پردازش محلی داده‌های حسگرها

محققان مؤسسه مدارهای مجتمع فرانهوفر آلمان در تلاشند، شبکه‌های یادگیری ماشینی طراحی کنند که هر آنچه را هوش مصنوعی نیاز دارد، در محل فراهم کند، بدون این‌که به تبادل داده با ابر نیاز باشد. این محققان معتقدند، دستیابی به چنین هدفی کاربردهای جدید زیادی خواهد داشت؛ از جمله ارزیابی بی‌درنگ داده‌هایی که حسگرها در اختیار ما قرار می‌دهند. به این ترتیب از تأخیر ناشی از ارسال داده‌های غیرضروری خبری نخواهد بود و سرعت پردازش داده‌ها افزایش خواهد یافت. علاوه بر این، با فراهم شدن امکان پردازش محلی روی تراشه و قابلیت خودآموزی سامانه یا حسگرها، دستگاه‌ها می‌توانند خودشان را تنظیم کنند. حتی چنین سامانه‌هایی را می‌توان برای انجام وظایف مختلف دوباره پیکربندی کرد و به سامانه‌ نهفته‌ای‌ (Embedded) دست یافت که قادر به انجام وظایف متنوعی است. بخش زیادی از داده‌هایی که در بستر اینترنت اشیا از طریق شبکه ارسال می‌شود، زائد بوده و منابع را هدر می‌دهد. به‌عنوان مثال، یک حسگر دما عمل خواندن داده‌ها را هر ۱۰ دقیقه یک‌بار انجام می‌دهد. در نتیجه حتی زمانی‌که دمای محیط تغییری نکرده باشد داده تولید و ارسال می‌شود. در حالی‌که ما فقط می‌خواهیم بدانیم چه زمانی دما تغییر کرده و آیا این تغییر دما از حد تنظیمی فراتر رفته است یا خیر؟ طراحی پیشنهادی توسط محققان آلمانی برای استفاده در حسگرهای پایش وضعیت یا حسگرهای پیشگو (Predictive Sensors) کاربردی است که در آینده و با گسترش اینترنت اشیا صنعتی (IIoT) رواج بیشتری خواهند یافت. این سامانه نهفته هوشمند موسوم به AifES مبتنی بر معماری RISC-V وبه یک شتاب‌دهنده سخت‌افزاری ویژه مجهز است. ویژگی مهم چنین سامانه‌ای این است که فرآیند یادگیری به‌جای این‌که به ابر متکی باشد یا روی کامپیوتر اجرا شود، روی تراشه انجام می‌شود و به اتصال اینترنتی نیازی نبوده و فقط برای ارسال نتایج تجزیه و تحلیل به اینترنت نیاز است و محققان آلمانی از آن با اصطلاح هوش مصنوعی غیرمتمرکز (Decentralized AI) یاد می‌کنند. زیرا هدف آن پردازش کلان‌داده نیست. حتی می‌توان پا را فراتر گذاشت و این شبکه حسگرها را به قابلیت همکاری گروهی (Swarming) مجهز کرد. به این ترتیب که حسگرها با یکدیگر گفت‌وگو و تبادل اطلاعات کنند و مستقل از یک شبکه مرکزی مدیریت اطلاعات، کار کنند. محققان معتقدند، این امکان وجود دارد که بتوان شبکه‌ای از سامانه‌های کوچک و تطبیق‌پذیر ساخت که وظایف را بین خودشان تقسیم می‌کنند. ویژگی دیگر سامانه‌های مبتنی بر این شبکه‌های عصبی غیرمتمرکز و محلی این است که نسبت به استفاده از ابر ایمن‌تر هستند. زیرا داده‌ها در محل پردازش می‌شوند، نه در ابر.