এজ এআই অ্যাপ্লিকেশানগুলিতে পারফরম্যান্স সর্বাধিক করুন – কেডিনুগেটস

AI যেহেতু ক্লাউড থেকে এজ-এ স্থানান্তরিত হয়, আমরা দেখতে পাচ্ছি প্রযুক্তিটি ব্যবহার করা হচ্ছে একটি ক্রমবর্ধমান বিভিন্ন ক্ষেত্রে ব্যবহার করা হচ্ছে – অসঙ্গতি সনাক্তকরণ থেকে শুরু করে স্মার্ট শপিং, নজরদারি, রোবোটিক্স এবং ফ্যাক্টরি অটোমেশন সহ অ্যাপ্লিকেশন পর্যন্ত। অতএব, কোনো এক-আকার-ফিট-সমস্ত সমাধান নেই। কিন্তু ক্যামেরা-সক্ষম ডিভাইসগুলির দ্রুত বৃদ্ধির সাথে, AI সবচেয়ে ব্যাপকভাবে গৃহীত হয়েছে রিয়েল-টাইম ভিডিও ডেটা বিশ্লেষণ করার জন্য ভিডিও পর্যবেক্ষণ স্বয়ংক্রিয়ভাবে নিরাপত্তা বাড়াতে, অপারেশনাল দক্ষতা উন্নত করতে এবং গ্রাহকদের আরও ভাল অভিজ্ঞতা প্রদানের জন্য, শেষ পর্যন্ত তাদের শিল্পে একটি প্রতিযোগিতামূলক প্রান্ত অর্জন করে। . ভিডিও বিশ্লেষণকে আরও ভালভাবে সমর্থন করার জন্য, আপনাকে অবশ্যই এজ এআই স্থাপনায় সিস্টেমের কার্যকারিতা অপ্টিমাইজ করার কৌশলগুলি বুঝতে হবে।

• প্রয়োজনীয় কর্মক্ষমতা মাত্রা পূরণ বা অতিক্রম করার জন্য সঠিক আকারের কম্পিউট ইঞ্জিন নির্বাচন করা। একটি AI অ্যাপ্লিকেশনের জন্য, এই কম্পিউট ইঞ্জিনগুলিকে অবশ্যই সম্পূর্ণ দৃষ্টি পাইপলাইনের কার্য সম্পাদন করতে হবে (যেমন, ভিডিও প্রি- এবং পোস্ট-প্রসেসিং, নিউরাল নেটওয়ার্ক ইনফারেন্সিং)।

একটি ডেডিকেটেড AI অ্যাক্সিলারেটর, তা বিচ্ছিন্ন হোক বা একটি SoC-তে একীভূত হোক (একটি CPU বা GPU-তে AI ইনফারেন্সিং চালানোর বিপরীতে) প্রয়োজন হতে পারে।

• থ্রুপুট এবং লেটেন্সির মধ্যে পার্থক্য বোঝা; যার মাধ্যমে থ্রুপুট হল সেই হার যে ডেটা একটি সিস্টেমে প্রক্রিয়াকরণ করা যেতে পারে এবং লেটেন্সি সিস্টেমের মাধ্যমে ডেটা প্রক্রিয়াকরণের বিলম্ব পরিমাপ করে এবং প্রায়শই রিয়েল-টাইম প্রতিক্রিয়াশীলতার সাথে যুক্ত হয়। উদাহরণস্বরূপ, একটি সিস্টেম 100 ফ্রেম প্রতি সেকেন্ডে (থ্রুপুট) ইমেজ ডেটা জেনারেট করতে পারে কিন্তু একটি ইমেজ সিস্টেমের মধ্য দিয়ে যেতে 100ms (লেটেন্সি) লাগে।   

• ক্রমবর্ধমান চাহিদা, পরিবর্তনের প্রয়োজনীয়তা এবং বিকশিত প্রযুক্তিগুলি (যেমন, কার্যকারিতা এবং নির্ভুলতার জন্য আরও উন্নত এআই মডেলগুলি) মিটমাট করার জন্য ভবিষ্যতে সহজেই AI কার্যকারিতা স্কেল করার ক্ষমতা বিবেচনা করে। আপনি মডিউল ফর্ম্যাটে এআই এক্সিলারেটর ব্যবহার করে বা অতিরিক্ত এআই অ্যাক্সিলারেটর চিপগুলির সাহায্যে পারফরম্যান্স স্কেলিং সম্পন্ন করতে পারেন।

