ٹیک انڈسٹری میں ، آپ شاید ہی کوئی بات چیت کر سکتے ہیں بغیر کسی کا اشارہ ، مصنوعی ذہانت (اے آئی) ، اور مشین لرننگ (ایم ایل) کا ذکر کیا۔ تاہم ، یہ نوٹ کرنا ضروری ہے کہ جب کہ یہ تمام شرائط باہم جڑے ہوئے ہیں ، وہ بھی نمایاں طور پر مختلف ہیں۔
اس مضمون میں ، ہم بنیادی اختلافات کی وضاحت کریں گے اور ٹینسر پروسیسنگ - پر مبنی ایج AI ٹکنالوجی کے استعمال کی اہمیت کو اجاگر کریں گے ، خاص طور پر ایج اور ایمبیڈڈ سسٹم میں۔ گرافکس پروسیسنگ یونٹوں (جی پی یو) پر مبنی حل کے مقابلے میں ، ٹینسر پروسیسنگ یونٹ (ٹی پی یو) زیادہ موثر اور لاگت - موثر کارکردگی پیش کرتے ہیں۔ ہم کچھ مثال کے طور پر استعمال کے معاملات بھی فراہم کریں گے جس میں یہ واضح کیا جائے گا کہ آپ کو مستقبل میں ایج AI حل کہاں سے سامنا کرنا پڑ سکتا ہے۔
ایم ایل اور تخمینہ کے بنیادی اصول
ایم ایل سے مراد ہے کہ نمائندوں کے اعداد و شمار کا استعمال کرتے ہوئے تربیت کے ماڈلز کا طریقہ کار بنایا جاسکے تاکہ مشینوں کو کام کرنے کا طریقہ سیکھنے کے قابل بنایا جاسکے۔ یہ عمل انتہائی کمپیوٹیشنل طور پر گہرا ہوسکتا ہے ، جس سے نئے تربیتی ڈیٹا پوائنٹ کے مطابق کھربوں آپریشن پیدا ہوتے ہیں۔ تربیت کے عمل کی تکراری نوعیت ، اعلی درستگی کے حصول کے لئے درکار بہت زیادہ تربیتی ڈیٹاسیٹس کے ساتھ مل کر ، انتہائی اعلی - کارکردگی فلوٹنگ - پوائنٹ پروسیسنگ کی طلب کو آگے بڑھاتی ہے۔ ایم ایل ٹریننگ کو ڈیٹا سینٹر کے انفراسٹرکچر کے طور پر بہترین طور پر نافذ کیا جاتا ہے ، جہاں متعدد صارفین میں ان کو کم کرکے اعلی سرمایہ اور آپریشنل اخراجات کا جواز پیش کیا جاسکتا ہے۔
تشخیص میں نمائندہ اعداد و شمار سے متعلق نئے ڈیٹا کے لئے ممکنہ میچ تیار کرنے کے لئے تربیت یافتہ ماڈلز کا استعمال شامل ہے جس پر ماڈل کو تربیت دی گئی تھی۔ تخمینہ کا مقصد ملی سیکنڈ کے اندر تیزی سے جوابات فراہم کرنا ہے۔ تشخیص کی مثالوں میں تقریر کی پہچان ، حقیقی - وقت کی زبان کا ترجمہ ، مشین وژن ، اور اشتہاری اندراج کی اصلاح کے فیصلے شامل ہیں۔ اگرچہ تربیت کے ل needed ضروری پروسیسنگ پاور کا صرف ایک حصہ درکار ہوتا ہے ، لیکن یہ اب بھی اس سے کہیں زیادہ ہے کہ روایتی سنٹرل پروسیسنگ یونٹ (سی پی یو) - پر مبنی سسٹم فراہم کرسکتے ہیں ، خاص طور پر کمپیوٹر ویژن ایپلی کیشنز کے لئے۔ یہی وجہ ہے کہ بہت ساری کمپنیاں ٹینسر - پر مبنی ایکسلریشن حل - کی طرف رجوع کررہی ہیں چاہے وہ ایس او سی ایس پر آئی پی کے طور پر ہوں یا جیسا کہ - سسٹم ایکسلریٹرز {{9} in میں سب - دوسرے کے کنارے پر مطلوبہ دوسرا جوابی اوقات حاصل کرنے کے لئے۔ حقیقت یہ ہے کہ وژن سسٹم میں ایک منٹ یا چند سیکنڈ کی پروسیسنگ امیجز بھی خرچ کرنا زیادہ کارآمد نہیں ہے۔ صنعتی وژن سسٹم ملی سیکنڈ - سطح کی پروسیسنگ کی رفتار کے خواہاں ہیں۔
