مدلهای پیشبینی spatio-temporal (مثل پیشبینی آبوهوا یا ترافیک) معمولاً به دلیل سنگین بودن، برای اجرا روی سختافزارهای لبه (Edge) چالشبرانگیز هستند. اما محققان با معرفی Dyna-Pruner راهکار جذابی پیدا کردهاند.
این ابزار هوشمند با شناسایی مناطق «کماهمیت» در دادههای ورودی، بخشهای اضافی شبکه عصبی را در لحظه هرس (Prune) میکند. نتیجه؟
✅ کاهش ۷۰ درصدی محاسبات (FLOPs)
✅ افزایش ۲.۵ برابری سرعت اجرا روی بردهای NVIDIA Jetson
✅ دقت بالا با کمترین اتلاف (کمتر از ۱٪)
این یعنی قدمی بزرگ برای اجرای مدلهای هوش مصنوعی پیچیده روی دستگاههای سبک و کاربردیتر کردن پردازشهای سنگین در دنیای واقعی! 🌐
منبع: arXiv Computer Vision