แนวทางใหม่ที่ใช้โมเดลภาษาธรรมชาติพัฒนาแอปพลิเคชัน AI สำหรับการประมวลผลแบบ edge
Novel approach using natural-language models opens AI applications for edge computing
พัฒนาการใหม่ของ AI การใช้ประโยชน์จากข้อมูลเซ็นเซอร์ให้เกิดประโยชน์สูงสุด
แนวทางใหม่ในการใช้ปัญญาประดิษฐ์ (AI) เพื่อสร้างข้อมูลในวงกว้าง เช่น อุณหภูมิมหาสมุทรโดยรวม โดยใช้ข้อมูลจากเซ็นเซอร์จำนวนไม่มากที่นำไปใช้เก็บข้อมูลภาคสนาม แล้วใช้ AI ประมวลผลแบบ “edge” แนวทางนี้ใช้พลังงานต่ำ พร้อมการใช้งานในวงกว้างในอุตสาหกรรม วิทยาศาสตร์ และการแพทย์
“เราได้พัฒนานิวรอลเน็ตเวิร์กที่ช่วยให้เราสามารถนำเสนอระบบขนาดใหญ่ในรูปแบบที่กะทัดรัดมาก” Javier Santos นักวิจัยจากห้องปฏิบัติการแห่งชาติลอสอาลามอส ผู้ประยุกต์วิทยาศาสตร์คอมพิวเตอร์กับปัญหาทางธรณีฟิสิกส์กล่าว “ความกะทัดรัดดังกล่าวหมายความว่า แนวทาง AI ใหม่ใช้ทรัพยากรการประมวลผลน้อยลงเมื่อเทียบกับสถาปัตยกรรมนิวรอลเน็ตเวิร์กแบบ Convolutional Neural Network ทำให้เหมาะสมอย่างยิ่งกับการใช้งานภาคสนามบนโดรน อาร์เรย์เซ็นเซอร์ และแอปพลิเคชันประมวลผล Edge อื่นๆ ที่ทำให้การคำนวณเข้าใกล้การใช้งานขั้นสุดท้ายมากขึ้น ”
แนวทาง AI ใหม่ช่วยเพิ่มประสิทธิภาพการประมวลผล
Santos เป็นผู้เขียนบทความชิ้นแรกที่ตีพิมพ์โดยทีมนักวิจัยของ Los Alamos ใน Nature Machine Intelligence เกี่ยวกับเทคนิค AI ใหม่ ซึ่งพวกเขาเรียกว่า Senseiver งานซึ่งสร้างจากโมเดล AI ที่เรียกว่า Perceiver IO ที่พัฒนาโดย Google ได้ใช้เทคนิคของโมเดลภาษาธรรมชาติ เช่น ChatGPT กับปัญหาในการสร้างข้อมูลเกี่ยวกับพื้นที่กว้างๆ เช่น มหาสมุทร จากการวัดที่ค่อนข้างน้อย
ทีมงานตระหนักดีว่าโมเดลนี้น่าจะนำไปใช้ได้อย่างกว้างขวางเนื่องจากมีประสิทธิภาพ Dan O’Malley ผู้ร่วมเขียนรายงานและนักวิจัยของ Los Alamos ที่ใช้การเรียนรู้ของเครื่องกับปัญหาทางธรณีวิทยากล่าวว่า “การใช้พารามิเตอร์น้อยลงและหน่วยความจำน้อยลง จะทำให้คอมพิวเตอร์ทำงานน้อยลง ดังนั้นคอมพิวเตอร์จึงทำงานได้เร็วขึ้น” .
ในเอกสารงานวิจัยตีพิมพ์ฉบับแรก Santos และเพื่อนร่วมงานของเขาในลอสอลามอสได้ตรวจสอบโมเดลนี้โดยแสดงให้เห็นถึงประสิทธิผลของโมเดลนี้กับชุดข้อมูลที่กระจัดกระจายในโลกแห่งความเป็นจริง ซึ่งหมายถึงข้อมูลที่นำมาจากเซ็นเซอร์ที่ครอบคลุมเพียงส่วนเล็กๆ ของสาขาที่สนใจ และในส่วนที่ซับซ้อน ชุดข้อมูลของเหลวสามมิติ
ในการสาธิตการใช้งานจริงของ Senseiver ทีมงานได้ใช้โมเดลนี้กับชุดข้อมูลอุณหภูมิพื้นผิวน้ำทะเลและบรรยากาศการบริหารมหาสมุทรและบรรยากาศแห่งชาติ โมเดลนี้สามารถรวมการวัดจำนวนมากที่ใช้เวลาหลายทศวรรษจากดาวเทียมและเซ็นเซอร์บนเรือได้ จากการวัดจุดกระจัดกระจายเหล่านี้ โมเดลจะคาดการณ์อุณหภูมิทั่วทั้งมหาสมุทร ซึ่งให้ข้อมูลที่เป็นประโยชน์ต่อโมเดลสภาพภูมิอากาศโลก
นำเทคโนโลยี AI มาสู่โดรน และเครือข่ายเซ็นเซอร์
Senseiver เหมาะอย่างยิ่งกับโครงการและสาขาการวิจัยต่างๆ ที่เป็นที่สนใจของ Los Alamos
“Los Alamos มีความสามารถในการรับรู้ระยะไกลที่หลากหลาย แต่การใช้ AI ไม่ใช่เรื่องง่ายเพราะโมเดลมีขนาดใหญ่เกินไปและไม่เหมาะกับอุปกรณ์ในภาคสนาม ซึ่งนำเราไปสู่การประมวลผลแบบ Edge” Hari Viswanathan จาก Los Alamos Laboratory กล่าว เพื่อน นักวิทยาศาสตร์สิ่งแวดล้อม และผู้ร่วมเขียนบทความเกี่ยวกับ Senseiver “งานของเรานำประโยชน์ของ AI มาสู่โดรน เครือข่ายเซ็นเซอร์ภาคสนาม และแอปพลิเคชันอื่นๆ ที่ปัจจุบันอยู่นอกเหนือการเข้าถึงของเทคโนโลยี AI ที่ล้ำสมัย”
โมเดล AI จะมีประโยชน์อย่างยิ่งในงานของห้องปฏิบัติการในการระบุและจำแนกลักษณะหลุม orphaned wells ห้องปฏิบัติการของ Consortium Advancing Technology for Assortment of Lost Oil & Gas Wells (CATALOG) ที่ได้รับทุนสนับสนุนจากกระทรวงพลังงาน ซึ่งเป็นโครงการของรัฐบาลกลางที่ได้รับมอบหมายให้ค้นหาและระบุลักษณะเฉพาะของหลุม orphaned wells ที่ไม่มีเอกสารรับรอง และตรวจวัดการปล่อยก๊าซมีเทน วิศวนาธานเป็นหัวหน้านักวิทยาศาสตร์ของ CATALOG
แนวทางดังกล่าวนำเสนอความสามารถที่ได้รับการปรับปรุงสำหรับการใช้งานขนาดใหญ่ที่ใช้งานได้จริง เช่น รถยนต์ที่ขับเคลื่อนด้วยตนเอง การสร้างโมเดลระยะไกลของแหล่งทรัพยากรในอุตสาหกรรมน้ำมันและก๊าซ การตรวจสอบทางการแพทย์ของผู้ป่วย การเล่นเกมบนคลาวด์ การจัดส่งเนื้อหา และการติดตามสิ่งปนเปื้อน
Paper: “Development of the Senseiver for efficient field reconstruction from sparse observations.” Nature Machine Intelligence. DOI: 10.1038/s42256-023-00746-x.