تربیت اور تشخیص کو الگ کرنا
کام کے بوجھ کو سنبھالنے کے لئے تربیت کے لئے استعمال ہونے والے ایک ہی ہارڈ ویئر کی تعیناتی کے نتیجے میں ایکسلریٹرز اور سی پی یو ہارڈ ویئر کے ساتھ {{0} over سے زیادہ کی فراہمی کی مشینیں ہوسکتی ہیں۔ گذشتہ ایک دہائی کے دوران ایم ایل کے لئے تیار کردہ جی پی یو حل ضروری نہیں کہ بڑے - ایم ایل انفرنس ٹیکنالوجیز کی پیمانے کی تعیناتی کے لئے زیادہ سے زیادہ انتخاب ہو۔ نیچے دیئے گئے آریھ میں ٹی پی یو ایکسلریٹرز اور جی پی یو ایکسلریٹرز کے مابین موازنہ کی بالکل واضح طور پر وضاحت کی گئی ہے۔ یہ واضح طور پر ظاہر کرتا ہے کہ ٹی پی یو ایکسلریٹر جی پی یو - پر مبنی اے جی ایکس حل کے مقابلے میں کم بجلی کی کھپت ، کم اخراجات اور اعلی کارکردگی فراہم کرتے ہیں ، جبکہ اب بھی انفرنس ایپلی کیشنز کے لئے مجبور کارکردگی کی سطح فراہم کرتے ہیں۔
ایم ایل ٹریننگ اور تشخیصی حل کے قریب جانے کے وقت ایک اور اہم غور سافٹ ویئر کا ماحول ہے۔ آج ، متعدد مقبول لائبریریاں استعمال میں ہیں ، جیسے NVIDIA GPUs کے لئے CUDA ، ML فریم ورک جیسے ٹینسرفلو اور پائٹورچ ، آپٹائزڈ کراس - پلیٹ فارم ماڈل لائبریری جیسے کیراس ، اور بہت کچھ۔ یہ ٹول کٹس ایم ایل ماڈلز کی تیاری اور تربیت کے ل essential ضروری ہیں ، لیکن انفرنس ایپلی کیشنز کو سافٹ ویئر ٹولز کا ایک مختلف ، چھوٹا سا سیٹ کی ضرورت ہوتی ہے۔
انفرنس ٹول کٹس ہدف پلیٹ فارم پر ماڈل چلانے پر فوکس کرتی ہیں۔ وہ پلیٹ فارم پر تربیت یافتہ ماڈلز کو پورٹنگ کی حمایت کرتے ہیں ، جس میں آپریٹر کی کچھ تبدیلی ، کوانٹائزیشن ، اور میزبان انضمام کی خدمات شامل ہوسکتی ہیں۔ تاہم ، یہ ماڈل کی نشوونما اور تربیت کے ل required ضروری افراد کے مقابلے میں نسبتا straight سیدھے سادے سیٹ کی نمائندگی کرتا ہے۔
ماڈل کی معیاری نمائندگی کے ساتھ شروع کرنے سے انفرنس ٹولز فائدہ اٹھاتے ہیں۔ اوپن نیورل نیٹ ورک ایکسچینج (او این این ایکس) ایم ایل ماڈل کی نمائندگی کرنے کے لئے معیاری شکل ہے۔ جیسا کہ نام سے ظاہر ہوتا ہے ، یہ ایک کھلا معیار ہے جو لینکس فاؤنڈیشن پروجیکٹ کے طور پر منظم ہے۔ او این این ایکس جیسی ٹیکنالوجیز تربیت اور انفرنس سسٹم کی ڈوپلنگ کو قابل بناتی ہیں ، اور ڈویلپرز کو ہر ایک کے لئے مختلف بہتر پلیٹ فارمز کا انتخاب کرنے کی آزادی فراہم کرتی ہیں۔
مثال کے طور پر بصری ایپلی کیشنز
چونکہ ایم ایل اور انفرنس پروسیسر ٹیکنالوجیز آگے بڑھتی اور تیار ہوتی رہتی ہیں ، درخواستیں پھیل رہی ہیں۔ ذیل میں صرف چند جگہیں ہیں جن کا آپ مستقبل میں اس ٹکنالوجی کا سامنا کرسکتے ہیں۔