প্রকৃত কর্মক্ষমতা প্রয়োজনীয়তা অ্যাপ্লিকেশন নির্ভরশীল. সাধারণত, কেউ আশা করতে পারে যে ভিডিও বিশ্লেষণের জন্য, সিস্টেমটিকে অবশ্যই প্রতি সেকেন্ডে 30-60 ফ্রেমে এবং 1080p বা 4k রেজোলিউশন সহ ক্যামেরা থেকে আসা ডেটা স্ট্রিমগুলিকে প্রক্রিয়া করতে হবে। একটি এআই-সক্ষম ক্যামেরা একটি একক স্ট্রিম প্রক্রিয়া করবে; একটি প্রান্তের যন্ত্র সমান্তরালভাবে একাধিক স্ট্রিম প্রক্রিয়া করবে। উভয় ক্ষেত্রেই, এজ এআই সিস্টেমকে অবশ্যই প্রাক-প্রসেসিং ফাংশনগুলিকে সমর্থন করতে হবে ক্যামেরার সেন্সর ডেটাকে এমন একটি ফর্ম্যাটে রূপান্তর করতে যা AI ইনফারেন্সিং বিভাগের ইনপুট প্রয়োজনীয়তার সাথে মেলে (চিত্র 1)।

প্রি-প্রসেসিং ফাংশনগুলি এআই অ্যাক্সিলারেটরে চলমান মডেলে ইনপুট খাওয়ানোর আগে কাঁচা ডেটা গ্রহণ করে এবং আকার পরিবর্তন, স্বাভাবিককরণ এবং রঙের স্থান রূপান্তরের মতো কাজগুলি সম্পাদন করে। প্রি-প্রসেসিং প্রি-প্রসেসিং সময় কমাতে OpenCV-এর মতো দক্ষ ইমেজ প্রসেসিং লাইব্রেরি ব্যবহার করতে পারে। পোস্টপ্রসেসিং অনুমানের আউটপুট বিশ্লেষণ জড়িত। এটি অ-সর্বোচ্চ দমন (NMS বেশিরভাগ অবজেক্ট সনাক্তকরণ মডেলের আউটপুট ব্যাখ্যা করে) এবং চিত্র প্রদর্শনের মতো কাজগুলি ব্যবহার করে, যেমন বাউন্ডিং বাক্স, ক্লাস লেবেল বা আত্মবিশ্বাসের স্কোরগুলির মতো অ্যাকশনযোগ্য অন্তর্দৃষ্টি তৈরি করতে।

চিত্র 1. এআই মডেল ইনফেরেন্সিংয়ের জন্য, প্রি- এবং পোস্ট-প্রসেসিং ফাংশনগুলি সাধারণত একটি অ্যাপ্লিকেশন প্রসেসরে সঞ্চালিত হয়।
 

এআই মডেল ইনফারেন্সিং-এ অ্যাপ্লিকেশনের ক্ষমতার উপর নির্ভর করে প্রতি ফ্রেমে একাধিক নিউরাল নেটওয়ার্ক মডেল প্রক্রিয়াকরণের অতিরিক্ত চ্যালেঞ্জ থাকতে পারে। কম্পিউটার ভিশন অ্যাপ্লিকেশানগুলিতে সাধারণত একাধিক এআই কাজ জড়িত থাকে যার জন্য একাধিক মডেলের পাইপলাইন প্রয়োজন হয়। উপরন্তু, একটি মডেলের আউটপুট প্রায়ই পরবর্তী মডেলের ইনপুট হয়। অন্য কথায়, একটি অ্যাপ্লিকেশনের মডেলগুলি প্রায়শই একে অপরের উপর নির্ভর করে এবং ক্রমানুসারে কার্যকর করা আবশ্যক। কার্যকর করার জন্য মডেলগুলির সঠিক সেটটি স্থির নাও হতে পারে এবং গতিশীলভাবে পরিবর্তিত হতে পারে, এমনকি ফ্রেম-বাই-ফ্রেমের ভিত্তিতেও। 

