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

एक ऐसी दुनिया की कल्पना करें जहाँ आपके उपकरण बिना कभी भी तस्वीर लिए आपको "देख" सकते हैं। यह TinyML का क्षेत्र है, जो विज्ञान की एक ऐसी शाखा है जो सबसे छोटे, सबसे अधिक ऊर्जा-खपत करने वाले गैजेट्स में स्मार्ट, सीखने वाले एल्गोरिदम को समाहित करने के लिए समर्पित है। आमतौर पर, किसी कंप्यूटर को कुछ नया सीखने के लिए—जैसे कि एक नए हाथ के इशारे को पहचानना—उसे क्लाउड में स्थित एक विशाल, शक्तिशाली सर्वर से जुड़े रहने की आवश्यकता होती है। यह वैसा ही है जैसे हर बार नया शब्द सीखने के लिए एक सुपर-इंटेलिजेंट लाइब्रेरियन को पत्र भेजना; इसमें समय और ऊर्जा लगती है और इसके लिए निरंतर कनेक्शन की आवश्यकता होती है। लेकिन क्या होगा यदि आपका उपकरण केवल थोड़ी सी मेमोरी और शक्ति का उपयोग करके, वहीं अपने स्थान पर, स्वयं सीख सके? यही ऑन-डिवाइस लर्निंग (on-device learning) की चुनौती है। इसका लक्ष्य ऐसे सेंसर बनाना है जो इंटरनेट से जुड़े बिना या भारी गणनाओं से थके बिना, नए वातावरण के अनुकूल हो सकें या नए करतब सीख सकें। मुख्य विचार सेंसर के "मस्तिष्क" को इतना कुशल बनाना है कि वह अपनी जानकारी को तुरंत अपडेट कर सके, जिससे आपके डेटा को बाहर न भेजकर गोपनीयता बनी रहे।

यहाँ MAUPITI आता है, एक चतुर छोटा स्मार्ट सेंसर जो बिल्कुल यही करता है। MAUPITI को 16 गुणा 16 हीट-सेंसिंग पिक्सल (एक इन्फ्रारेड ऐरे) और एक अत्यंत कुशल माइक्रोकंट्रोलर से बने एक छोटे, गोपनीयता-केंद्रित सुरक्षा गार्ड के रूप में समझें। उच्च-रिज़ॉल्यूशन वाली तस्वीरें लेने के बजाय, जो आपकी पहचान उजागर कर सकती हैं, यह केवल लोगों के गर्म, धुंधले आकार और उनकी गतिविधियों को देखता है। शोधकर्ताओं ने जिस बड़ी समस्या का समाधान किया वह यह था कि इस सेंसर को बनने के बाद, क्लाउड को डेटा भेजे बिना या अपनी छोटी सी मेमोरी का उपयोग किए बिना, नए पोज़ या इशारों को कैसे सिखाया जाए।

यह शोध पत्र प्रोटोटाइप-आधारित लर्निंग (prototype-based learning) नामक एक विधि पेश करता है। कल्पना कीजिए कि आप एक रोबोट को विभिन्न प्रकार के फलों को पहचानना सिखाने की कोशिश कर रहे हैं। उसे सेब और संतरे की हजारों तस्वीरें दिखाने और हर विवरण को याद रखने के लिए मजबूर करने के बजाय (जो कि बड़े AI में उपयोग की जाने वाली भारी "बैकप्रोपैगेशन" विधि की तरह है), आप उसे बस एक आदर्श "प्रोटोटाइप" सेब और एक आदर्श "प्रोटोटाइप" संतरा दिखाते हैं। जब कोई नया फल आता है, तो रोबोट बस पूछता है, "क्या यह मेरे सेब प्रोटोटाइप जैसा दिखता है या मेरे संतरे के प्रोटोटाइप जैसा?" यह निएरेस्ट क्लास मीन (NCM) दृष्टिकोण है। MAUPITI सेंसर एक छोटे, प्री-ट्रेन्ड "एनकोडर" (एक अनुवादक जो गर्मी के आकारों को सरल संख्याओं में बदल देता है) का उपयोग करता है और फिर प्रत्येक पोज़ या इशारे के लिए इन सरल "प्रोटोटाइप्स" को संग्रहीत करता है।

यही जादू है: जब सेंसर को एक नए पोज़ को सीखने की आवश्यकता होती है, तो उसे अपने पूरे मस्तिष्क को फिर से प्रशिक्षित करने की आवश्यकता नहीं होती है। यह बस नए पोज़ के औसत आकार की गणना करता है और इसे एक नए प्रोटोटाइप के रूप में संग्रहीत करता है। शोध पत्र दिखाता है कि यह दृष्टिकोण MAUPITI हार्डवेयर पर अविश्वसनीय रूप से अच्छा काम करता है। दो अलग-अलग डेटासेट्स के साथ परीक्षणों में—एक पाँच मानव पोज़ (जैसे खड़े होना या हाथ उठाना) को पहचानने के लिए और दूसरा नौ हाथ के इशारों (जैसे मुट्ठी या "शाका" साइन) के लिए—सेंसर ने पारंपरिक, भारी-भरकम विधियों के लगभग समान सटीकता प्राप्त की।

शोधकर्ताओं ने पाया कि यह विधि अविश्वसनीय रूप से कुशल है। सेंसर के पास केवल 32 kB कुल मेमोरी (16 kB निर्देशों के लिए और 16 kB डेटा के लिए) है, जो एक स्मार्टफोन की तुलना में बहुत कम है। फिर भी, इस प्रोटोटाइप सिस्टम का उपयोग करके, यह केवल कुछ उदाहरणों के साथ (एक उदाहरण भी पर्याप्त है, हालांकि चार सबसे अच्छे रहे) नई श्रेणियों को सीख सकता है और निर्णय लेने में लगने वाले कुल समय के 0.29% से भी कम समय में अपनी मेमोरी को अपडेट कर सकता है। इसका मतलब है कि सेंसर बिना किसी देरी के वास्तविक समय में एक नया इशारा सीख सकता है।

महत्वपूर्ण रूप से, यह शोध पत्र इस विचार को खारिज करता है कि प्रभावी ढंग से सीखने के लिए आपको डेटा क्लाउड पर भेजने या जटिल, मेमोरी-खर्चीले "रीप्ले बफ़र्स" (जहाँ डिवाइस पुराने चित्रों को बाद में फिर से सीखने के लिए सहेजता है) का उपयोग करने की आवश्यकता है। उन्होंने प्रदर्शित किया है कि आप प्रभावी ढंग से सीखने के लिए "बैकप्रोपैगेशन" (AI को प्रशिक्षित करने का मानक, ऊर्जा-गहन तरीका) की भारी मेहनत को पूरी तरह से छोड़ सकते हैं। इसके बजाय, केवल नए आकार के "औसत" को अपडेट करके, सेंसर तेज़, निजी और अनुकूलन योग्य बना रहता है। यह अध्ययन पुष्टि करता है कि यह "स्मार्ट सेंसर" अपने आप निरंतर सीखने (continual learning) को संभाल सकता है, जिससे यह भविष्य के गोपनीयता-संरक्षण वाले उपकरणों के लिए एक शक्तिशाली उपकरण बन जाता है जो आपकी जेब में या आपकी दीवार पर विकसित हो सकते हैं।