اینتل عامل محلی تحلیل بازی را برای تیم فوتبال ASU ساخت

اینتل و دانشگاه ایالتی آریزونا از یک کاربرد عملی رایانش هوش مصنوعی روی لپ‌تاپ‌های محلی خبر داده‌اند. این همکاری، رایانه‌های Lenovo ThinkPad X9 Aura Edition مجهز به پلتفرم Intel vPro را در اختیار تیم فوتبال دانشگاه قرار داده و برای کادر فنی یک عامل اختصاصی ساخته است. این عامل می‌تواند ویدئوی بازی حریف را بررسی کند و از روی حرکت بازیکنان، نمودارهای دیجیتال کارت بازی بسازد. برآورد اولیهٔ تیم نشان می‌دهد آماده‌سازی مسابقه می‌تواند ۱۵ تا ۲۰ درصد سریع‌تر شود.

مسئلهٔ کادر فنی چه بود؟

تحلیل ویدئوی مسابقه فقط تماشای بازی نیست. مربیان باید جای بازیکنان، مسیر حرکت، شکل‌گیری خط حمله و واکنش دفاع را ثبت کنند و سپس این اطلاعات را برای تمرین بعدی به نقشه‌های قابل استفاده تبدیل کنند. بخشی از این کار با رسم دستی روی تخته یا نرم‌افزار انجام می‌شود و ساعت‌های زیادی از کارکنان می‌گیرد. مشکل زمانی شدیدتر می‌شود که کادر فنی در سفر باشد و به داده‌های دانشگاه یا یک ایستگاه کاری قدرتمند دسترسی نداشته باشد.

عامل طراحی‌شده برای ASU ویدئو را مستقیماً روی رایانه تحلیل می‌کند. سامانه باید ابتدا زمین و خطوط آن را تشخیص دهد، بازیکنان را در فریم‌های پی‌درپی دنبال کند و از حرکت آن‌ها الگو بسازد. سپس نتیجه را به شکل نمودار سفید دیجیتال در اختیار مربی می‌گذارد. هدف جایگزین‌کردن قضاوت تاکتیکی مربی نیست؛ هدف حذف مرحلهٔ مکانیکی تبدیل فیلم خام به نقشهٔ اولیه است تا تیم زمان بیشتری برای تحلیل داشته باشد.

مزیت اجرای مدل روی دستگاه

در بسیاری از سرویس‌های هوش مصنوعی، ویدئو به یک سرور ابری فرستاده می‌شود. این روش برای داده‌های عمومی مناسب است، اما فیلم تمرین و برنامهٔ تاکتیکی یک تیم بخشی از سرمایهٔ رقابتی آن محسوب می‌شود. پردازش محلی اجازه می‌دهد فایل روی لپ‌تاپ باقی بماند و کادر فنی بدون اتصال دائمی به اینترنت کار کند. تأخیر کم‌تر نیز به این معناست که کاربر می‌تواند همان لحظهٔ مشاهده، نتیجهٔ اولیه را ببیند و بخش اشتباه را دوباره بررسی کند.

پردازش محلی به معنی بی‌نیازی از امنیت نیست. لپ‌تاپ ممکن است گم شود، فایل خروجی کپی شود یا برنامهٔ مخرب به داده دسترسی پیدا کند. پلتفرم vPro امکان مدیریت و نظارت از راه دور را در اختیار تیم فناوری اطلاعات قرار می‌دهد. مدیر می‌تواند دستگاه‌ها را به‌روزرسانی کند، سیاست دسترسی را تغییر دهد و در صورت بروز مشکل، رایانه را از شبکه جدا کند. ترکیب هوش مصنوعی روی دستگاه با مدیریت متمرکز، برای سازمان‌هایی که کارکنانشان مرتب سفر می‌کنند اهمیت دارد.

نقش سخت‌افزار AI PC

یک رایانهٔ هوش مصنوعی فقط لپ‌تاپی با برچسب جدید نیست. برای اجرای مدل‌های بینایی و پردازش ویدئو، CPU، GPU و واحد پردازش عصبی باید وظیفه را میان خود تقسیم کنند. CPU منطق برنامه و آماده‌سازی داده را انجام می‌دهد، GPU برای عملیات موازی مناسب است و NPU می‌تواند برخی محاسبات هوش مصنوعی را با مصرف کم‌تر اجرا کند. نرم‌افزار باید بداند کدام قسمت را به کدام واحد بسپارد تا سرعت بالا و عمر باتری حفظ شود.

ویدئو بار کاری یکنواختی ندارد. در یک صحنه، بازیکنان ثابت‌اند و در صحنهٔ بعدی حرکت سریع، هم‌پوشانی و تغییر نور رخ می‌دهد. مدل باید نرخ پردازش را با پیچیدگی تصویر تنظیم کند. اجرای همهٔ فریم‌ها با بالاترین کیفیت ممکن است انرژی زیادی بخواهد، در حالی‌که انتخاب هوشمند فریم‌های کلیدی می‌تواند نتیجهٔ مشابهی با مصرف کمتر بدهد. این نوع بهینه‌سازی همان جایی است که همکاری میان مهندسان سخت‌افزار و سازندگان نرم‌افزار ارزش پیدا می‌کند.

