تشهد بيئات الحوسبة الطرفية (Edge Computing) تحديات كبيرة نتيجة القيود المتعلقة باستهلاك الطاقة والزمن. يعد تنفيذ الشبكات العصبية العميقة (Deep Neural Networks) في هذه الأطر أمرًا معقدًا، مما يجعل الحاجة إلى استراتيجيات ذكاء اصطناعي ذكية وقابلة للتكيف ضرورة ملحة.

في هذا المقال، نستعرض التطورات الجديدة المستندة إلى الشبكات العصبية التكيفية (Adaptive Deep Neural Networks - ADNNs) والتي تعتمد على إطار عمل Multi-Armed Bandit (MAB). تستند الأبحاث الحالية إلى النسخة الأولى من استراتيجية Upper Confidence Bound (UCB1) لاختيار عتبة الثقة المثلى، مما يتيح عمليات خروج مبكر فعالة دون إظهار تراجع في الدقة.

ومع ذلك، نحن نقدم أربعة استراتيجيات إضافية من Upper Confidence Bound، وهي UCB-V، UCB-Tuned، UCB-Bayes، وUCB-BwK. تعتبر هذه الدراسة مقارنة شاملة بين هذه الاستراتيجيات فيما يتعلق بالتوازن بين الدقة، استهلاك الطاقة، والزمن.

تم تطبيق الاستراتيجيات المقترحة على الشبكات العصبية ResNet وMobileViT، وتم تقييمها باستخدام مجموعات بيانات مرجعية مثل CIFAR-10، CIFAR-10.1، وCIFAR-100. تشير النتائج التجريبية إلى أن جميع الاستراتيجيات تحقق ندماً تراكميًا تحت خطي، حيث سجلت UCB-Bayes الأسرع في التقارب، تليها UCB-Tuned وUCB-V.

أخيرًا، تمكنت UCB-V وUCB-Tuned من الهيمنة على حدود بارثو (Pareto Frontiers) للتوازن بين الدقة والزمن والدقة والطاقة، مما يجعلها خيارات جذابة في تطوير الشبكات العصبية القابلة للتكيف.

ماذا تعتقد حول هذه التطورات في الذكاء الاصطناعي؟ شارك برأيك في التعليقات.