ما دوست داریم انرژی را در صورت تقاضا در دسترس بدانیم. سوئیچ را ورق بزنید، چراغ ها روشن می شوند. چند دکمه را فشار دهید، مایکروویو غذای شما را گرم می کند. ترموستات را تنظیم کنید، گرما یا AC روشن می شود. با این حال، در دنیای واقعی، ما به طور فزاینده ای در می یابیم که همیشه اینطور نیست.
یکی از امیدوارکننده‌ترین ابتکاراتی که در حال انجام آن هستیم، حول محور محاسبات پایدارتر است. قدرت محاسباتی به انرژی زیادی نیاز دارد (از این رو فن های موجود در رایانه یا لپ تاپ شما) و انرژی مورد نیاز هنگام پردازش مقادیر زیادی داده به طور چشمگیری افزایش می یابد. در محاسبات مدرن، یکی از کاربردهای بزرگتر محاسبات، استقرار هوش مصنوعی (AI) و یادگیری ماشین (ML) مورد نیاز هوش مصنوعی است. ما پیش‌بینی می‌کنیم که با چند نوآوری افزایشی در استقرار ML خود، می‌توانید شاهد کاهش مصرف انرژی باشید که معمولاً منجر به صرفه‌جویی در هزینه می‌شود.
مشکل: استقرار یادگیری ماشین ناکارآمد
تغییرات کوچک می تواند تاثیر زیادی داشته باشد.
تاثیر دنیای واقعی
همه ما معماران، صاحبان محصول و مدیریت محصول باید درگیر باشیم. کار در راستای پایداری تنها زمانی می تواند جامع باشد که همه افراد در اکوسیستم از تأثیرات زیست محیطی و انرژی آگاه باشند. ما پیش‌بینی می‌کنیم که بهینه‌سازی‌های هوش مصنوعی می‌تواند مصرف انرژی را حتی در سیستم‌های موجود بهبود بخشد.
اینتل داده های شخص ثالث را کنترل یا ممیزی نمی کند. برای ارزیابی دقت باید به منابع دیگر مراجعه کنید
عملکرد بر اساس استفاده، پیکربندی و سایر عوامل متفاوت است. در www.Intel.com/PerformanceIndex بیشتر بیاموزید
EEO ها اغلب نوآوری های افزایشی هستند – یعنی نوآوری های کوچک و کوچکی که نیازی به بازنگری کامل خط لوله شما ندارند اما در طول زمان اضافه می شوند. بسیاری از این نوآوری‌های افزایشی نسبتاً ارزان و/یا سریع انجام می‌شوند. این شبیه بازیافت بطری آب شما یا استفاده از بطری قابل استفاده مجدد است: اقداماتی که ساده و سریع هستند، اما در طول زمان تغییرات قابل توجهی را ایجاد می کنند.
فن آوری
اینتل پیشنهاد کرده است که خط لوله ML را از طریق آنچه ما «بهینه سازی کارآمد انرژی» یا EEO می نامیم، تقویت کند. برخلاف افزودن سخت‌افزار بیشتر به خط لوله، EEOها شامل مواردی مانند بهینه‌سازی کد برای استفاده از جدیدترین ویژگی‌های پردازنده‌ها (یعنی مجموعه‌های دستورالعمل جدیدتر برای برداری)، بهبود استفاده از حافظه پنهان CPU یا استفاده از مدل‌های کارآمدتر در هر کجا که ممکن است، هستند.
یک نکته جدید باید اضافه شود: هوش مصنوعی و یادگیری ماشین نیز باید در مورد مصرف انرژی مورد ارزیابی قرار گیرند.
راه حل: تقویت خط لوله ML
اینتل متعهد به توسعه مداوم محصولات، فرآیندها و زنجیره تامین پایدارتر است زیرا ما در تلاش برای اولویت‌بندی کاهش گازهای گلخانه‌ای و بهبود اثرات زیست‌محیطی جهانی خود هستیم. در صورت لزوم، ویژگی های محیطی یک خانواده محصول یا SKU خاص با ویژگی بیان می شود. برای اطلاعات بیشتر به گزارش مسئولیت شرکتی 2022 مراجعه کنید.
