اختر الأداة المناسبة – العب باستخدام الذكاء الاصطناعي بسهولة

“لم تكن تطبيقات الهاتف المحمول AI أسهل من أي وقت مضى! بفضل FPGAs مثل Xilinx Zynq UltraScale + MPSoC ، يمكن الآن أيضًا استخدام AI في وضع عدم الاتصال أو نشره واستخدامه على الحافة. توفر وحدة اللوحة الأساسية Risu Yingke جنبًا إلى جنب مع أداة تطوير Vitis AI للمستخدمين أداة ملائمة لتطوير ونشر تطبيقات التعلم الآلي للاستدلال في الوقت الفعلي ، لذلك يصبح دمج الذكاء الاصطناعي في التطبيق أمرًا سهلاً. يؤدي اكتشاف الصور أو تصنيفها ، والتعرف على الأنماط أو الكلام إلى إجراء ترقيات في صناعات مثل التصنيع والرعاية الصحية والسيارات والخدمات المالية.

“

لم تكن تطبيقات الهاتف المحمول AI أسهل من أي وقت مضى! بفضل FPGAs مثل Xilinx Zynq UltraScale + MPSoC ، يمكن الآن أيضًا استخدام AI في وضع عدم الاتصال أو نشره واستخدامه على الحافة. توفر وحدة اللوحة الأساسية Risu Yingke جنبًا إلى جنب مع أداة تطوير Vitis AI للمستخدمين أداة ملائمة لتطوير ونشر تطبيقات التعلم الآلي للاستدلال في الوقت الفعلي ، لذلك يصبح دمج الذكاء الاصطناعي في التطبيق أمرًا سهلاً. يؤدي اكتشاف الصور أو تصنيفها ، والتعرف على الأنماط أو الكلام إلى إجراء ترقيات في صناعات مثل التصنيع والرعاية الصحية والسيارات والخدمات المالية.

فتح تطبيقات FPGA القائمة على AI بسرعة

يشغل الذكاء الاصطناعي المزيد والمزيد من التطبيقات وسيناريوهات الحياة ، مثل الكشف عن الصور وتصنيفها ، وأنظمة الترجمة والتوصية ، والمزيد. عدد التطبيقات القائمة على تقنيات التعلم الآلي ضخم ومتزايد. باستخدام وحدة اللوحة الأساسية لـ Risu Yingke جنبًا إلى جنب مع معالج FPGA و ARM ، أصبح استخدام AI في وضع عدم الاتصال وعلى الحافة أسهل من أي وقت مضى.

للذكاء الاصطناعي تاريخ طويل وقد تم الاعتراف به باعتباره تخصصًا منذ عام 1955. الذكاء الاصطناعي هو قدرة أجهزة الكمبيوتر على محاكاة الذكاء البشري ، والتعلم من التجربة ، والتكيف مع المعلومات الجديدة ، والقيام بأنشطة شبيهة بالبشر. تشمل تطبيقات الذكاء الاصطناعي الأنظمة الخبيرة ومعالجة اللغة الطبيعية (NLP) والتعرف على الكلام ورؤية الآلة.

نهضة الذكاء الاصطناعي

بعد عدة موجات من التفاؤل وخيبة الأمل ، هناك اهتمام متجدد ومتزايد بالذكاء الاصطناعي. على مدار الخمسة عشر عامًا الماضية أو نحو ذلك ، تم تشكيل الآلاف من الشركات الناشئة في مجال الذكاء الاصطناعي ، والمعدل آخذ في الازدياد. هناك العديد من الدوافع وراء ذلك: ربما يكون العامل الأكثر أهمية هو أن قوة الحوسبة الهائلة متاحة الآن بأسعار معقولة. ليست الأجهزة أسرع فحسب ، بل أصبح بإمكان الجميع الآن الوصول إلى أجهزة الكمبيوتر العملاقة في السحابة. أدى هذا إلى إضفاء الطابع الديمقراطي على منصات الأجهزة اللازمة لتشغيل الذكاء الاصطناعي ، مما سمح للشركات الناشئة بالانتشار.

