São Paulo — InkDesign News —
A pesquisa sobre machine learning destaca iniciativas voltadas para a miniaturização de modelos de inteligência artificial (AI), possibilitando a sua execução em dispositivos com recursos limitados, como sensores no ambiente da Internet das Coisas (IoT).
Contexto da pesquisa
Pesquisadores do projeto E-MINDS, composto por instituições como o COMET K1 Center Pro2Future e a Universidade de Graz, desenvolveram métodos para rodar modelos de AI localmente em dispositivos de baixo consumo energético. De acordo com os cientistas, isso representa um avanço significativo em áreas que necessitam de alta eficiência energética.
Método proposto
O projeto E-MINDS focou em modelos especializados, em vez de um modelo único para todas as funções. Por exemplo, foram criados modelos distintos que operam sob diferentes interferências, como obstáculos de metal ou a presença de pessoas. “Claro, esses pequenos dispositivos não executam grandes modelos de linguagem, mas sim modelos com tarefas muito específicas, como estimar distâncias”, afirma Michael Krisper, líder do projeto e cientista no Instituto de Informática Técnica da TU Graz.
“É preciso tornar esses modelos pequenos o suficiente primeiro. Isso requer alguns truques, e é precisamente esses truques que estamos desenvolvendo como parte do projeto.”
(“But you also have to get these models small enough first. This requires a few tricks and it is precisely these tricks that we have been working on as part of the project.”)— Michael Krisper, Líder do Projeto, Pro2Future
O sistema modular criado permite o uso de redes configuráveis de subespaço (SCNs), que se adaptam ao dados de entrada em vez de manter um modelo para cada variante possível. O resultado inclui um desempenho notável em tarefas de reconhecimento de imagem, com velocidades até 7.8 vezes superiores às obtidas com recursos externos.
Resultados e impacto
Resultados preliminares indicam que as técnicas de quantização e poda dos modelos reduziram o consumo de energia e tempo de computação. A quantização simplificou números ao usar inteiros, enquanto a poda removeu partes insignificantes dos modelos, mantendo sua eficácia nas tarefas principais. A aplicação dessas técnicas deve abrir portas para novas soluções em setores variados, como segurança automotiva e controle remoto em casas inteligentes.
“Com a nova expertise e novos métodos, lançamos as bases para produtos e aplicações futuras no projeto E-MINDS.”
(“With new expertise and new methods, we have laid a foundation for future products and applications in the E-MINDS project.”)— Michael Krisper, Líder do Projeto, Pro2Future
O impacto potencial vai além, com aplicações em localização de drones e automação industrial. Com a eficiente transferência de modelos de AI para dispositivos menores, as possibilidades para aplicações futuras parecem promissoras.
Fonte: (TechXplore – Machine Learning & AI)
