MAUPITI: On-Device Prototype-Based Learning on a Smart Infrared Sensor

تخيل عالماً تستطيع فيه أجهزتك "رؤيتك" دون أن تلتقط صورة واحدة أبداً. هذا هو مجال TinyML، وهو فرع من العلوم المكرس لضغط الخوارزميات الذكية والمتعلمة داخل أصغر الأجهزة الممكنة والأكثر استهلاكاً للطاقة. عادةً، لكي يتعلم جهاز كمبيوتر شيئاً جديداً — مثل التعرف على إيماءة يد جديدة — فإنه يحتاج إلى الاتصال بخادم ضخم وقوي في السحابة. يشبه هذا الأمر إرسال رسالة إلى أمين مكتبة فائق الذكاء في كل مرة تريد فيها تعلم كلمة جديدة؛ الأمر يستغرق وقتاً وطاقة ويتطلب اتصالاً مستمراً. ولكن ماذا لو استطاع جهازك أن يتعلم بمفرده، في مكانه تماماً، باستخدام قدر ضئيل جداً من الذاكرة والطاقة؟ هذا هو تحدي التعلم على الجهاز (on-device learning). الهدف هو إنشاء مستشعرات يمكنها التكيف مع البيئات الجديدة أو تعلم حيل جديدة دون الحاجة إلى الاتصال بالإنترنت أو استنزاف طاقتها بعمليات حسابية ثقيلة. الفكرة الأساسية هي جعل "دماغ" المستشعر فعالاً للغاية بحيث يمكنه تحديث معرفته الخاصة فورياً، مع الحفاظ على الخصوصية عبر عدم إرسال بياناتك للخارج أبداً.

إليك MAUPITI، وهو مستشعر ذكي صغير وذكي يقوم بهذا بالضبط. فكر في MAUPITI كحارس أمن صغير يركز على الخصوصية، مكون من شبكة من 16 في 16 بكسل حساسة للحرارة (مصفوفة أشعة تحت حمراء) ومعالج دقيق عالي الكفاءة. بدلاً من التقاط صور عالية الدقة قد تكشف هويتك، فإنه يرى فقط الأشكال الدافئة والضبابية للبشر وحركاتهم. المشكلة الكبيرة التي عالجها الباحثون كانت كيفية تعليم هذا المستشعر وضعيات أو إيماءات جديدة بعد تصنيعه، دون الحاجة إلى إرسال البيانات إلى السحابة أو استهلاك ذاكرته الضئيلة.

يقدم البحث طريقة تسمى التعلم القائم على النماذج الأولية (prototype-based learning). تخيل أنك تحاول تعليم روبوت التعرف على أنواع مختلفة من الفاكهة. بدلاً من إظهار آلاف الصور للتفاح والبرتقال وإجباره على حفظ كل تفصيل (وهو ما يشبه طريقة "الانتشار العكسي" الثقيلة المستخدمة في الذكاء الاصطناعي الكبير)، أنت فقط تظهر له "نموذجاً أولياً" واحداً مثالياً للتفاحة وآخر مثالياً للبرتقالة. عندما تظهر فاكهة جديدة، يسأل الروبوت ببساطة: "هل يبدو هذا أكثر شبهاً بنموذجي الأولي للتفاح أم بنموذجي الأولي للبرتقال؟". هذا هو نهج متوسط أقرب فئة (Nearest Class Mean - NCM). يستخدم مستشعر MAUPITI "مشفرًا" (encoder) مدرباً مسبقاً (وهو مترجم يحول أشكال الحرارة إلى أرقام بسيطة) ثم يخزن هذه "النماذج الأولية" البسيطة لكل وضعية أو إيماءة.

هنا يكمن السحر: عندما يحتاج المستشعر لتعلم وضعية جديدة، فإنه لا يحتاج إلى إعادة تدريب دماغه بالكامل. بل يقوم ببساطة بحساب متوسط شكل الوضعية الجديدة ويخزنه كنموذج أولي جديد. يظهر البحث أن هذا النهج يعمل بشكل رائع على أجهزة MAUPITI. ففي الاختبارات التي أجريت على مجموعتي بيانات مختلفتين — إحداهما للتعرف على خمس وضعيات بشرية (مثل الوقوف أو رفع الذراعين) والأخرى لتسع إيماءات يد (مثل قبضة اليد أو إشارة "الشاكا") — حقق المستشعر دقة تقترب من الطرق التقليدية الثقيلة.

وجد الباحثون أن هذه الطريقة فعالة للغاية. يمتلك المستشعر 32 كيلوبايت فقط من إجمالي الذاكرة (16 كيلوبايت للتعليمات و16 كيلوبايت للبيانات)، وهي مساحة ضئيلة مقارنة بالهواتف الذكية. ومع ذلك، من خلال استخدام نظام النماذج الأولية هذا، استطاع تعلم فئات جديدة بعدد قليل جداً من الأمثلة (أقل عدد هو مثال واحد، لكن أربعة أمثلة كانت الأفضل) وتحديث ذاكرته في أقل من 0.29% من الوقت الإجمالي الذي يستغرقه لاتخاذ قرار. وهذا يعني أن المستشعر يمكنه تعلم إيماءة جديدة في الوقت الفعلي، مع انعدام التأخير تقريباً.

ومن الأهمية بمكان أن البحث ينفي فكرة أنك بحاجة لإرسال البيانات إلى السحابة أو استخدام "مخازن إعادة التشغيل" (replay buffers) المعقدة والمستهلكة للذاكرة (حيث يحفظ الجهاز صوراً قديمة ليعيد تعلمها لاحقاً) لكي تتعلم بفعالية. لقد أثبتوا أنه يمكنك الاستغناء تماماً عن العمل الشاق لعملية "الانتشار العكسي" (الطريقة القياسية والمستهلكة للطاقة لتدريب الذكاء الاصطناعي). بدلاً من ذلك، ومن خلال مجرد تحديث "المتوسط" للشكل الجديد، يظل المستشعر سريعاً، ويحافظ على الخصوصية، وقادراً على التكيف. تؤكد الدراسة أن هذا "المستشعر الذكي" يمكنه التعامل مع التعلم المستمر بمفرده، مما يجعله أداة قوية للأجهزة المستقبلية التي تحافظ على الخصوصية والتي يمكنها التطور وهي في جيبك أو على جدارك.