論文の概要: An Energy-Aware Approach to Design Self-Adaptive AI-based Applications
on the Edge
- arxiv url: http://arxiv.org/abs/2309.00022v1
- Date: Thu, 31 Aug 2023 09:33:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-04 15:51:25.918831
- Title: An Energy-Aware Approach to Design Self-Adaptive AI-based Applications
on the Edge
- Title（参考訳）: エッジ上での自己適応型AIアプリケーション設計のためのエネルギー認識アプローチ
- Authors: Alessandro Tundo, Marco Mobilio, Shashikant Ilager, Ivona Brandi\'c,
Ezio Bartocci, Leonardo Mariani
- Abstract要約: 我々は、自己適応型AIベースのアプリケーションの設計と展開にエネルギーを意識したアプローチを提案する。
本稿では,メタヒューリスティックな探索手順でシステムに自己適応できる構成の集合を決定する問題に対処する。
その結果、我々の自己適応型アプリケーションは、最大81%のエネルギーを節約し、2%から6%の精度で、非適応型ベースライン構成を上回ります。
- 参考スコア（独自算出の注目度）: 42.462246527457594
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The advent of edge devices dedicated to machine learning tasks enabled the
execution of AI-based applications that efficiently process and classify the
data acquired by the resource-constrained devices populating the Internet of
Things. The proliferation of such applications (e.g., critical monitoring in
smart cities) demands new strategies to make these systems also sustainable
from an energetic point of view.
In this paper, we present an energy-aware approach for the design and
deployment of self-adaptive AI-based applications that can balance application
objectives (e.g., accuracy in object detection and frames processing rate) with
energy consumption. We address the problem of determining the set of
configurations that can be used to self-adapt the system with a meta-heuristic
search procedure that only needs a small number of empirical samples. The final
set of configurations are selected using weighted gray relational analysis, and
mapped to the operation modes of the self-adaptive application.
We validate our approach on an AI-based application for pedestrian detection.
Results show that our self-adaptive application can outperform non-adaptive
baseline configurations by saving up to 81\% of energy while loosing only
between 2% and 6% in accuracy.
- Abstract（参考訳）: 機械学習のタスクに特化したエッジデバイスが出現したことで、iot(internet of things)を対象とするリソース制約されたデバイスが取得したデータを効率的に処理し、分類するaiベースのアプリケーションの実行が可能になった。
このようなアプリケーション(例えばスマートシティにおけるクリティカルなモニタリング)の普及は、これらのシステムをエネルギスティックな観点から持続させる新しい戦略を要求する。
本稿では,物体検出の精度やフレーム処理率などのアプリケーション目標とエネルギー消費のバランスをとることができる,自己適応型AIベースのアプリケーションの設計と展開のためのエネルギー認識手法を提案する。
本稿では,少数の経験的サンプルのみを必要とするメタヒューリスティック探索法を用いて,システムの自己適応に使用できる構成セットを決定する問題に対処する。
最終構成は重み付き灰色の関係解析を用いて選択され、自己適応型アプリケーションの動作モードにマッピングされる。
我々は、歩行者検出のためのAIベースのアプリケーションに対するアプローチを検証する。
その結果, 自己適応型アプリケーションは最大81\%の省エネにより非適応型ベースライン構成を上回ることができ, 精度は2%から6%に留まった。
関連論文リスト
- Neural Horizon Model Predictive Control -- Increasing Computational Efficiency with Neural Networks [0.0]
予測制御をモデル化するための機械学習支援手法を提案する。
安全保証を維持しつつ,問題地平線の一部を近似することを提案する。
提案手法は,迅速な制御応答を必要とするアプリケーションを含む,幅広いアプリケーションに適用可能である。
論文 参考訳（メタデータ） (2024-08-19T08:13:37Z) - Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。
コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。
本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
論文 参考訳（メタデータ） (2024-06-22T11:17:50Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - Energy-efficient Task Adaptation for NLP Edge Inference Leveraging
Heterogeneous Memory Architectures [68.91874045918112]
Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。
検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
論文 参考訳（メタデータ） (2023-03-25T14:40:59Z) - FELARE: Fair Scheduling of Machine Learning Applications on
Heterogeneous Edge Systems [5.165692107696155]
エッジコンピューティングは、レイテンシに敏感な機械学習(ML)アプリケーションの同時実行と継続的実行を通じて、スマートIoTベースのシステムを実現する。
エネルギー制約を考慮しつつ、リアルタイムタスク完了率を向上させるリソース割当ソリューションを検討、分析する。
作業完了率の8.9%,省エネ率の12.6%はエッジシステムに大きなオーバーヘッドを伴わずに改善した。
論文 参考訳（メタデータ） (2022-05-31T19:19:40Z) - Which Design Decisions in AI-enabled Mobile Applications Contribute to
Greener AI? [7.194465440864905]
このレポートは、AI対応アプリケーションの性能に対する設計決定の影響を定量化する実証的研究を行う計画で構成されている。
我々は、複数の画像分類とテキスト分類問題を解決するために、モバイルアプリケーションに画像ベースニューラルネットワークと言語ベースニューラルネットワークの両方を実装します。
論文 参考訳（メタデータ） (2021-09-28T07:30:28Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Modular approach to data preprocessing in ALOHA and application to a
smart industry use case [0.0]
データ前処理と変換パイプラインをサポートするために、ALOHAツールフローに統合されたモジュラーアプローチに対処する。
提案手法の有効性を示すために,キーワードスポッティングのユースケースに関する実験結果を示す。
論文 参考訳（メタデータ） (2021-02-02T06:48:51Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Context-Aware Wireless Connectivity and Processing Unit Optimization for
IoT Networks [10.248295944860963]
提案手法は, エネルギー消費, 応答時間, セキュリティ, 金銭的コストを共同で最適化することにより, オフロードするデータの割合とともに, 最高の接続・処理ユニットを同時に選択する。
応答時間とセキュリティの観点からIoTデバイスの要件は、デバイスの残りのバッテリレベルとともに入力として捉えられ、開発されたアルゴリズムは最適化されたポリシーを返す。
論文 参考訳（メタデータ） (2020-04-30T02:18:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。