از ورزش تا کسب‌وکار

اینتل این پروژه را نمونه‌ای برای سازمان‌های دیگر می‌داند. در شرکت‌های لجستیکی، عامل محلی می‌تواند تصاویر دوربین را برای شمارش کالا یا بررسی مسیر حرکت تحلیل کند. در کارخانه، اپراتور می‌تواند ویدئوی یک خط تولید را بدون خروج داده از محیط شرکت بررسی کند. در دفتر حقوقی یا پزشکی نیز امکان اجرای مدل روی دستگاه، خطر انتقال فایل‌های محرمانه را کاهش می‌دهد؛ البته هر صنعت به سیاست دسترسی و اعتبارسنجی مخصوص خود نیاز دارد.

تفاوت کاربرد ورزشی با بسیاری از پروژه‌های سازمانی در سرعت بازخورد است. مربی به نتیجه‌ای نیاز دارد که در همان چرخهٔ آماده‌سازی مسابقه قابل استفاده باشد. اگر مدل چند ساعت برای آپلود و تحلیل زمان بخواهد، بخشی از ارزش خود را از دست می‌دهد. لپ‌تاپ محلی برای این سناریو یک آزمایش خوب است، اما مدل باید روی دستگاه‌های مختلف با حافظه و توان متفاوت هم به‌درستی کار کند تا استفادهٔ گسترده ممکن شود.

محدودیت‌های دقت

هیچ مدل بینایی در همهٔ شرایط کامل نیست. بازیکنان ممکن است پشت هم قرار بگیرند، کیفیت فیلم از جایگاه تماشاگر پایین باشد یا رنگ لباس‌ها با زمین اشتباه شود. نمودار تولیدشده باید با نمونهٔ اصلی مقایسه شود و مربی امکان اصلاح سریع آن را داشته باشد. اگر کارکنان مجبور شوند هر خروجی را از صفر بازسازی کنند، صرفه‌جویی زمانی از بین می‌رود. بنابراین معیار مهم، درصد دقت تشخیص به‌تنهایی نیست؛ مدت لازم برای تبدیل خروجی مدل به یک کارت قابل استفاده است.

اعتماد بیش از حد به نمودار خودکار نیز خطر دارد. یک خطای کوچک در شناسایی مسیر یا بازیکن می‌تواند تحلیل تاکتیکی را منحرف کند. عامل باید موارد نامطمئن را علامت‌گذاری کند و از ارائهٔ پاسخ قطعی زمانی که تصویر مبهم است خودداری کند. نمایش سطح اطمینان، امکان بزرگ‌نمایی فریم و بازگشت به منبع اصلی به مربی کمک می‌کند تصمیم نهایی را آگاهانه بگیرد.

اهمیت مدیریتی پروژه

این همکاری نشان می‌دهد ارزش AI PC فقط در اجرای چت‌بات روی لپ‌تاپ نیست. سازمان می‌تواند یک عامل محدود و تخصصی بسازد که با دادهٔ خودش کار کند، در سفر هم در دسترس باشد و تحت مدیریت واحد فناوری قرار بگیرد. چنین رویکردی هزینهٔ ارسال داده به ابر را کم می‌کند و برای کارهای تکراری، پاسخ سریع‌تری می‌دهد. در مقابل، نگهداری مدل، به‌روزرسانی داده و کنترل امنیت به مسئولیت تیم داخلی اضافه می‌شود.

اگر کاهش ۱۵ تا ۲۰ درصدی زمان آماده‌سازی در اندازه‌گیری‌های طولانی تأیید شود، پروژه برای تصمیم‌گیری‌های سازمانی نمونهٔ قابل توجهی خواهد بود. مدیران می‌توانند زمان ذخیره‌شده را به تحلیل عمیق‌تر، آموزش بازیکنان و بررسی گزینه‌های جدید اختصاص دهند. فراتر از ورزش، هر فرآیندی که دادهٔ تصویری حساس و تصمیم‌های تکراری دارد می‌تواند از همین الگو بهره ببرد: مدل محلی، ابزار مدیریت امن و انسان در جایگاه داور نهایی.

مسیر آینده به کوچک‌تر و دقیق‌ترشدن مدل‌ها وابسته است. مدل‌های بزرگ همیشه بهترین انتخاب برای یک لپ‌تاپ نیستند و نسخهٔ تخصصی‌شده می‌تواند با حافظهٔ کمتر کار کند. ابزارهای توسعه نیز باید ساخت عامل را برای تیم‌های غیرمتخصص ساده کنند. پروژهٔ ASU نشان می‌دهد هوش مصنوعی زمانی از نمایش فناوری فراتر می‌رود که در یک جریان کاری مشخص، زمان و خطای قابل اندازه‌گیری را کاهش دهد.

تاریخ انتشار: ۲۵ شهریور ۱۴۰۵

منبع: Intel