در این مطلب از مجله لپتاپ‌سنتر با مفهوم Inference AI یا «استنتاج در هوش مصنوعی» آشنا می‌شویم و تفاوت آن را با مرحله آموزش مدل‌های هوش مصنوعی بررسی می‌کنیم. شناخت این دو مفهوم به درک بهتر عملکرد ابزارهایی مانند ChatGPT، دستیارهای هوشمند و سیستم‌های تشخیص تصویر کمک می‌کند.

Inference AI چیست؟

Inference AI به مرحله‌ای از کار یک مدل هوش مصنوعی گفته می‌شود که پس از پایان آموزش، از دانش آموخته‌شده برای تحلیل داده‌های جدید و تولید پاسخ استفاده می‌کند.

به بیان ساده، زمانی که یک مدل هوش مصنوعی به سؤال شما پاسخ می‌دهد، تصویر را تحلیل می‌کند یا متنی را ترجمه می‌کند، در حال انجام Inference است.

برای مثال:

• نوشتن پاسخ توسط چت‌بات‌های هوش مصنوعی
• تشخیص چهره هنگام باز کردن قفل گوشی
• ترجمه متن در لحظه
• پیشنهاد فیلم یا موسیقی در سرویس‌های آنلاین
• تشخیص اشیاء توسط دوربین خودروهای هوشمند

همگی نمونه‌هایی از فرآیند Inference هستند.

آموزش مدل هوش مصنوعی چیست؟

آموزش (Training) مرحله‌ای است که در آن مدل هوش مصنوعی با استفاده از حجم بسیار زیادی از داده‌ها، الگوها و روابط میان اطلاعات را یاد می‌گیرد.

در مرحله آموزش چه اتفاقی می‌افتد؟

مدل هوش مصنوعی:

• میلیون‌ها یا میلیاردها داده را پردازش می‌کند.
• پارامترهای داخلی خود را تنظیم می‌کند.
• خطاهای خود را اندازه‌گیری و اصلاح می‌کند.
• طی هزاران یا میلیون‌ها تکرار، دقت خود را افزایش می‌دهد.

این فرآیند معمولاً به سخت‌افزارهای بسیار قدرتمند مانند پردازنده‌های گرافیکی (GPU) یا شتاب‌دهنده‌های هوش مصنوعی نیاز دارد و ممکن است از چند ساعت تا چند ماه طول بکشد.

بیشتر بخوانید: Spatial Computing چیست و چرا اپل و متا روی آن سرمایه‌گذاری کرده‌اند؟

تفاوت Inference AI با آموزش مدل‌های هوش مصنوعی

اگرچه هر دو بخش از چرخه توسعه هوش مصنوعی هستند، اما هدف و نحوه عملکرد آن‌ها کاملاً متفاوت است.

هدف

آموزش مدل:

یادگیری از داده‌ها و ساخت یک مدل هوشمند.

Inference:

استفاده از مدل آموزش‌دیده برای پاسخ به درخواست‌های جدید.

میزان پردازش

در مرحله آموزش:

• حجم پردازش بسیار زیاد است.
• میلیاردها محاسبه انجام می‌شود.
• مدل دائماً در حال یادگیری است.

در مرحله Inference:

• تنها از اطلاعات یادگرفته‌شده استفاده می‌شود.
• سرعت پاسخ اهمیت بیشتری دارد.
• مدل معمولاً تغییری در پارامترهای خود ایجاد نمی‌کند.

مصرف منابع

آموزش مدل به موارد زیر نیاز دارد:

• GPUهای قدرتمند
• حافظه زیاد
• زمان طولانی
• مصرف انرژی بالا

اما در مرحله Inference معمولاً منابع کمتری مصرف می‌شود و حتی بسیاری از گوشی‌های هوشمند نیز قادر به اجرای آن هستند.

چرا Inference اهمیت زیادی دارد؟

بیشتر تعامل کاربران با هوش مصنوعی در مرحله Inference انجام می‌شود. هر بار که از یک ابزار هوشمند استفاده می‌کنید، مدل در حال استنتاج و تولید پاسخ است.

کاربردهای مهم Inference

• چت‌بات‌های هوشمند
• موتورهای جستجو
• تشخیص گفتار
• ترجمه هم‌زمان
• تولید تصویر
• تشخیص بیماری در پزشکی
• سیستم‌های توصیه‌گر
• خودروهای خودران

نقش پردازنده‌های NPU در Inference

در سال‌های اخیر شرکت‌های سازنده تراشه، واحدهای پردازشی ویژه‌ای به نام NPU (Neural Processing Unit) را به پردازنده‌های خود اضافه کرده‌اند.

مزایای استفاده از NPU

• اجرای سریع‌تر مدل‌های هوش مصنوعی
• کاهش مصرف باتری
• پردازش آفلاین
• افزایش امنیت اطلاعات با پردازش محلی
• کاهش وابستگی به فضای ابری

به همین دلیل بسیاری از گوشی‌ها و لپ‌تاپ‌های جدید از قابلیت اجرای برخی مدل‌های هوش مصنوعی به‌صورت مستقیم روی دستگاه پشتیبانی می‌کنند.

بیشتر بخوانید: Green Computing چیست و چرا آینده صنعت فناوری به آن وابسته است؟

آیا Inference همیشه در فضای ابری انجام می‌شود؟

خیر. امروزه دو روش اصلی برای اجرای Inference وجود دارد.

Inference در فضای ابری

در این روش، درخواست کاربر به سرور ارسال شده و پاسخ پس از پردازش بازمی‌گردد.

مزایا:

• امکان اجرای مدل‌های بسیار بزرگ
• نیاز کمتر به سخت‌افزار قدرتمند روی دستگاه

Inference روی دستگاه (On-device AI)

در این روش، پردازش مستقیماً روی گوشی، لپ‌تاپ یا سایر دستگاه‌ها انجام می‌شود.

مزایا:

• سرعت بیشتر
• حفظ حریم خصوصی
• کاهش مصرف اینترنت
• امکان استفاده بدون اتصال به شبکه

آینده Inference AI

با افزایش قدرت پردازنده‌های مجهز به NPU و توسعه مدل‌های هوش مصنوعی بهینه‌تر، انتظار می‌رود بخش بیشتری از پردازش‌ها به‌جای سرورهای ابری، روی دستگاه‌های شخصی انجام شود. این روند علاوه بر کاهش تأخیر، امنیت اطلاعات کاربران را نیز افزایش می‌دهد و تجربه استفاده از هوش مصنوعی را سریع‌تر و روان‌تر می‌کند.

Inference AI مرحله‌ای است که در آن یک مدل آموزش‌دیده از دانش خود برای تحلیل داده‌های جدید و ارائه پاسخ استفاده می‌کند، در حالی که آموزش مدل فرآیند یادگیری و تنظیم پارامترهای آن است. در این مطلب از بخش تکنولوژی مجله لپتاپ‌سنتر تفاوت‌های این دو مفهوم و نقش آن‌ها در توسعه و استفاده از هوش مصنوعی را بررسی کردیم.