গতিশীলভাবে একাধিক মডেল চালানোর চ্যালেঞ্জের জন্য মডেলগুলি সংরক্ষণ করার জন্য ডেডিকেটেড এবং পর্যাপ্ত পরিমাণে বড় মেমরি সহ একটি বাহ্যিক AI অ্যাক্সিলারেটর প্রয়োজন। প্রায়শই একটি SoC-এর অভ্যন্তরে সমন্বিত AI অ্যাক্সিলারেটর শেয়ার্ড মেমরি সাবসিস্টেম এবং SoC-তে অন্যান্য সংস্থান দ্বারা আরোপিত সীমাবদ্ধতার কারণে মাল্টি-মডেল কাজের চাপ পরিচালনা করতে অক্ষম হয়।

উদাহরণস্বরূপ, গতি ভবিষ্যদ্বাণী-ভিত্তিক অবজেক্ট ট্র্যাকিং একটি ভেক্টর নির্ধারণ করতে ক্রমাগত সনাক্তকরণের উপর নির্ভর করে যা ভবিষ্যতের অবস্থানে ট্র্যাক করা বস্তুকে সনাক্ত করতে ব্যবহৃত হয়। এই পদ্ধতির কার্যকারিতা সীমিত কারণ এতে সত্যিকারের শনাক্তকরণের ক্ষমতা নেই। গতির ভবিষ্যদ্বাণীর সাহায্যে, কোনো বস্তুর ট্র্যাক হারিয়ে যেতে পারে সনাক্তকরণ, বাধা, অথবা বস্তুটি দৃশ্যের ক্ষেত্র ছেড়ে চলে যাওয়ার কারণে, এমনকি মুহূর্তের জন্য। একবার হারিয়ে গেলে, বস্তুর ট্র্যাকটি পুনরায় সংযুক্ত করার কোন উপায় নেই। পুনরায় সনাক্তকরণ যোগ করা এই সীমাবদ্ধতার সমাধান করে তবে একটি ভিজ্যুয়াল উপস্থিতি এম্বেডিং প্রয়োজন (যেমন, একটি চিত্র আঙ্গুলের ছাপ)। প্রথম নেটওয়ার্ক দ্বারা সনাক্ত করা বস্তুর বাউন্ডিং বক্সের ভিতরে থাকা চিত্রটি প্রক্রিয়াকরণ করে একটি বৈশিষ্ট্য ভেক্টর তৈরি করার জন্য চেহারা এম্বেডিংয়ের জন্য একটি দ্বিতীয় নেটওয়ার্কের প্রয়োজন হয়। এই এমবেডিংটি সময় বা স্থান নির্বিশেষে বস্তুটিকে পুনরায় সনাক্ত করতে ব্যবহার করা যেতে পারে। যেহেতু দৃশ্যের ক্ষেত্রে সনাক্ত করা প্রতিটি বস্তুর জন্য এমবেডিং তৈরি করা আবশ্যক, দৃশ্যটি ব্যস্ত হওয়ার সাথে সাথে প্রক্রিয়াকরণের প্রয়োজনীয়তা বৃদ্ধি পায়। রিআইডেন্টিফিকেশন সহ অবজেক্ট ট্র্যাকিংয়ের জন্য উচ্চ-নির্ভুলতা / উচ্চ রেজোলিউশন / উচ্চ-ফ্রেম রেট সনাক্তকরণ এবং এমবেডিং স্কেলেবিলিটির জন্য পর্যাপ্ত ওভারহেড সংরক্ষণের মধ্যে সাবধানতার সাথে বিবেচনা করা প্রয়োজন। প্রক্রিয়াকরণের প্রয়োজনীয়তা সমাধানের একটি উপায় হল একটি ডেডিকেটেড এআই অ্যাক্সিলারেটর ব্যবহার করা। পূর্বে উল্লিখিত হিসাবে, SoC এর AI ইঞ্জিন ভাগ করা মেমরি সংস্থানগুলির অভাবে ভুগতে পারে৷ মডেল অপ্টিমাইজেশান প্রক্রিয়াকরণের প্রয়োজনীয়তা কমাতেও ব্যবহার করা যেতে পারে, তবে এটি কর্মক্ষমতা এবং/অথবা নির্ভুলতাকে প্রভাবিত করতে পারে।

