ویشنو مادو، مهندس راه حل های نرم افزاری هوش مصنوعی
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.
فناوری‌های اینتل ممکن است به سخت‌افزار، نرم‌افزار یا سرویس فعال نیاز داشته باشند
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.
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!
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.
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.
فن آوری
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
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 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.
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.
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.
فراخوانی برای اقدام
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
ممکن است هزینه ها و نتایج شما متفاوت باشد
ما EEO های بالقوه را در هر مرحله از خط لوله ML می بینیم.
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.
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.
اطلاعیه ها و سلب مسئولیت:
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
تغییرات کوچک می تواند تاثیر زیادی داشته باشد.
