في عالم الذكاء الاصطناعي وتكنولوجيا التصوير، يعد تقليل تكاليف نقل البيانات خطوة أساسية، وخاصة عندما يتعلق الأمر بمعالجة الصور عالية الدقة. هنا يأتي دور OASIS، الإطار المبتكر المتخصص في رؤية الحساسات الموزعة، الذي يسعى لتحسين طريقة نقل البيانات والتقليل من التكلفة من خلال معالجة أولية قرب الحساس.

إن OASIS تعتمد على استخدام "المشفّر الخفيف الوزن" (Lightweight Encoder)، والذي يقوم بإنشاء تمثيلات مدمجة ومرتبطه بالمهام قبل نقل البيانات خارج الحساس. وتتمثل الاستراتيجية في تدريب المشفّر بطريقة شاملة مع أهداف تتعلق بالمهمة وتجميع البيانات وإعادة البناء. بينما يتم استخدام "المفكك" (Decoder) فقط خلال مرحلة التدريب.

توجه OASIS نحو مسارين تكامليين في النشر: الأول يقوم بتطبيق ترميز 4 بت (4-bit Quantization) وتقنية تحويل هافمان (Huffman Coding)، مع الحفاظ على الهيكل المكاني المطلوب لمهام التصنيف والتنبؤ الكثيف. أما المسار الثاني، فيستخدم تقنية الحوسبة عالية الأبعاد المعتمدة على Sobol (Sobol-based Hyperdimensional Computing)، لتحويل تمثيلات المشفّر إلى متجهات ثنائية ذات أبعاد ثابتة تُستخدم للتصنيف.

عندما تم استخدام نموذج VWW المعتمد على SwinViT، أظهر التحويل من تمثيل $3 imes3 imes8$ إلى متجه ثنائي الأبعاد ذو 64 بعدًا تقليلاً بنسبة 1.77 مرة في نقل البيانات مقارنةً بالتكوين الـ128 بعد، مما أدى إلى تقليص عام يبلغ 18,816 مرة مقارنةً بنقل الصورة ذو الـ8 بت.

بفضل OASIS، يتم تنفيذ خط الأنابيب الرقمي بالقرب من الحساسات على منصة AMD Xilinx Zynq UltraScale+ FPGA، حيث تُجرى قياسات القوة المباشرة وتحليل ما بعد التنفيذ باستخدام Vivado، جنبًا إلى جنب مع نماذج CIS المحاكية لدائرة والإسقاط بشكل ASIC بدقة 7 نانومتر.

بعد دراسة تنفيذ OASIS في مجالات تصنيف الكلمات الذكية، تتبع اليد، وتتبع العين، تبين أن النظام الكامل يحقق تقليلا في الطاقة بمعدل يتراوح بين 2 إلى 4.5 مرات مع الحفاظ على دقة تنافسية، مما يثبت إمكانية تصميم متكامل בין الجزء المادي والخوارزميات لتحقيق رؤية حساسات فعالة في نقل البيانات.