একটি স্মার্ট ক্যামেরা বা এজ অ্যাপ্লায়েন্সে, ইন্টিগ্রেটেড SoC (যেমন, হোস্ট প্রসেসর) ভিডিও ফ্রেমগুলি অর্জন করে এবং আমরা পূর্বে বর্ণিত প্রাক-প্রসেসিং পদক্ষেপগুলি সম্পাদন করে। এই ফাংশনগুলি SoC-এর CPU কোর বা GPU (যদি একটি উপলব্ধ থাকে) দিয়ে সঞ্চালিত হতে পারে, তবে এগুলি SoC-তে ডেডিকেটেড হার্ডওয়্যার এক্সিলারেটর (যেমন, ইমেজ সিগন্যাল প্রসেসর) দ্বারাও সঞ্চালিত হতে পারে। এই প্রি-প্রসেসিং ধাপগুলি সম্পন্ন হওয়ার পরে, AI অ্যাক্সিলারেটর যেটি SoC-তে একত্রিত হয় তা সিস্টেম মেমরি থেকে এই কোয়ান্টাইজড ইনপুটটি সরাসরি অ্যাক্সেস করতে পারে, বা একটি পৃথক AI অ্যাক্সিলারেটরের ক্ষেত্রে, ইনপুটটি অনুমানের জন্য বিতরণ করা হয়, সাধারণত USB বা PCIe ইন্টারফেস। 

একটি সমন্বিত SoC-তে CPUs, GPUs, AI অ্যাক্সিলারেটর, ভিশন প্রসেসর, ভিডিও এনকোডার/ডিকোডার, ইমেজ সিগন্যাল প্রসেসর (ISP) এবং আরও অনেক কিছু সহ গণনা ইউনিটের একটি পরিসীমা থাকতে পারে। এই গণনা ইউনিটগুলি একই মেমরি বাস ভাগ করে এবং ফলস্বরূপ একই মেমরিতে অ্যাক্সেস করে। উপরন্তু, CPU এবং GPU-কেও অনুমানে ভূমিকা পালন করতে হতে পারে এবং এই ইউনিটগুলি একটি স্থাপন করা সিস্টেমে অন্যান্য কাজ চালাতে ব্যস্ত থাকবে। সিস্টেম-লেভেল ওভারহেড (চিত্র 2) দ্বারা আমরা এটাই বুঝি।

অনেক ডেভেলপার মোট কর্মক্ষমতার উপর সিস্টেম-স্তরের ওভারহেডের প্রভাব বিবেচনা না করে ভুলভাবে SoC-তে অন্তর্নির্মিত AI অ্যাক্সিলারেটরের কার্যকারিতা মূল্যায়ন করে। উদাহরণ হিসেবে, একটি SoC-তে ইন্টিগ্রেটেড 50 TOPS AI অ্যাক্সিলারেটরে একটি YOLO বেঞ্চমার্ক চালানোর কথা বিবেচনা করুন, যা 100টি অনুমান/সেকেন্ড (IPS) এর একটি বেঞ্চমার্ক ফলাফল পেতে পারে। কিন্তু একটি স্থাপন করা সিস্টেমে এর অন্যান্য সমস্ত গণনামূলক ইউনিট সক্রিয়, সেই 50টি TOPS 12 TOPS-এর মতো কিছুতে কমতে পারে এবং সামগ্রিক কর্মক্ষমতা শুধুমাত্র 25 IPS প্রদান করবে, একটি উদার 25% ব্যবহার ফ্যাক্টর অনুমান করে। প্ল্যাটফর্ম ক্রমাগত ভিডিও স্ট্রীম প্রক্রিয়াকরণ করা হলে সিস্টেম ওভারহেড সবসময় একটি ফ্যাক্টর। বিকল্পভাবে, একটি বিচ্ছিন্ন AI অ্যাক্সিলারেটর (যেমন, কিনারা আরা-1, হাইলো-8, ইন্টেল মিরিয়াড এক্স) সহ, সিস্টেম-স্তরের ব্যবহার 90%-এর বেশি হতে পারে কারণ একবার হোস্ট SoC ইনফেরেন্সিং ফাংশন শুরু করে এবং AI মডেলের ইনপুট স্থানান্তর করে। ডেটা, এক্সিলারেটর মডেল ওজন এবং পরামিতি অ্যাক্সেস করার জন্য তার ডেডিকেটেড মেমরি ব্যবহার করে স্বায়ত্তশাসিতভাবে চালায়।

