گوگل با همکاری Movidius‌ یادگیری ماشینی را به گوشی‌ها می آورد

یکی از مهم‌ترین دلایلی که ابزارهای امروزی هوشمندتر شده‌اند و خوشبختانه به شکل بسیار مفیدی به ما کمک می‌کنند، مبحث یادگیری ماشینی است. با ساخت مدل‌های پیچیده‌ای از داده‌ها سپس آموزش این مدل‌ها کارهای پیچیده  و متنوعی نظیر تشخیص چهره، ترجمه زبان‌ها و رانندگی خودکار حالا به سادگی انجام می پذیرند. علاوه بر نیاز به قدرت محاسباتی بالا برای یادگیری چنین سیستم‌هایی، میزان مصرف انرژی این سیستم‌ها هم بسیار بالا است.  این امر سبب شده تا در بسیاری از موارد این سیستم‌ها به دستگاه‌هایی که جریان الکتریسیته متصل هستند وابسته باشند (مثل کینکت) یا به باتری‌های حجیم مثل مواردی که در خودروها می‌بینیم، نیاز داشته باشند. 

برای ابزارهای قابل حمل این سیستم‌ها همیشه نیازمند اتصال به سیستم‌های ابری هستند تا داده‌های خام به سرویس ابری فرستاه شوند، در دیتا سنترها تحلیل شوند و نتایج مجدد به ابزار قابل حمل ما بازگردد. 

گوگل در تلاش است تا این شیوه را از طریق پروژه تانگو تغییر دهد تا ابزار قابل حمل هم بتواند به طور آنی نقشه نگاری‌ها و پردازش‌های لازم را حتی در مواقعی که باتری کمی دارد، انجام دهد. گوگل برای انجام این کار دست روی نوع جدیدی از  پردازنده‌ها یعنی واحد پردازش ویدیویی (VPU) با نام Myraid 1 گذاشته است که توسط استارت‌اپ Movidius تولید می‌شود. 

با انتقال پردازش‌های سنگین مرتبط با مفاهیم بصری به یک پردازشگر مجزا که برای این کار توسعه داده شده است، Myraid موفق شده تا عملکرد ابزار تانگو را ارتقا دهد و میزان مصرف انرژی آن را نیز کاهش دهد. Movidius ‌مدعی است که با استفاده از این چیپ پردازشی تا ۸۰ درصد در میزان فضای اشغال شده و هزینه‌ها نسبت به فناوری‌های رقیب صرفه جویی می‌شود. 

حالا گوگل روابط خود با Movidus ‌را گسترش داده و اعلام کرده است که در نظر دارد تا جدیدترین و قدرتمندترین VPU‌ این شرکت یعنی Myraid M2450 را مورد استفاده قرار دهد تا هوش بیشتری را به طیف وسیعی از ابزارهای قابل حمل بیاورد. 

گوگل از فضای توسعه نرم‌افزار Movidius استفاده خواهد کرد تا موتور محاسبات عصبی پیشرفته خود را به این چیپ وارد کند به این ترتیب طیف وسیعی از الگوریتم‌های مبتنی بر یادگیری عمیق در یک لحظه اجرا خواهند شد. 

قابلیت اجرای کارهای مبتنی بر یادگیری عمیق در خود ابزار، وابستگی به سرویس‌های ابری را کاهش می‌دهد به این ترتیب مسائل مربوط به تاخیر در پردازش و حریم شخصی نیز بهتر رعایت می‌شود. 

برای مثال گوشی شما قادر خواهد بود تا دوستان شما را در یک عکس شناسایی کند بدون این که نیاز باشد شما عکس را در فضای ابری آپلود کنید. رمی ال اوزان- مدیر عامل Movidius ‌در این باره می‌گوید:

چالش اصلی در قرار دادن این فناوری در  محصولاتی که همه مردم استفاده می‌کنند نیاز به بهینگی مصرف انرژی فوق‌العاده دارد و این همان جایی است که ترکیب مناسب معماری سخت‌افزاری و محاسبات عصبی به میان می‌آید. 

متاسفانه هنوز جزییات جدیدی از محصولات گوگل که قرار است از این چیپ استفاده کنند منتشر نشده است ولی با توجه به اهمیت بحث یادگیری ماشینی حتما به زودی موارد بیشتری در این رابطه خواهیم شنید.