CPU

الدور في الذكاء الاصطناعي والتعلم الآلي

وحدات المعالجة المركزية هي معالجات للأغراض العامة مصممة للتعامل مع مجموعة واسعة من المهام بالتتابع وبسرعة. وتتضمن الخصائص الرئيسية سرعة الساعة، التي تحدد عدد التعليمات التي يمكن تنفيذها في الثانية، وعدد النوى التي تسمح بالتنفيذ المتوازي لمهام متعددة. على الرغم من أن وحدات المعالجة المركزية الحديثة تحتوي على أنوية متعددة، إلا أنها عادةً لا تكون متوازية بشكل كبير مثل وحدات معالجة الرسومات.

في عمليات سير عمل الذكاء الاصطناعي/التعلم الآلي، تُعد وحدات المعالجة المركزية ضرورية من أجل:

• عمليات النظام: تشغيل نظام التشغيل وإدارة موارد النظام وتنسيق سير العمل بشكل عام.
• المعالجة المسبقة للبيانات: غالباً ما تتضمن مهام مثل تحميل مجموعات البيانات وتنظيف البيانات وتحويلها وزيادتها عمليات منطقية معقدة وعمليات ملفات مناسبة تماماً لوحدات المعالجة المركزية. العديد من الخطوات في إعداد البيانات لنماذج مثل Ultralytics YOLO تعتمد بشكل كبير على معالجة CPU . تعرف على المزيد حول إعداد البيانات لمشاريع الرؤية الحاسوبية.
• المهام المتسلسلة: تنفيذ أجزاء من خط أنابيب التعلم الآلي التي لا يمكن موازاتها بسهولة، مثل منطق تحكم معين أو خطوات خوارزمية محددة.
• الاستدلال على أجهزة معينة: تشغيل الاستدلال للنماذج الأصغر أو على الأجهزة التي لا تحتوي على مسرعات ذكاء اصطناعي مخصصة(الذكاء الاصطناعي الحافي). تنشر العديد من التطبيقات نماذج بتنسيقات مثل ONNX أو استخدام أوقات تشغيل مثل OpenVINO منIntel للاستدلال الفعال على CPU . تدعم نماذج Ultralytics التصدير إلى تنسيقات مختلفة مناسبة لنشر CPU المركزية، راجع وثائق تصدير النماذج الخاصة بنا للحصول على التفاصيل.
• إدارة النماذج: غالباً ما تعمل المهام المتعلقة بنشر النماذج وتقديمها بشكل أساسي على وحدات المعالجة المركزية.

CPU مقابل GPU TPU)

يكمن الاختلاف الرئيسي في البنية وأهداف التحسين.

• وحدات المعالجة المركزية: مُحسَّنة لتنفيذ المهام المتنوعة والمتسلسلة في كثير من الأحيان بزمن تأخير منخفض. لديها عدد قليل من النوى القوية. فكر فيها كمديرين متعددي الاستخدامات يتعاملون مع العديد من أنواع المهام المختلفة بسرعة واحدة تلو الأخرى أو بعضها في وقت واحد. تعمل كبرى الشركات المصنعة لو حدات CPU مثل Intel وAMD باستمرار على تحسين أداء النواة وكفاءتها.
• وحدات معالجة الرسومات: مُحسَّنة للعمليات الحسابية عالية الإنتاجية والمتوازية على نطاق واسع، خاصةً عمليات المصفوفة والمتجهات الشائعة في التعلم العميق. لديها الآلاف من النوى الأبسط. مثالية لتدريب النماذج الكبيرة والاستدلال عالي الأداء.
• وحدات المعالجة ثلاثية الأبعاد: الأجهزة المخصصة منGoogle المصممة خصيصًا لتسريع أعباء عمل تعلّم الآلة، خاصةً تلك التي تم إنشاؤها باستخدام TensorFlow. وهي توفر أداءً وكفاءة عالية لأنواع محددة من حسابات الشبكات العصبية.

بينما يكون تدريب نماذج التعلّم العميق الكبيرة مثل YOLOv10 أسرع بكثير على وحدات معالجة الرسومات أو وحدات المعالجة المركزية، إلا أنه لا غنى عن وحدات المعالجة المركزية للنظام ككل والمهام المحددة ضمن دورة حياة التعلم الآلي. ويساعد فهم دور CPU المركزية في تحسين أنظمة الذكاء الاصطناعي بأكملها، بدءاً من إعداد البيانات إلى النشر على منصات مختلفة، بما في ذلك الأجهزة الطرفية المحدودة الموارد مثل Raspberry Pi.

أمثلة واقعية للذكاء الاصطناعي/التعلم الآلي باستخدام CPU

1. المعالجة المسبقة لمعالجة اللغات الطبيعية (NLP): غالبًا ما يكون ترميز النص، وإجراء الجذع/التنظيم، وبناء قوائم المفردات لنماذج معالجة اللغات الطبيعية مهام CPU نظرًا لطبيعتها المتسلسلة واعتمادها على عمليات معقدة للسلسلة وعمليات البحث. وغالباً ما تستفيد أدوات مثل أداةHugging Face's tokenizers من كفاءة CPU في هذه الخطوات.
2. اكتشاف الشذوذ في سجلات النظام: غالباً ما ينطوي تحليل تسلسل أحداث النظام أو سجلاته للكشف عن الأنماط غير الاعتيادية على أنظمة قائمة على القواعد أو نماذج أبسط من نماذج التعلم الآلي (مثل SVM أو Random Forest) التي يمكن تشغيلها بكفاءة على وحدات المعالجة المركزية للمراقبة في الوقت الفعلي دون الحاجة إلى أجهزة متخصصة. وهذا أمر بالغ الأهمية لإمكانية مراقبة النظام.