هوش مصنوعی اصطلاحی است که ما از آن برای صحبت در مورد سیستم‌هایی استفاده می‌کنیم که قرار است هوش انسانی را تکرار کنند. هوش مصنوعی به طور فزاینده ای در همه جا وجود دارد و در همه چیز وجود دارد. به احتمال زیاد اگر باتری داشته باشد و/یا به دیوار وصل شود، گزینه ای برای داشتن هوش مصنوعی در آن وجود دارد. وقتی از جستجوی Google استفاده می‌کنید، از آمازون خرید می‌کنید و محتوا را پخش می‌کنید، که اغلب از ارتقای مقیاس هوش مصنوعی استفاده می‌کند، با هوش مصنوعی تعامل می‌کنید. هوش مصنوعی به طور مداوم در دستگاه‌های روزمره مانند تلفن‌های همراه ما استفاده می‌شود و به تنظیم سایر اشیایی که با آنها مواجه می‌شویم، مانند علائم عابر پیاده و چراغ‌های راهنمایی کمک می‌کند.
هدف نهایی ما در مشارکت با شرکای مانند بنیاد نرم افزار سبز، صرفه جویی در مصرف انرژی به جای جبران خسارت است. انجام این اندازه‌گیری‌ها و به‌کارگیری آنها در مقیاس می‌تواند به ما این حس را بدهد که صرفه‌جویی‌های انرژی بالقوه چگونه می‌تواند به نظر برسد، و این صرفه‌جویی‌های انرژی می‌تواند به تأثیر کلی محیط‌زیست کمک کند.
اینتل با سازمان هایی مانند بنیاد نرم افزار سبز برای ترویج این طرز فکر جدید در بهینه سازی سیستم همکاری کرده است. EEO ها نوآوری های افزایشی هستند که به کاهش انرژی کمک می کنند، نه خنثی سازی.
ارزیابی استقرار هوش مصنوعی و یادگیری ماشین بر اساس مصرف کلی انرژی به جای صرفاً قدرت پردازش، ایده جدیدی است. آنقدر جدید است که در حال حاضر هیچ معیار استانداردی وجود ندارد. هر بخش از خط لوله ML مقدار زیادی انرژی مصرف می کند و هر بخش باید ارزیابی و ارتقا یابد.
مصرف انرژی مورد استفاده برای دستیابی به SLA در حال حاضر قابل توجه است. تنظیم و افزودن قدرت پردازش به میزان قابل توجهی به مصرف انرژی می افزاید. مانند هر افزایش مصرف انرژی، ردپای کربن نیز افزایش می یابد. نتیجه این است که بیشتر و بیشتر AIهای ملاقات کننده SLA ردپای کربن بزرگتری ایجاد می کنند.
امروز می توانید بهینه سازی های کارآمد انرژی را در خط لوله ML خود اعمال کنید. ما پیش‌بینی می‌کنیم که حتی با تغییرات کوچک، می‌توانیم شاهد کاهش معنی‌دار مصرف انرژی باشیم که منجر به صرفه‌جویی می‌شود. ما می خواهیم همه ببینند که این “پایداری جامع” چیزی است که به همه مربوط می شود، نه فقط در سطح شرکت.
این عدم تعادل چیزی است که باعث شد اینتل به بنیاد نرم افزار سبز (GSF) بپیوندد و در خط مقدم برای کمک به کاهش مصرف انرژی کار کند. همراه با سایر شرکت‌های عضو GSF، ما هر روز در حال تحقیق و اجرای تغییرات در جامعه توسعه نرم‌افزار هستیم – ابزارها و فرآیندهایی را ارائه می‌کنیم که به شرکت‌ها اجازه می‌دهد بیشتر تولید کنند و در عین حال مصرف کمتری داشته باشند.
محاسبات پایدار
© شرکت اینتل. اینتل، لوگوی اینتل و سایر علائم اینتل علائم تجاری Intel Corporation یا شرکت های تابعه آن هستند. نام ها و مارک های دیگر ممکن است به عنوان مالکیت دیگران ادعا شود.
برای تاثیرگذاری این هوش مصنوعی فراگیر، هوش مصنوعی نیاز به آموزش دارد. اینجاست که تکنیک‌های آموزشی مانند «یادگیری ماشین» (ML) وارد می‌شوند. ML یکی از موفق‌ترین تکنیک‌های مورد استفاده برای پیاده‌سازی سیستم‌های هوش مصنوعی است.
ویشنو مادو، مهندس راه حل های نرم افزاری هوش مصنوعی
بیایید ما را در این هفته در Intel Innovation ببینید تا درباره کارهایی که در هوش مصنوعی، پایداری و سایر زمینه ها انجام می دهیم بیشتر بشنوید!
