Самообучающийся ИИ для обработки данных в реальном времени

Исследователи из Института научных и промышленных исследований Университета Осаки (SANKEN) разработали инновационную технологию периферийного ИИ с функцией самообучения. Эта разработка позволяет выполнять обучение и прогнозирование в реальном времени непосредственно на компактных устройствах. Технология, получившая название MicroAdapt, демонстрирует беспрецедентную скорость и точность, обрабатывая данные до 100 000 раз быстрее и достигая на 60% более высокой точности по сравнению с современными методами глубокого обучения.

Это достижение является значительным шагом к созданию приложений ИИ нового поколения для обрабатывающей промышленности, автомобильной сферы и носимых медицинских устройств, преодолевая ограничения существующих облачных решений.

Существует растущий спрос на высокоскоростную обработку данных с помощью ИИ в компактных, ресурсоограниченных устройствах, таких как встраиваемые системы в производстве, автомобильные IoT-решения и имплантируемые/носимые медицинские приборы. Ранее периферийный ИИ обычно предполагал предварительное обучение сложных моделей на больших объемах данных в облачных средах. Эти статичные, фиксированные модели затем развертывались на периферийных устройствах исключительно для выполнения выводов (предсказаний), но не для обучения. Такой подход, хоть и повышал точность с увеличением объема данных, требовал огромных вычислительных ресурсов, времени и энергии, что делало его непригодным для обработки данных в реальном времени или быстрого обновления моделей непосредственно на малых устройствах.

Более того, эти облачно-зависимые методы сталкивались с постоянными проблемами, связанными с затратами на связь, конфиденциальностью и безопасностью данных. Глобально признанной технологии для обучения в реальном времени в компактных периферийных средах до сих пор не существовало.

Исследовательская группа профессора Ясуко Мацубары разработала MicroAdapt – самый быстрый и точный в мире периферийный ИИ, способный к обучению и прогнозированию в реальном времени на малых устройствах. В отличие от традиционного ИИ, который обучает сложные, единые модели на больших данных в облаке, MicroAdapt работает иначе.

Во-первых, он разлагает входящие, изменяющиеся во времени потоки данных на отличительные паттерны непосредственно на периферийном устройстве. Во-вторых, он интегрирует множество легковесных моделей для коллективного представления этих данных. В-третьих, по аналогии с адаптацией микроорганизмов, система автономно и непрерывно итерирует процессы самообучения, адаптации к окружающей среде и эволюции.

Система идентифицирует новые паттерны, обновляет свои простые модели и отбрасывает ненужные, что обеспечивает обучение моделей и прогнозирование будущих событий в реальном времени. Результаты исследования опубликованы в материалах 31-й конференции ACM SIGKDD по открытию и анализу данных (Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2).

Этот передовой метод продемонстрировал превосходную точность прогнозирования и вычислительную скорость, достигнув до 100 000 раз более быстрой обработки и на 60% более высокой точности по сравнению с современными методами прогнозирования на основе глубокого обучения.

Команда успешно реализовала этот самообучающийся механизм периферийного обучения на Raspberry Pi 4. Реализация подтвердила практичность технологии, потребовав менее 1,95 ГБ памяти и потребляя менее 1,69 Вт мощности, при этом работая на легковесной ЦП без мощных графических процессоров.

«Наш высокоскоростной, ультралегкий периферийный ИИ для малых устройств открывает возможности для разнообразных приложений в реальном времени. Мы продвигаем их практическое применение совместно с отраслевыми партнерами в сферах производства, мобильности и здравоохранения для широкого промышленного воздействия», – комментируют исследователи.