<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>TinyML on وبلاگ Formize.com</title><link>https://blog.formize.com/fa/categories/tinyml/</link><description>Recent content in TinyML on وبلاگ Formize.com</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.formize.com/fa/categories/tinyml/index.xml" rel="self" type="application/rss+xml"/><item><title>تولید داده‌های مصنوعی چند‑مودال تطبیقی با TinyML و حریم خصوصی تفاضلی برای دستگاه‌های لبه‌ای با محدودیت باتری</title><link>https://blog.formize.com/fa/adaptive-multi-modal-synthetic-data-generation-for-edge-devi/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/adaptive-multi-modal-synthetic-data-generation-for-edge-devi/</guid><description>&lt;h1 id="تولید-دادههای-مصنوعی-چندمودال-تطبیقی-با-tinyml-و-حریم-خصوصی-تفاضلی-برای-دستگاههای-لبهای-با-محدودیت-باتری">تولید داده‌های مصنوعی چند‑مودال تطبیقی با TinyML و حریم خصوصی تفاضلی برای دستگاه‌های لبه‌ای با محدودیت باتری&lt;/h1>
&lt;h2 id="مقدمه">مقدمه&lt;/h2>
&lt;p>دستگاه‌های لبه‌ای — از پوشیدنی‌ها و حسگرهای صنعتی تا پهپادهای خودران — به‌طور فزاینده‌ای انتظار می‌رود &lt;strong>یاد بگیرند&lt;/strong> و &lt;strong>سازگار شوند&lt;/strong> بدون وابستگی به اتصال مداوم به ابر. تولید داده‌های مصنوعی در لبه می‌تواند کمبود داده را رفع کند، تأخیر را کاهش دهد و حریم خصوصی کاربر را محافظت کند. با این حال، سه چالش اصلی بر این حوزه حاکم است:&lt;/p></description></item><item><title>دیفیوزن با توان TinyML برای تولید داده‌های مصنوعی لبه‌ای</title><link>https://blog.formize.com/fa/tinyml-powered-diffusion-for-edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/tinyml-powered-diffusion-for-edge-synthetic-data-generation/</guid><description>&lt;h1 id="دیفیوزن-با-توان-tinyml-برای-تولید-دادههای-مصنوعی-لبهای">دیفیوزن با توان TinyML برای تولید داده‌های مصنوعی لبه‌ای&lt;/h1>
&lt;h2 id="مقدمه">مقدمه&lt;/h2>
&lt;p>داده‌های مصنوعی به‌عنوان یک ستون‌فقره برای آموزش مدل‌های هوش مصنوعی مقاوم، به‌ویژه زمانی که داده‌های واقعی کم، حساس یا جمع‌آوری آن‌ها هزینه‌بر باشد، شناخته شده‌اند. به‌صورت سنتی، داده‌های مصنوعی با کیفیت بالا در ابر با استفاده از مدل‌های دیفیوزن بزرگ تولید می‌شوند که به گیگابایت حافظه و GPU‌های قدرتمند نیاز دارند. این رویکرد با تقاضای رو به رشد برای &lt;strong>هوش مصنوعی لبه‌ای&lt;/strong>—استنتاج هوشمند که بر روی دستگاه‌های محدود به باتری مانند پوشیدنی‌ها، پهپادها و حسگرهای اینترنت اشیا اجرا می‌شود—در تضاد است.&lt;/p></description></item></channel></rss>