الشكل 1: عرض مبسط لشبكة عصبية اصطناعية تلقائية مع طبقتين مخفيتين

تتسع الشبكات العصبية الاصطناعية (الشكل 1) الآن لتشمل عشرات إلى مئات من عقد الطبقة المخفية (الشكل 2). حتى الشبكات التي تحتوي على 10000 طبقة مخفية تم تنفيذها. يعمل هذا التطور على زيادة قدرات التجريد للشبكات العصبية وتمكين التطبيقات الجديدة. اليوم ، يمكن تدريب الشبكات العصبية على عشرات الآلاف من نوى CPU أو GPU ، مما يسرع بشكل كبير عملية تطوير نماذج التعلم المعممة.

الشكل 2: الفائزون في تحدي التعرف على ImageNet يوضحون زيادة الطبقات المخفية في بنى الشبكات العصبية الجديدة

سبب آخر لزيادة الاهتمام بالذكاء الاصطناعي هو الاختراقات في التعلم الآلي في السنوات الأخيرة. يساعد ذلك في جذب الاستثمار التكنولوجي واهتمام الشركات الناشئة ، مما يزيد من تسريع تطوير وتحسين الذكاء الاصطناعي.

كيف تتعلم الآلات

الشبكة العصبية الاصطناعية هي نموذج حسابي مستوحى من الدماغ البشري. وهو يتألف من شبكة مترابطة من وحدات المعالجة البسيطة التي يمكن أن تتعلم من التجربة عن طريق تعديل اتصالاتها (الشكل 1). ما يسمى بالشبكات العصبية العميقة (DNN – الشبكات العصبية مع العديد من الطبقات المخفية) توفر حاليًا الحلول المثلى للعديد من مشاكل الحوسبة الكبيرة.

أكثر أنظمة التعلم العميق استخدامًا هي الشبكات العصبية التلافيفية (CNNs). تستخدم هذه الأنظمة شبكة تلقائية من الخلايا العصبية الاصطناعية لتعيين ميزات الإدخال للمخرجات ، وتستخدم تغذية النظام للتعلم (أي التدريب) وإنتاج مجموعة من الأوزان لمعايرة شبكة CNN (الانتشار العكسي ، الشكل 3).

الشكل 3: تحتاج الشبكة العصبية إلى التدريب لتتعلم كيفية حل مشكلة أو تحدٍ

العملية الحسابية الأكثر كثافة في التعلم الآلي هي تدريب الشبكة العصبية. للحصول على شبكة متطورة ، قد يستغرق الأمر أيامًا إلى أسابيع ، مما يتطلب مليارات من حسابات الفاصلة العائمة وكميات كبيرة من بيانات التدريب (غيغابايت إلى مئات الجيجابايت) حتى تحقق الشبكة الدقة المطلوبة. لحسن الحظ ، لا تتطلب هذه الخطوة حدًا زمنيًا في معظم الحالات ويمكن نقلها إلى السحابة.

عندما يتم تدريب الشبكة ، يمكن تغذيتها بمجموعة بيانات جديدة غير مسماة وتصنيف البيانات بناءً على البيانات التي تعلمت منها سابقًا. هذه الخطوة ، تسمى الاستدلال ، هي الهدف الفعلي لتطوير التطبيق.

قل لي ماذا ترى

يمكن تصنيف المدخلات في السحابة أو على الحافة (معظمها غير متصل). بينما تتطلب معالجة البيانات من خلال الشبكات العصبية غالبًا معجلات متخصصة (FPGA أو GPU أو DSP أو ASIC) ، فإن المهام الإضافية يتم التعامل معها بشكل أفضل بواسطة وحدات المعالجة المركزية (CPU) ، والتي يمكن برمجتها بلغات البرمجة التقليدية. هذا هو المكان الذي تتمتع فيه FPGAs المزودة بوحدات معالجة مركزية مدمجة ، أو ما يسمى بالأنظمة الموجودة على شريحة (SoCs) ، بميزة ، خاصة على الحافة. تجمع SoC بين مُسرع الاستدلال (صفيف FPGA) ووحدة المعالجة المركزية في شريحة واحدة. تدير وحدة المعالجة المركزية خوارزميات التحكم وإدارة تدفق البيانات. في الوقت نفسه ، تقدم FPGA العديد من المزايا مقارنة بالحلول القائمة على GPU أو ASIC ، بما في ذلك سهولة دمج واجهات وأجهزة استشعار متعددة ، والمرونة لاستيعاب بنى الشبكات العصبية الجديدة (الشكل 4).

