İşbirlikçi zeka yaklaşımıyla çok görevli öğrenmede dinamik bölme noktası hesaplama

Derin Sinir Ağları'nın (DNN'ler) Nesnelerin İnterneti (IoT) ortamlarında, özellikle çoklu görevli robotik ve sürü sistemleri için dağıtımında donanım sınırlamaları, bant genişliği kısıtlamaları, iletim gecikmeleri ve görüntü paketi kaybı olmak üzere çeşitli zorlukları bulunmaktadır. Bu tez çalışmasında, İşbirlikçi Zeka (CI) paradigması altında Çoklu Görev Öğrenme (MTL) tabanlı hesaplama görevlerini uç cihazlar ve bulut arasında dinamik olarak dağıtan bir DSPCI-MTL çerçevesi önerilmektedir. Önerilen çerçeve, gerçek zamanlı bant genişliği ve veri hacmi temelinde DNN katmanları için bölme noktalarını segmentasyon, sınıflandırma, derinlik tahmini görevleri için optimize ederken özellik haritası benzerliği yoluyla kayıp görüntü paketlerini yeniden oluşturmak için bir Otomatik Kodlayıcı (AE) mimarisini entegre etmektedir. Deneysel sonuçlar, geleneksel bulut tabanlı yöntemlere kıyasla işleme süresinde %38'lik bir azalma ve dinamik bölme noktası seçimiyle %61'lik bir kazanç olduğunu göstermektedir. AE tabanlı yeniden yapılandırma yöntemi, karmaşık ve uzun mesafeden çekilen görüntüleri iletim senaryolarında veri bütünlüğünü önemli ölçüde iyileştirerek kaynak kısıtlı IoT uygulamaları için gelişmiş sistem performansı sunmaktadır. Ek olarak, kaynak sınırlı IoT cihazlarında DNN'leri dağıtmak için hesaplama yükü ve bant genişliği verimliliğinin dengelenmesini gerektirmektedir. Bu sebeple, Gri Kurt Optimizasyonu (GWO), Parçacık Sürüsü Optimizasyonu (PSO), Yapay Arı Kolonisi (ABC) ve Yapay Tavşan Optimizasyonu'ndan (ARO) yararlanarak uç ve bulut arasındaki optimum DNN bölme noktalarını uyarlamalı bir şekilde belirlemek için Meta-Sezgisel Algoritmalarla Dinamik Bölme Noktası Belirlenmesi amacıyla DSPCI-MH tanıtılmaktadır. Statik yaklaşımların aksine, DSPCI-MH ağ koşullarına ve hesaplama taleplerine dinamik olarak uyum sağlayarak geleneksel yöntemlere kıyasla %99,86 daha hızlı çıkarım, %99,85 daha düşük enerji tüketimi ve %99,98 iyileştirilmiş bellek kullanımı elde etmektedir. Çerçevenin gerçek zamanlı uyarlanabilirliği, dağıtılmış DNN çıkarımı için ölçeklenebilir bir çözüm oluşturarak yapay zeka odaklı IoT sistemlerindeki kritik zorlukları ele almaktadır. Sonuçlar, metasezgisel optimizasyonu dinamik ortamlarda uç-bulut iş birliğini geliştirmek için dönüştürücü bir strateji olarak doğrulamaktadır.