با تغییرات کوچک اما متمرکز در استقرار ML، ما معتقدیم که می توانیم به ایجاد تفاوت کمک کنیم. نگرانی های زیست محیطی و انرژی در زمان ما به بحران های اساسی تبدیل می شوند. کار در جهت محاسبات پایدار می تواند کمک کند. منابع جهان متناهی هستند و برای ماندگاری آنها به تغییراتی نیاز است. اینتل با شرکای خود می تواند به ارائه رهبری اکوسیستم کمک کند و به ایجاد تغییرات واقعی در این بحران کمک کند.
اطلاعیه ها و سلب مسئولیت:
همه اینها این واقعیت تلخ را نشان می دهد که ما در سیاره ای با منابع محدود زندگی می کنیم. صرفاً برای تداوم تمدن به زمان، پول، آب، غذا، انرژی و انبوهی از منابع دیگر نیاز دارد و به نظر می‌رسد این تقاضاها روز به روز در حال افزایش است. سرفصل‌های رسانه‌های اجتماعی نشان می‌دهند که تولیدکنندگان انرژی برای کاهش مصرف التماس می‌کنند در حالی که مصرف‌کنندگان انرژی به طور مداوم تقاضای خود را زیاد می‌کنند.
نتایج عملکرد بر اساس آزمایش در تاریخ‌های نشان‌داده‌شده در پیکربندی‌ها است و ممکن است همه به‌روزرسانی‌های در دسترس عموم را منعکس نکند. برای جزئیات پیکربندی به نسخه پشتیبان مراجعه کنید. هیچ محصول یا جزء نمی تواند کاملاً ایمن باشد
یک EEO ساده که می‌خواهیم آن را برجسته کنیم، تغییر کتابخانه‌های پیش‌فرض شما به کتابخانه‌هایی است که برای یادگیری ماشین بهینه شده‌اند. جعبه ابزار اینتل oneAPI AI Analytics کتابخانه های بهینه شده ای را برای نیازهای مختلف ماشینی یا یادگیری عمیق فراهم می کند. به طور مشابه، جعبه ابزار OpenVINO اینتل به بهینه سازی مدل های یادگیری عمیق و استقرار آنها در سخت افزار اینتل کمک می کند. استفاده از این ابزارها و کتابخانه ها، برنامه را پاسخگوتر می کند و در عین حال به کاهش نیازهای برق برای برآوردن SLA های از پیش تعریف شده کمک می کند.
ML دارای فازهایی با خطوط لوله است. خطوط لوله برای آموزش و استقرار یادگیری ماشینی هوش مصنوعی ایجاد شده اند. این خط لوله چند مرحله ای برای دستیابی به وظیفه مورد نظر تنظیم شده است، مانند هوش مصنوعی قادر به تشخیص درختان و زنبورها. اندازه‌گیری اینکه هوش مصنوعی چقدر می‌تواند آن وظایف را با موفقیت انجام دهد، اغلب «توافق‌نامه‌های سطح خدمات» (SLAs) نامیده می‌شوند، مانند «زمان برای آموزش» در خط لوله ML یا توان عملیاتی مدل در استقرار.
یکی دیگر از EEO های آسان شامل جایگزینی پردازنده های Xeon اینتل قدیمی با Xeon های جدیدتر است که دارای ویژگی هایی هستند که شتاب AI/ML را فراهم می کند، بنابراین راندمان محاسباتی را بهبود می بخشد.
برای مثال، می‌توانیم از مدلی با یک میلیارد پارامتر برای شناسایی گربه‌ها به جای سگ یا مدلی با تنها یک میلیون پارامتر برای همان کار استفاده کنیم. در حال حاضر، EEO ها به ندرت در طول انتخاب مدل در نظر گرفته می شوند، زیرا اکثر خطوط لوله ML تنها بهترین و آخرین مدل موجود را در نظر گرفته و به کار می گیرند.
ممکن است هزینه ها و نتایج شما متفاوت باشد
این به این دلیل است که ما معتقدیم تغییرات ساده و کوچکی مانند این می‌تواند به ترویج راه‌حل‌هایی کمک کند که منجر به برداشتن گام‌هایی برای کمک به حل بحران آب و هوایی فعلی که با آن مواجه هستیم، شود.
فراخوانی برای اقدام
ما EEO های بالقوه را در هر مرحله از خط لوله ML می بینیم.
فناوری‌های اینتل ممکن است به سخت‌افزار، نرم‌افزار یا سرویس فعال نیاز داشته باشند