চিত্র 2. ভাগ করা মেমরি বাস সিস্টেম-স্তরের কর্মক্ষমতা নিয়ন্ত্রণ করবে, এখানে আনুমানিক মান সহ দেখানো হয়েছে। আপনার অ্যাপ্লিকেশন ব্যবহারের মডেল এবং SoC এর কম্পিউট ইউনিট কনফিগারেশনের উপর ভিত্তি করে বাস্তব মান পরিবর্তিত হবে।

এই বিন্দু পর্যন্ত, আমরা প্রতি সেকেন্ডে ফ্রেম এবং TOPS এর পরিপ্রেক্ষিতে AI পারফরম্যান্স নিয়ে আলোচনা করেছি। কিন্তু একটি সিস্টেমের রিয়েল-টাইম প্রতিক্রিয়াশীলতা প্রদানের জন্য কম বিলম্বিতা আরেকটি গুরুত্বপূর্ণ প্রয়োজন। উদাহরণস্বরূপ, গেমিং-এ, কম লেটেন্সি একটি নিরবচ্ছিন্ন এবং প্রতিক্রিয়াশীল গেমিং অভিজ্ঞতার জন্য গুরুত্বপূর্ণ, বিশেষ করে গতি-নিয়ন্ত্রিত গেম এবং ভার্চুয়াল রিয়েলিটি (VR) সিস্টেমে। স্বায়ত্তশাসিত ড্রাইভিং সিস্টেমে, নিরাপত্তার সাথে আপস করা এড়াতে রিয়েল-টাইম অবজেক্ট সনাক্তকরণ, পথচারীদের স্বীকৃতি, লেন সনাক্তকরণ এবং ট্র্যাফিক সাইন স্বীকৃতির জন্য কম লেটেন্সি গুরুত্বপূর্ণ। স্বায়ত্তশাসিত ড্রাইভিং সিস্টেমের জন্য সাধারণত সনাক্তকরণ থেকে প্রকৃত ক্রিয়া পর্যন্ত 150ms এর কম শেষ-থেকে-এন্ড লেটেন্সি প্রয়োজন। একইভাবে, ম্যানুফ্যাকচারিং-এ, কম লেটেন্সি রিয়েল-টাইম ডিফেক্ট ডিটেকশন, অ্যানোমলি রেকগনিশন, এবং রোবোটিক গাইডেন্সের জন্য কম লেটেন্সি ভিডিও অ্যানালিটিক্সের উপর নির্ভর করে যাতে দক্ষ অপারেশন নিশ্চিত করা যায় এবং প্রোডাকশন ডাউনটাইম কম হয়।

সাধারণভাবে, একটি ভিডিও বিশ্লেষণ অ্যাপ্লিকেশনে লেটেন্সির তিনটি উপাদান রয়েছে (চিত্র 3):

• ডেটা ক্যাপচার লেটেন্সি হল ক্যামেরা সেন্সর থেকে একটি ভিডিও ফ্রেম ক্যাপচার করার সময় থেকে ফ্রেমের উপলব্ধতা প্রক্রিয়াকরণের জন্য বিশ্লেষণ সিস্টেমে। আপনি একটি দ্রুত সেন্সর এবং কম লেটেন্সি প্রসেসর সহ একটি ক্যামেরা বেছে নিয়ে, সর্বোত্তম ফ্রেম রেট নির্বাচন করে এবং দক্ষ ভিডিও কম্প্রেশন ফর্ম্যাট ব্যবহার করে এই লেটেন্সিটি অপ্টিমাইজ করতে পারেন৷
• ডেটা ট্রান্সফার লেটেন্সি হল ক্যামেরা থেকে এজ ডিভাইস বা স্থানীয় সার্ভারে ভ্রমণ করার জন্য ক্যাপচার করা এবং সংকুচিত ভিডিও ডেটার সময়। এর মধ্যে রয়েছে নেটওয়ার্ক প্রসেসিং বিলম্ব যা প্রতিটি শেষ বিন্দুতে ঘটে।
• ডেটা প্রসেসিং লেটেন্সি বলতে প্রান্ত ডিভাইসগুলির ভিডিও প্রসেসিং কাজগুলি যেমন ফ্রেম ডিকম্প্রেশন এবং অ্যানালিটিক্স অ্যালগরিদম (যেমন, গতি ভবিষ্যদ্বাণী-ভিত্তিক অবজেক্ট ট্র্যাকিং, ফেস রিকগনিশন) করার সময় বোঝায়। যেমনটি আগে উল্লেখ করা হয়েছে, প্রতিটি ভিডিও ফ্রেমের জন্য একাধিক এআই মডেল চালাতে হবে এমন অ্যাপ্লিকেশনগুলির জন্য প্রসেসিং লেটেন্সি আরও বেশি গুরুত্বপূর্ণ।