الشكل 4: مقارنة بين التقنيات المختلفة لتطبيقات الاستدلال بالذكاء الاصطناعي

كما تتيح إمكانية إعادة التكوين المتأصلة لـ FPGAs الاستفادة من طوبولوجيا الشبكة العصبية المتطورة وأنواع وتكوينات المستشعرات الأحدث وخوارزميات البرامج الأحدث. يمكن أن يضمن استخدام SoC زمن انتقال منخفض وحتمي عند الحاجة ، على سبيل المثال ، لاكتشاف الكائن في الوقت الفعلي. في الوقت نفسه ، فإن شركة نفط الجنوب ذات كفاءة عالية في استخدام الطاقة. يتمثل التحدي الرئيسي في الحصول على أفضل أداء من FPGA في رسم خريطة فعالة لنموذج النقطة العائمة لتنفيذ FPGA ذي النقطة الثابتة دون فقدان الدقة (الشكل 5) ، حيث تأتي أدوات البائع.

الشكل 5: تسمى عملية التعيين الفعال لنموذج النقطة العائمة إلى تطبيق FPGA ذي النقطة الثابتة بالضغط

اختر الأداة الصحيحة

يوجد الآن العديد من الأدوات التي يمكن أن تساعدنا في تقليل الحواجز التي تحول دون تنفيذ مشروعنا الأول للذكاء الاصطناعي. على سبيل المثال ، تزود أدوات تطوير Vitis AI المستخدمين بالأدوات اللازمة لتطوير ونشر تطبيقات التعلم الآلي للاستدلال في الوقت الفعلي على FPGAs. إنها تدعم العديد من أطر التعلم الآلي الشائعة مثل Caffe و TensorFlow ، مع دعم PyTorch قريبًا. إنها تمكن من التكيف الفعال للشبكات العصبية الحديثة مع FPGAs لتطبيقات الذكاء الاصطناعي المضمنة (الشكل 5).

الشكل 6: وحدة اللوحة الأساسية Ruisu Yingke Mars XU3

بالاقتران مع وحدة لوحة أساسية قياسية (SoM) ، مثل Mars XU3 (الشكل 6) (استنادًا إلى Xilinx Zynq UltraScale + MPSoC) ، التي تم إدخالها في لوحة معززة ST3 Mars ، يمكن تنفيذ تطبيقات الذكاء الاصطناعي بشكل أسرع من أي وقت مضى (الشكل 7) .

الشكل 7: حل تطبيق AI مثبت في الصناعة يعتمد على Xilinx Zynq UltraScale + MPSoC

لإثبات الأداء وقدرات هذا المزيج السريعة للوصول إلى السوق ، طورت Ruixu Yingke نظامًا للتعرف على الصور قائم على الذكاء الاصطناعي في أيام قليلة فقط. تم التقاط الصور بكاميرا USB قياسية متصلة بلوح Mars ST3. للحصول على أداء أعلى ، يمكن استخدام واجهة MIPI على اللوحة الخلفية.

تصنف الشبكة العصبية الصور بطريقة منخفضة الكمون وتعمل على وحدة اللوحة الأساسية Mars XU3. يدعم النظام الشبكات العصبية الشائعة مثل ResNet-50 و DenseNet لتصنيف الصور واكتشاف الوجه في الوقت الفعلي ، على التوالي.

لا تستطيع وحدة FPGA المفردة تشغيل استدلال الشبكة العصبية فحسب ، بل يمكنها أيضًا معالجة العديد من المهام الأخرى بالتوازي ، مثل الاتصال بجهاز الكمبيوتر المضيف والأجهزة الطرفية الأخرى. أيضًا ، فإن التحكم في العديد من برامج التشغيل الديناميكية العالية في وقت واحد هو المكان الذي تلعب فيه تقنية FPGA. على سبيل المثال ، سيكون من السهل إضافة نواة IP الخاصة بـ Universal Drive Controller لـ RSPC للتحكم في محركات التيار المستمر التي لا تحتوي على فرش أو محركات السائر. لم يكن تسخير قوة الذكاء الاصطناعي على الحافة أسهل من أي وقت مضى ، لذا ابدأ مشروعك اليوم!