انٹرپرائزز جیسے فیکٹریوں ، اسپتالوں ، خوردہ اسٹورز اور مالیاتی اداروں میں ایج سرور۔ مثال کے طور پر ، صنعتی ترتیبات میں ، AI انوینٹری مینجمنٹ ، عیب کا پتہ لگانے ، اور یہاں تک کہ مسائل پیدا ہونے سے پہلے ہی پیش گوئی کرنے والی دیکھ بھال میں مدد کرسکتا ہے۔ خوردہ فروشی میں ، یہ انسانی کرنسی کا پتہ لگانے اور ان کا تجزیہ کرنے کے لئے کمپیوٹر وژن کا استعمال کرتے ہوئے پوز تخمینہ جیسی خصوصیات کو قابل بناتا ہے۔ اس تجزیہ کے اعداد و شمار سے اینٹ - اور - مارٹر خوردہ فروشوں کو اپنے اسٹورز کے اندر انسانی طرز عمل اور پیروں کی ٹریفک کو بہتر طور پر سمجھنے میں مدد ملتی ہے ، جس کی وجہ سے وہ زیادہ سے زیادہ فروخت اور صارفین کی اطمینان کے ل store اسٹور کی ترتیب کو بہتر بناسکتے ہیں۔
روبوٹکس ، صنعتی آٹومیشن/معائنہ ، میڈیکل امیجنگ ، سائنسی امیجنگ ، نگرانی اور آبجیکٹ کی پہچان والے کیمرے ، اور فوٹوونکس سمیت ایپلی کیشنز کے لئے اعلی -} صحت سے متعلق/اعلی- کوالٹی امیجنگ۔ مثال کے طور پر ، مشین لرننگ کے طریقوں نے ڈیجیٹل X -} کرنوں پر کارروائی کرکے کینسر کا پتہ لگانے کی صلاحیت کا مظاہرہ کیا ہے۔ اس عمل میں ایک ایم ایل ماڈل تیار کرنا شامل ہے جو x - رے امیجز پر کارروائی کے لئے ڈیزائن کیا گیا ہے ، عام طور پر کینسر کے گھاووں کی نشاندہی کرنے کے لئے تربیت یافتہ سیمنٹک سیگمنٹیشن الگورتھم کا استعمال کرتے ہیں۔ تربیت کے دوران ، ریڈیولوجسٹوں کے ذریعہ شناخت کی جانے والی کینسر کی تصاویر کا استعمال نیٹ ورک کو یہ سکھانے کے لئے کیا جاتا ہے کہ کینسر نہیں ہے ، کیا کینسر ہے ، اور کینسر کی مختلف اقسام کس طرح ظاہر ہوتی ہیں۔ ایم ایل ماڈل کو جتنا زیادہ تربیت دی جاتی ہے ، یہ صحیح تشخیص کو زیادہ سے زیادہ کرنے اور غلط تشخیص کو کم سے کم کرنے میں اتنا ہی بہتر ہوتا جاتا ہے۔ اس کا مطلب ہے کہ مشین لرننگ نہ صرف ذہین ماڈل ڈیزائن پر انحصار کرتی ہے بلکہ یکساں طور پر وسیع مقدار میں (لاکھوں افراد سے دسیوں) پر احتیاط سے تیار کردہ اعداد و شمار کی مثالوں پر جہاں کینسر کی مہارت سے شناخت کی گئی ہے۔
اسمارٹ شاپنگ کارٹس - متعدد کمپنیاں ذہین شاپنگ سسٹم تیار اور تعینات کررہی ہیں جو مصنوعات کو ان کے یو پی سی بارکوڈس کے ذریعہ نہیں بلکہ پیکیجنگ کی بصری شکل کے ذریعہ پہچان رہی ہیں۔ یہ خصوصیت خریداروں کو یوپی سی کوڈ کو تلاش کرنے اور اسے یو پی سی لیزر اسکینر کے ساتھ اسکین کرنے کی ضرورت کے بغیر سامان کو کارٹ میں یا چیک آؤٹ سسٹم میں آسانی سے رکھنے کی اجازت دیتی ہے۔ یہ ٹیکنالوجی خریداری کے عمل کو زیادہ درست ، تیز ، اور زیادہ آسان بنا دیتی ہے۔
صحیح فیصلہ کرنا
کمپنیوں کو آج تمام دستیاب حلوں کا اندازہ کرنا چاہئے اور اپنے مخصوص استعمال کے معاملے کی بنیاد پر زیادہ سے زیادہ منتخب کریں۔ وہ یہ بھی نہیں مان سکتے کہ تمام اے آئی حل جی پی یو ڈیوائسز پر بہترین طور پر نافذ کیے جاتے ہیں ، کیونکہ ٹی پی یو - پر مبنی حل اعلی پروسیسنگ کی کارکردگی اور کم سلکان استعمال کی پیش کش کرتے ہیں ، جس سے بجلی کی کھپت اور اخراجات کو کم کیا جاسکتا ہے۔