<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>On-Device AI on وبلاگ Formize.com</title><link>https://blog.formize.com/fa/tags/on-device-ai/</link><description>Recent content in On-Device AI on وبلاگ Formize.com</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.formize.com/fa/tags/on-device-ai/index.xml" rel="self" type="application/rss+xml"/><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>