Искусственный интеллект считается одной из самых революционных технологий современности, которые проникают во все сферы жизни — от здравоохранения до промышленности и бытовой техники. Однако у ИИ есть одно существенное ограничение — его высокие требования к вычислительным ресурсам и энергии, что сказывается на возможности использования в маломощных устройствах, особенно в сегменте Интернета вещей (IoT). Несмотря на это, группа исследователей из Технического университета Граца (TU Graz), совместно с COMET K1 центром Pro2Future и Университетом Санкт-Галлена, разработала инновационные методы, которые позволяют воплощать ИИ даже на устройствах с минимальной памятью, всего в несколько килобайт, и ограниченными вычислительными возможностями. Интеллект на сверхмалых платформах открывает новые возможности для множества отраслей. В рамках проекта E-MINDS команда ученых смогла провести локализацию и корректировку позиционирования на устройствах с 4 килобайтами памяти.
Это чрезвычайно важный прорыв, поскольку до этого многие модели искусственного интеллекта требовали скачивания и обработки данных на удаленных серверах или мощных локальных компьютерах, что затрудняло применение ИИ в небольших и энергонезависимых устройствах. Теперь же задачи, такие как вычисление источников помех ультраширокополосного (UWB) сигнала для точной локализации дронов, роботов или складских автоматов, могут решаться непосредственно на устройстве. Секрет такого успеха кроется в комплексном подходе к оптимизации моделей машинного обучения. Исследователи использовали ряд специальных приёмов для уменьшения размера моделей при сохранении приемлемого уровня точности. Разделение моделей и их оркестрация — это основа, которая позволяет обойтись не одной универсальной моделью, а несколькими локальными, каждый из которых отвечает за обработку определенного типа помех.
Например, одна модель анализирует влияние металлических конструкций, другая — присутствие людей, третья — особенности окружающих полок. Загружается и активируется необходимая модель за доли секунды, что критично для промышленного применения. Другой ключевой метод — это использование настраиваемых сетей, так называемых субпространственных конфигурируемых сетей (SCN). Они отличаются умением адаптироваться к входным данным без необходимости создавать отдельные модели для каждой новой вариации. В тестах на распознавание объектов и классификацию изображений на IoT-устройствах такие сети продемонстрировали не только превосходную производительность, но и скорость работы в 7.
8 раз выше по сравнению с использованием удаленных ресурсов. При этом энергозатраты и объем используемой памяти существенно сократились, что очень важно для мобильных и автономных гаджетов. Оптимизация моделей ИИ также была достигнута с помощью техник свёртки, квантизации и обрезки. Свёртка позволяет преобразовать структуру модели так, чтобы уменьшить объем нужных вычислений без значительной потери точности. Квантизация — это замена привычных «плавающих» чисел на более простые целочисленные значения, что положительно влияет на скорость обработки и энергопотребление.
Обрезка предполагает удаление из модели несущественных частей, что снижает ее размер и улучшает работу на слабых процессорах при сохранении эффективности. Такой подход к созданию компактных и эффективных моделей ИИ имеет огромный потенциал для множества приложений. Помимо промышленной автоматизации и точной локализации на складах, технологии из проекта E-MINDS можно использовать для повышения безопасности современных бесключевых систем открытия автомобилей. ИИ модели смогут определять не только наличие сигнала, но и его достоверное присутствие рядом с машиной, снижая риск угона с помощью радиокопирования. В сфере умного дома удаленные пульты и сенсоры смогут работать дольше без подзарядки благодаря сниженной нагрузке на аккумулятор.
В библиотеках, оснащенных такими устройствами, можно будет автоматически отслеживать местонахождение книг и предотвращать их утерю. Вклад каждой организации в разработку проекта E-MINDS был критически важен. Pro2Future сфокусировался на внедрении и аппаратной реализации систем, исследователи Технического университета Граца занимались созданием и оптимизацией моделей машинного обучения с учетом ограничений маломощных устройств, а специалисты из Университета Санкт-Галлена внесли вклад в исследование принципов локализации. Такая междисциплинарная работа позволила добиться значительных результатов, которые служат фундаментом для новых продуктов и инновационных решений в индустрии. Перспективы развития искусственного интеллекта на миниатюрных устройствах особенно актуальны в эпоху стремительного роста Интернета вещей, когда количество подключенных к сети мелких гаджетов и сенсоров постоянно увеличивается.
Возможность выполнять вычисления локально, без необходимости подключения к облачным сервисам, существенно повышает безопасность, быстрое реагирование и автономность таких устройств. Само понятие энергоэффективного и компактного искусственного интеллекта разрушает прежние ограничения рынка и открывает двери для массового внедрения ИИ в бытовую электронику, промышленную автоматизацию, медицинское оборудование и транспорт. Это делает технологии более демократичными и доступными, снижая эксплуатационные расходы и усиливая надежность систем. С учетом нарастающей важности данных технологий, дальнейшие исследования в области оптимизации моделей, уменьшения размеров и повышения точности ИИ для маломощных устройств, а также создание новых архитектур и алгоритмов, представляют собой приоритетные направления. В будущем аппараты с интегрированным искусственным интеллектом станут неотъемлемой частью нашей повседневной жизни, обеспечивая более умное, экологичное и функциональное взаимодействие с окружающей средой.
Таким образом, технология миниатюрного искусственного интеллекта представляет собой срез высокотехнологичных инноваций, готовых к масштабному применению. Разработанные учеными из TU Graz и партнеров методы открывают путь для новых продуктов, значительно расширяя возможности устройств с ограниченными ресурсами. Уже сегодня эти решения позволяют эффективно и быстро обрабатывать данные на месте, что существенно повышает качество и надёжность работы IoT-систем и других умных устройств. И, несомненно, подобные достижения станут драйвером технологического прогресса в ближайшие годы, меняя наше представление о возможностях искусственного интеллекта и его роли в повседневной жизни.
