التطبيقات الذكية ستكون هي الجيل التالي من تطبيقات الهاتف المحمول نتيجة تصادم عوالم متعددة:
عندما يلتقي تطوير التطبيقات مع الذكاء الاصطناعي ، و إنترنت الأشياء و تحليلات البيانات الضخمة ، بالتأكيد ستكون التطبيقات الذكية هي النتيجة.
ببساطة ، هذه هي التطبيقات التي تتعلم باستمرار من تفاعلات المستخدم و مصادر البيانات الأخرى لتصبح أكثر صلة و فائدة.
و بالنسبة لك، هل سئمت من استنزاف سيري Siri أو مساعد غوغل Google Assistant لبطارية هاتفك؟
أرجو أن تستمر في القراءة لتستكشف أكثر حول الموضوع.
يبشر نموذج الكمبيوتر الجديد لـ الذكاء الاصطناعي بجامعة ساسكاتشوان (USask) بجعل التطبيقات "الذكية" مثل أمازون Amazon و آبل Apple ومساعدي غوغل الافتراضيين أكثر أماناً وأسرع وكفاءة من حيث استخدام الطاقة.
و تعتمد الخدمات "الذكية" مثل التعرف على الوجه و التنبؤ بالطقس و المساعدين الافتراضيين و مترجمي اللغة على تقنية ذكاء اصطناعي تسمى "التعلم العميق deep learning" للتنبؤ بأنماط المستخدم.
و لكن عمليات الذكاء الاصطناعي هذه غالباً ما تتطلب مساحة تخزين كبيرة جداً ليتم تشغيلها محلياً على الهواتف المحمولة ، لذلك يتم إرسال البيانات إلى خوادم خارجية عبر الإنترنت ، الأمر الذي يتطلب الكثير من الطاقة ، ويستنزف بطارية الهاتف ، و قد يزيد من مخاطر خصوصية المستخدم.
حيث قال هاو تشانغ Hao Zhang ، أحد المتخصصين في مجال الأجهزة
الكهربائية و الكمبيوتر في الولايات المتحدة ، زميل ما بعد الدكتوراه في
الهندسة الكهربائية و هندسة الكمبيوتر في جامعة ساسكاتشوان USask:
"تعتمد طريقتي على تقسيم العمليات الحسابية لـ الذكاء الاصطناعي إلى أجزاء أصغر و هذا يساعد في تشغيل التطبيقات" الذكية "محلياً على الهاتف ، بدلاً من الاعتماد على الخوادم الخارجية ، مع تقليل استهلاك الطاقة". هاو تشانغ
و أضاف :"قد يؤدي هذا البحث إلى طريقة مختلفة لتصميم التطبيقات و أنظمة التشغيل لأجهزتنا الرقمية مثل الأجهزة اللوحية والهواتف وأجهزة الكمبيوتر.".
أهمية النموذج الجديد
لقد أجرى تشانغ Zhang عمليات محاكاة دقيقة لمقارنة نموذج الذكاء الاصطناعي الخاص به مع تلك المستخدمة في أنظمة الهاتف الحالية ، و وجد أن نموذج الذكاء الاصطناعي الخاص به يمكنه في نفس الوقت تشغيل تطبيقات متعددة بكفاءة أكبر من الأجهزة الموجودة حالياً في السوق.
حيث كان أداء نموذجه أسرع بنسبة 20% - أي أسرع بمرتين في بعض الحالات - و أظهر أن البطاريات يمكن أن تدوم ضعف المدة. و يذكر أن النتائج كانت قد نُشرت في مجلة معاملات IEEE على أجهزة الكمبيوتر IEEE Transactions on Computers.
كما وجد تشانغ Zhang أن عمليات الذكاء الاصطناعي يمكنها التعامل مع البيانات بكفاءة باستخدام تسلسلات أصغر من أربع بتات بطول متغير ، لذلك قام ببناء نموذجه باستخدام "أجزاء البت bit chunks" الأقصر.
ومن المعروف أن الأجهزة الحالية تستخدم تسلسل ثابت 32 بت لمعالجة البيانات بشكل أكثر دقة.
ونتيجة لذلك ، فإن الهواتف أو أجهزة الكمبيوتر ليست سريعة وتتطلب مساحة ذاكرة أكبر لتخزين البيانات.
و قد قال سوك بوم كوم Seok-Bum Ko ، أستاذ الهندسة الكهربائية وهندسة الحاسبات في USask والمشرف على تشانغ Zhang:
" إن التسلسلات الكبيرة ليست مطلوبة دائماً لمعالجة البيانات". و أضاف : "يمكن استخدام التسلسلات الأقصر لتوفير الطاقة وزيادة أداء السرعة ، ولكن لا يزال بإمكانها ضمان دقة كافية لتشغيل التطبيق."
آفاق مستقبلية
في حين تعد النتائج واعدة ، يعمل كل من تشانغ Zhang و كو Ko على دمج نموذج الذكاء الاصطناعي الخاص بهما مع أنظمة الكمبيوتر و الهاتف الأكبر حجماً ، و لاختبار كيفية عمل النموذج في معالجات العالم الحقيقي.
و قال كو Ko : "إذا سارت الأمور على ما يرام مع بحثنا ، فقد يكون لدينا نموذج متكامل مع التطبيقات والأنظمة في غضون ثلاث أو أربع سنوات".
و قد قرر تشانغ ، الذي تم تمويل أبحاثه من قبل الوكالة الفيدرالية NSERC ، أن جامعة ساسكاتشوان USask ستكون المكان المناسب لمتابعة دراسته للحصول على درجة الدكتوراه لدراسة التعلم العميق.
وبما أنه كان كطالب ماجستير في جامعة مدينة هونغ كونغ City University of Hong Kong ، فقد كان لديه تجربة غيرت حياته خلال فترة تدريبه في التبادل في USask تحت إشراف كو.
و قال معبراً عن تجربته الناجحة فيهما :
"إن الجامعتان لديهما تعاون بحثي جيد وتجربة التدريب هنا كانت رائعة". و يضيف مختتماً : "لدينا معدات بحثية جيدة في USask يمكنها أن تدعمني للقيام بالكثير من التجارب ودراسة العديد من الموضوعات البحثية ، وخاصة التعلم العميق."