في عالم الذكاء الاصطناعي، تظل مهمة تمكين استدلال الشبكات العصبية العميقة (DNN) على الأجهزة الطرفية ذات القيود المختلفة من أكبر التحديات. يتطلب ذلك عادةً تصميم معمارية DNN متخصصة لكل جهاز على حدة، مما يستهلك الكثير من الوقت والجهود. ولكن مع طرح تقنية PrototypeNAS، يتغير سيناريو التصميم بالكامل.

تعتبر PrototypeNAS وسيلة مبتكرة تعتمد على أسلوب البحث عن المعمارية العصبية (Neural Architecture Search - NAS) لكنها تتجاوز الطرق التقليدية التي تتطلب تدريب العديد من الشبكات العصبية من الصفر. تلك الطرق عادة ما تكون مكلفة من الناحية الزمنية والمادية، ولا تأخذ بعين الاعتبار القيود المتاحة للأنظمة المستهدفة.

يتمثل الحل الذي اقترحناه في PrototypeNAS في طريقة بحث لا تتطلب الكثير من الموارد. إنها تعتمد على ثلاث خطوات رئيسية:
1. **توسيع مساحة البحث**: حيث نقوم بقطع نماذج DNN أصغر من معماريات كبيرة واحدة، مع دمج تحسين الهيكل لعدة أنواع من المعماريات، بالإضافة إلى تحسين تكوينات التقليم (Pruning) والتكميم (Quantization).
2. **استخدام مجموعة من الوكلاء**: بدلاً من الاعتماد على وكيل واحد، نقوم باستكشاف استخدام مجموعة من الوكلاء الصفرية لمدة أسرع وأفضل.
3. **اختيار مجموعة Hypervolume**: تتيح لنا هذه التقنية تنقية معماريات DNN من قائمة باريتو (Pareto front) التي تمثل التوازن المثالي بين الدقة وعدد العمليات الحسابية.

لقد قمنا بتقييم فعالية PrototypeNAS على اثني عشر مجموعة بيانات مختلفة في ثلاثة مجالات: تصنيف الصور، تصنيف السلاسل الزمنية، واكتشاف الأجسام. النتائج كانت مذهلة، حيث تمكنت PrototypeNAS من تحديد نماذج DNN في دقائق معدودة بحجم يكفي ليتم نشره على المتحكمات الدقيقة المتاحة تجاريًا، مع تحقيق دقة مماثلة لأداء نماذج DNN الكبيرة.

إن الذكاء الاصطناعي يتطور بسرعة، وأصبح PrototypeNAS علامة على التحول في كيفية تصميم الأنظمة الذكية لمستقبل أفضل. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.