فرض کن یه کارخانه فوق‌هوشمند داریم که کلی دستگاه با همدیگه حرف می‌زنن و اطلاعات رد و بدل می‌کنن. به این ارتباط فوق‌حرفه‌ای و هوشمند تو صنعت، اصطلاحاً می‌گن Internet of Things یا همون IIoT، یعنی اینترنت اشیای صنعتی. حالا توی این سیستم‌ها استفاده از هوش مصنوعی که خودش محتوا تولید می‌کنه – مثلاً عکس می‌سازه، متن می‌نویسه یا داده می‌زنه بیرون – باعث میشه کارها خفن‌تر و پیشرفته‌تر پیش بره. به این سبک هوش مصنوعی، AIGC می‌گن، یعنی Artificial Intelligence Generated Content (هوش مصنوعی تولیدکننده محتوا).
اما همیشه یه جاهایی اوضاع اون‌قدر روون پیش نمیره! مثلاً یه مشکلی که پیش میاد اینه که این وظایف و محاسبات AIGC معمولاً خیلی پرمصرف و سنگین هستن، هم حجمشون زیاده هم سریع باید پردازش بشن. مخصوصا توی محیط صنعتی که همه چی باید تو لحظه و سریع اتفاق بیوفته. قبلاً معمولاً این وظایف سنگین رو می‌بردن تو cloud (ابر)، یعنی سرورهای راه دور که تو دیتاسنتر هستن، تا اونجا اجراشون کنن. اما مشکل این بود که ارسال و دریافت این همه اطلاعات بین دستگاه‌ها و سرور ابری باعث تاخیر (latency) می‌شد و به درد کار لحظه‌ای نمی‌خورد.
اینجاست که edge computing وارد میشه! Edge یعنی همین نزدیکی‌ها – سرورهایی که نزدیک خود دستگاه‌ها تو همون محیط نصب شدن، مثل یه وای‌فای کوچیک در مقیاس صنعتی، که باعث میشه تاخیر کلی کار کمتر بشه. یعنی دستگاه به جای اینکه با یه سرور دور توی داده‌ها بحث کنه، میره پیش همسایه‌ش! اینجوری کارها سریع‌تر پیش میره.
این مقاله اومده یه ایده خفن زده، اونم اینکه چطور این وظایف تولید محتوا با هوش مصنوعی (AIGC) رو بین چندتا سرور محلی (edge servers) تقسیم کنیم تا هم انرژی کمتری مصرف شه هم گیج نکنن و تاخیر پایین بیاد. جالب اینجاست که به این توجه کرده که مدل‌های هوش مصنوعی مختلفی هم می‌تونن روی سرورها نصب باشن و هر جا شاید مجبور شیم اون مدل رو عوض کنیم (که خودش هم یه کم تاخیر و مصرف انرژی داره).
نکته اساسی چیه؟ IIoT deviceها (دستگاه‌های اینترنت اشیای صنعتی) مثل یه تیم باهم همکاری می‌کنن و باید ببینن هر وظیفه رو به کدوم سرور بفرستن، تا مجموعه عملکرد کل سیستم بهینه بشه. یعنی نه فقط اینکه وظایف سریع‌تر تموم شن، بلکه انرژی دستگاه‌ها هم کمتر مصرف شه و مدل مناسب انتخاب بشه.
الان سوال: خب چطوری این بهینه‌سازی رو انجام دادن؟
اینجا نویسنده‌ها از یه روش یادگیری عمیق استفاده کردن که اسمش هست Multi-Agent Deep Deterministic Policy Gradient یا همون MADDPG (یه جور یادگیری تقویتی پیشرفته). اگه بخوای ساده بدونی، MADDPG یعنی یه الگوریتم یادگیری ماشینی که چندتا عامل (اینجا همون دستگاه‌ها) با همدیگه همکاری می‌کنن و سعی می‌کنن با گرفتن بازخورد از محیط، تصمیم‌های هوشمندانه‌تر بگیرن که مثلا کی و کجا وظیفه‌شون رو ارسال کنن تا هدف کل تیم برآورده شه.
تو این تحقیق این الگوریتم خاصش رو اسم گذاشتن MADDPG-MATO (یعنی نسخه سفارشی بر اساس همون الگوریتم). این مدل یادگیری ماشین باعث میشه دستگاه‌ها موقع تصمیم‌گیری حواسشون به تاخیر، مصرف انرژی و تغییر مدل هوش مصنوعی (Model Switching) هم باشه. Model Switching یعنی وقتی باید مدل هوش مصنوعی سرور عوض شه، خودش یه مدت زمان و انرژی مصرف می‌کنه.
حالا قسمت باحال‌ترش: آزمایش‌ها هم نشون داده این روش نسبت به بقیه راه‌حل‌ها واقعاً بهتر کار می‌کنه! مثلاً به طور میانگین تو چهار تا دسته مختلف آزمایش (که تو هرکدوم تعداد مدل‌ها از ۳ تا ۶ عوض شده)، این الگوریتم موفق شده:
- تاخیر رو ۶.۹۸٪ کاهش بده
- مصرف انرژی رو ۷.۱۲٪ کمتر کنه
- درصد انجام شدن موفق وظایف رو ۳.۷۲٪ افزایش بده
یعنی تو محیط‌هایی که هی وضعیت عوض میشه و فشار کاری زیاده (دقیقاً مثل یه کارخانه صنعتی واقعی)، این روش هم سریع و هم پایدار کار می‌کنه، یعنی Robust (پایداری بالایی داره) و Efficient (بازدهی خوبی داره).
خلاصه حرف مقاله اینه که اگه بخوای تو کارخانه و محیط‌های صنعتی از هوش مصنوعی تولیدکننده محتوا استفاده کنی، با تکیه روی الگوریتم‌های هوشمندی مثل MADDPG-MATO و استفاده از Edge Computing هم کارها سریع‌تر رخ میدن، هم انرژی کمتری لازم داری، هم مدل‌های هوش مصنوعی بهتر و بهینه‌تر جابه‌جا میشن و کار کل سیستم فَرزتر پیش میره!
جمع‌بندی؟ با این الگوریتم‌های باحال، دیگه میشه به اینترنت اشیای هوشمند و لبه‌ای حسابی امیدوار بود که بزودی سبک تولید رو تو صنعت به یه مرحله کاملاً جدید برسونن.
منبع: +
