محرك الاستدلال

كيفية عمل محركات الاستدلال

يستخدم محرك الاستدلال نموذجًا مدربًا مسبقًا، وغالبًا ما يتم تطويره باستخدام أطر مثل PyTorch أو TensorFlowالذي يغلف المعرفة اللازمة لمهمة محددة. عندما يتم توفير بيانات جديدة (على سبيل المثال، صورة أو مقطع صوتي أو جملة نصية) كمدخلات، يقوم محرك الاستدلال بمعالجتها من خلال الرسم البياني الحسابي للنموذج. ويؤدي ذلك إلى توليد مخرجات، مثل تحديد الكائنات في صورة أو تدوين الكلام أو تصنيف المشاعر. Ultralytics YOLO على سبيل المثال، تعتمد النماذج على محركات استدلال فعّالة لتحقيق الكشف عن الكائنات وتجزئتها في الوقت الفعلي عبر منصات مختلفة، بدءًا من الخوادم السحابية القوية إلى الأجهزة الطرفية المحدودة الموارد. ويؤثر أداء محرك الاستدلال بشكل مباشر على سرعة التطبيق واستجابته، وغالبًا ما يُقاس ذلك من خلال زمن انتقال الاستدلال.

التحسينات والميزات الرئيسية

تدمج محركات الاستدلال الحديثة تقنيات تحسين مختلفة لتعزيز السرعة والكفاءة، مما يجعل نشر الذكاء الاصطناعي ممكنًا على أجهزة متنوعة. تشمل الاستراتيجيات الشائعة ما يلي:

• تحسين النموذج: تقنيات مثل التكميم الكمي للن موذج (تقليل دقة أوزان النموذج) وتشذيب النموذج (إزالة المعلمات الزائدة عن الحاجة) تقلل بشكل كبير من حجم النموذج والمتطلبات الحسابية. تعرف على المزيد حول ماهية تحسين النموذج في هذا الدليل السريع.
• تسريع الأجهزة: غالبًا ما تستفيد المحركات من الأجهزة المتخصصة مثل وحدات معالجة الرسومات أو وحدات معالجة الرسومات، أو وحدات المعالجة الحرارية TPU، أو مسرعات محددة مثل منصات NVIDIA Jetson لتسريع العمليات الحسابية.
• توافق التنسيق: دعم تنسيقات النماذج القياسية مثل ONNX (Open Neural Network Exchange), TensorRTو OpenVINO يسمح بنشر النماذج المدربة في إطار عمل واحد عبر محركات وأجهزة مختلفة. استكشف خيارات نشر النماذج المختلفة.

بينما تركز أطر التدريب على بناء النماذج وتعليمها، تتخصص محركات الاستدلال في تشغيل هذه النماذج المدربة بكفاءة لمهام التنبؤ.

التطبيقات الواقعية

تعد محركات الاستدلال أساسية لعدد لا يحصى من تطبيقات الذكاء الاصطناعي:

1. القيادة الذاتية: تعتمد السيارات ذاتية القيادة اعتماداً كبيراً على محركات الاستدلال لمعالجة البيانات من الكاميرات ودائرة استشعار الليدار وأجهزة الاستشعار الأخرى في الوقت الفعلي. تقوم هذه المحركات بتشغيل نماذج رؤية حاسوبية معقدة لاكتشاف المشاة والمركبات الأخرى وعلامات الحارات وإشارات المرور، مما يتيح التنقل الآمن. ويُعدّ زمن الاستجابة المنخفض الذي توفره محركات الاستدلال المحسّنة أمراً بالغ الأهمية لاتخاذ قرارات القيادة في جزء من الثانية، كما هو مفصّل في المناقشات حول الذكاء الاصطناعي في السيارات ذاتية القيادة.
2. تحليل الصور الطبية: في مجال الرعاية الصحية، تقوم محركات الاستدلال بنشر نماذج مدربة على تحليل الفحوصات الطبية مثل التصوير بالرنين المغناطيسي أو الأشعة المقطعية. ويمكنها تسليط الضوء بسرعة على الحالات الشاذة المحتملة، مثل الكشف عن أورام الدماغ أو تحديد علامات المرض، ومساعدة أخصائيي الأشعة في التشخيص. ويوضح هذا التطبيق كيف تدعم محركات الاستدلال تحليل الصور الطبية بشكل أسرع وربما أكثر دقة. تعمل منصات مثل Ultralytics HUB على تسهيل تدريب ونشر مثل هذه النماذج.

توضح هذه الأمثلة كيف تعمل محركات الاستدلال على سد الفجوة بين نماذج الذكاء الاصطناعي المدربة والتأثير العملي الواقعي في مختلف الصناعات، بما في ذلك الذكاء الاصطناعي في الزراعة والذكاء الاصطناعي في التصنيع.