلید از ویژگی های داده های ورودی با ایجاد خروجی های جدید متمرکز است. نتیجه مولد است – تصاویر، متن یا موسیقی جدیدی ایجاد می کند که احتمالاً قبلاً وجود نداشته است. هر دو از الگوریتم های پیچیده و مجموعه داده های بزرگ برای آموزش استفاده می کنند، اما برای انواع مختلف داده ها و وظایف به کار می روند.
تشخیص و طبقه بندی اشیاء کاربردی در لبه حداقل از اواسط دهه 70 میلادی در محصولات تجاری وجود داشته است، زمانی که اسکنرهای بارکد شروع به استفاده گسترده در فروشگاه ها و مدیریت موجودی کردند. کاربردهای بعدی شامل سیستم های تشخیص کاراکتر نوری (OCR) است که اسناد فیزیکی را اسکن می کند و آنها را به متن تبدیل می کند و دوربین هایی با قابلیت تشخیص چهره که در اوایل دهه 2000 میلادی ظاهر شدند. بسیاری از تحلیلگران و صاحب نظران صنعت اکنون پیشبینی می کنند که هوش مصنوعی مولد، برنامه کاربردی بعدی هوش مصنوعی خواهد بود که در محاسبات لبه تاثیرگذار خواهد بود.
اهمیت هوش مصنوعی مولد در محاسبات لبه
محققان شرکت فناوری Accenture می گویند:
شرکت ها در حال حاضر در حال ایجاد مقادیر حیرت انگیز داده در دفاتر شعب، فروشگاه های خرده فروشی، سکوهای نفتی از راه دور، بیمارستان ها و حتی ماهواره ها هستند که در بسیاری از موارد، بازگشت به یک مرکز داده مرکزی برای تجزیه و تحلیل غیرعملی است. در پایان دهه، حجم قابل توجهی از داده های حیاتی سازمانی پیش بینی می شود که در لبه تولید و بر اساس آنها عمل شود.
ما قبلاً اطلاع داریم که شرکت ها در بسیاری از بخش های عمودی منابع محاسباتی را به مکانی نزدیک می کنند که کاربران و دستگاه ها در آن قرار دارند و مهمتر از همه، به جایی که داده ها همزمان با دیدار فیزیکی با دیجیتال، ایجاد می شوند. این باعث می شود که مکان های لبه نه تنها برای جمعآوری، فیلتر کردن و جمعآوری مجموعه داده های محلی، بلکه برای استفاده از آن به عنوان ورودی برای فرآیندهای تولیدی که در آن نتیجه می تواند توسط کاربران یا دستگاه ها به صورت محلی مصرف شود، عالی باشد.
دو پیشرفت بزرگ راه را برای هوش مصنوعی مولد در محاسبات لبه هموار کرده است. اولاً، فایل های پشت مدل های زبان بزرگ (LLM) در دسترس عموم مانند ChatGPT از OpenAI و PalM و LaMDA از Google از نظر اندازه قابل توجه و غیرواقعی برای استفاده در محیط های لبه هستند. بنابراین، اکنون گرایش گسترده تری به سمت دسترسی بیشتر و قابل استفاده تر کردن هوش مصنوعی مولد در محیط های مختلف، از جمله محیط هایی با منابع محاسباتی محدود، وجود دارد. این زمانی است که مدل های کوچکتر تنظیم شده برای وظایف یا دامنه های خاص تر وارد بازی می شوند. تنظیم شامل تنظیم پارامترهای مدل برای بهینه سازی عملکرد آن برای وظایف یا مجموعه داده های خاص است. تنظیم می تواند به طور قابل توجهی نیاز منابع LLM را برای کارهایی مانند تجزیه و تحلیل احساسات، پرسش/پاسخ و ترجمه زبان کاهش دهد. این باعث می شود LLM ها در طیف گسترده ای از برنامه های کاربردی دنیای واقعی موثرتر باشند.
دوم، هوش مصنوعی مولد عموماً به شتاب سخت افزاری برای استنتاج فرآیندها برای سرعت، کارایی و توانایی رسیدگی به چندین درخواست مشتری به طور همزمان نیاز دارد. این نوع سخت افزار از لحاظ تاریخی بسیار گران بوده و مصرف انرژی چندانی ندارد. با در دسترس بودن کامپیوترهای فرم فاکتور کوچک با پردازنده های گرافیکی یکپارچه، LLMهای تنظیمشده اکنون می توانند با موفقیت در مکان های دوردست به روشی تجاری قابل دوام مستقر شوند.
نمونه هایی از برنامه های کاربردی جدید هوش مصنوعی در محاسبات لبه عبارتند از:
1. پیشنهادات خریداران با کمک صوتی در محیط های خرده فروشی
2. سیستم های پرسش و پاسخ تعاملی برای کارکنان جلوی خانه در رستوران ها
3. تجزیه و تحلیل احساسات یا ترجمه زبان در زمینه بازخورد مشتری
4. تصمیم گیری و پیشنهادات مستقل در محیط های انبار
سخن پایانی
با پیشرفت سریع فناوری ها و محرک های کسب و کار برای هوش مصنوعی مولد، به نظر می رسد که شاهد جذب سریع برنامه های کاربردی نوآورانه ای خواهیم بود که در بالای پشته فناوری در حال ظهور ساخته شده اند. برخی از آنها کوتاه مدت خواهند بود، در حالی که برخی دیگر قابل دوام و ارزشمند خواهند بود.