চিত্র 3. ভিডিও বিশ্লেষণ পাইপলাইন ডেটা ক্যাপচার, ডেটা স্থানান্তর এবং ডেটা প্রক্রিয়াকরণ নিয়ে গঠিত।
 

ডেটা প্রসেসিং লেটেন্সি একটি AI অ্যাক্সিলারেটর ব্যবহার করে অপ্টিমাইজ করা যেতে পারে একটি আর্কিটেকচারের সাথে যা চিপ জুড়ে এবং কম্পিউট এবং মেমরি শ্রেণিবিন্যাসের বিভিন্ন স্তরের মধ্যে ডেটা চলাচল কমানোর জন্য ডিজাইন করা হয়েছে। এছাড়াও, লেটেন্সি এবং সিস্টেম-স্তরের দক্ষতা উন্নত করতে, আর্কিটেকচারকে অবশ্যই মডেলগুলির মধ্যে শূন্য (বা শূন্যের কাছাকাছি) পরিবর্তনের সময় সমর্থন করতে হবে, আমরা আগে আলোচনা করেছি বহু-মডেল অ্যাপ্লিকেশনগুলিকে আরও ভালভাবে সমর্থন করতে। উন্নত কর্মক্ষমতা এবং লেটেন্সি উভয়ের জন্য আরেকটি ফ্যাক্টর অ্যালগরিদমিক নমনীয়তার সাথে সম্পর্কিত। অন্য কথায়, কিছু আর্কিটেকচার শুধুমাত্র নির্দিষ্ট AI মডেলের জন্য সর্বোত্তম আচরণের জন্য ডিজাইন করা হয়েছে, কিন্তু দ্রুত পরিবর্তনশীল AI পরিবেশের সাথে, উচ্চতর কর্মক্ষমতা এবং আরও সঠিকতার জন্য নতুন মডেলগুলি প্রতিদিনের মতো মনে হচ্ছে। অতএব, মডেল টপোলজি, অপারেটর এবং আকারের উপর কোন ব্যবহারিক বিধিনিষেধ ছাড়াই এজ এআই প্রসেসর নির্বাচন করুন।

পারফরম্যান্স এবং লেটেন্সি প্রয়োজনীয়তা এবং সিস্টেম ওভারহেড সহ একটি প্রান্ত AI অ্যাপ্লায়েন্সে পারফরম্যান্স সর্বাধিক করার জন্য অনেকগুলি কারণ বিবেচনা করা উচিত। একটি সফল কৌশল SoC এর AI ইঞ্জিনের মেমরি এবং কর্মক্ষমতা সীমাবদ্ধতা কাটিয়ে উঠতে একটি বাহ্যিক AI অ্যাক্সিলারেটর বিবেচনা করা উচিত।
 
 
সি.এইচ.চি একজন দক্ষ পণ্য বিপণন এবং ব্যবস্থাপনা নির্বাহী, Chee এর সেমিকন্ডাক্টর শিল্পে পণ্য এবং সমাধান প্রচার করার ব্যাপক অভিজ্ঞতা রয়েছে, যা এন্টারপ্রাইজ এবং ভোক্তা সহ একাধিক বাজারের জন্য দৃষ্টি-ভিত্তিক AI, সংযোগ এবং ভিডিও ইন্টারফেসের উপর দৃষ্টি নিবদ্ধ করে। একজন উদ্যোক্তা হিসেবে, Chee একটি পাবলিক সেমিকন্ডাক্টর কোম্পানি দ্বারা অধিগ্রহণ করা দুটি ভিডিও সেমিকন্ডাক্টর স্টার্ট-আপের সহ-প্রতিষ্ঠা করেন। Chee নেতৃত্বাধীন পণ্য বিপণন দল এবং একটি ছোট দলের সাথে কাজ করা উপভোগ করে যা দুর্দান্ত ফলাফল অর্জনের উপর দৃষ্টি নিবদ্ধ করে।
 

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
• প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
• প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
• উত্স: https://www.kdnuggets.com/maximize-performance-in-edge-ai-applications?utm_source=rss&utm_medium=rss&utm_campaign=maximize-performance-in-edge-ai-applications