ಅಪೂರ್ಣತೆಯನ್ನು ಅಪ್ಪಿಕೊಳ್ಳುವುದು: ಅಂದಾಜು ಕಂಪ್ಯೂಟಿಂಗ್ ಮತ್ತು ನಿಖರತೆಯ ಹೊಂದಾಣಿಕೆಯ ಒಂದು ಆಳವಾದ ನೋಟ

ವೇಗವಾದ, ಹೆಚ್ಚು ಶಕ್ತಿಯುತ ಮತ್ತು ಹೆಚ್ಚು ದಕ್ಷತೆಯ ಗಣನೆಯ ನಿರಂತರ ಅನ್ವೇಷಣೆಯಲ್ಲಿ, ನಾವು ಸಾಂಪ್ರದಾಯಿಕವಾಗಿ ಒಂದು ಮೂಲಭೂತ ಊಹೆಯ ಅಡಿಯಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದ್ದೇವೆ: ಪ್ರತಿ ಲೆಕ್ಕಾಚಾರವು ಸಂಪೂರ್ಣವಾಗಿ ನಿಖರವಾಗಿರಬೇಕು. ಹಣಕಾಸಿನ ವಹಿವಾಟುಗಳಿಂದ ಹಿಡಿದು ವೈಜ್ಞಾನಿಕ ಸಿಮ್ಯುಲೇಶನ್‌ಗಳವರೆಗೆ, ಬಿಟ್-ಪರ್ಫೆಕ್ಟ್ ನಿಖರತೆಯು ಚಿನ್ನದ ಗುಣಮಟ್ಟವಾಗಿದೆ. ಆದರೆ ಈ ಪರಿಪೂರ್ಣತೆಯ ಅನ್ವೇಷಣೆಯೇ ಒಂದು ಅಡಚಣೆಯಾಗುತ್ತಿದ್ದರೆ ಏನು? ಆಧುನಿಕ ಅನ್ವಯಗಳ ಒಂದು ದೊಡ್ಡ ವರ್ಗಕ್ಕೆ, 'ಸಾಕಷ್ಟು ಉತ್ತಮ' ಎನ್ನುವುದು ಕೇವಲ ಸ್ವೀಕಾರಾರ್ಹವಲ್ಲ, ಬದಲಿಗೆ ಹೆಚ್ಚು ಶ್ರೇಷ್ಠವಾಗಿದ್ದರೆ ಏನು?

ಅಂದಾಜು ಕಂಪ್ಯೂಟಿಂಗ್ ಜಗತ್ತಿಗೆ ಸುಸ್ವಾಗತ, ಇದು ನಮ್ಮ ಸಾಂಪ್ರದಾಯಿಕ ನಿಖರತೆಯ ವ್ಯಾಖ್ಯಾನವನ್ನು ಪ್ರಶ್ನಿಸುವ ಒಂದು ಕ್ರಾಂತಿಕಾರಿ ಮಾದರಿ. ಇದು ಕಾರ್ಯಕ್ಷಮತೆ, ಶಕ್ತಿ ದಕ್ಷತೆ ಮತ್ತು ಸಂಪನ್ಮೂಲ ಬಳಕೆಯಲ್ಲಿ ಗಮನಾರ್ಹ ಲಾಭಗಳನ್ನು ಸಾಧಿಸಲು ಗಣನೆಗಳಲ್ಲಿ ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ನಿಯಂತ್ರಿತ, ನಿರ್ವಹಿಸಬಹುದಾದ ದೋಷಗಳನ್ನು ಪರಿಚಯಿಸುವ ಒಂದು ವಿನ್ಯಾಸ ತತ್ವ. ಇದು ದೋಷಯುಕ್ತ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸುವುದರ ಬಗ್ಗೆ ಅಲ್ಲ; ಇದು ಇಂದು ಅತ್ಯಂತ ಮುಖ್ಯವಾದ ಮೆಟ್ರಿಕ್‌ಗಳಾದ ವೇಗ ಮತ್ತು ವಿದ್ಯುತ್ ಬಳಕೆಯಲ್ಲಿ ಭಾರಿ ಸುಧಾರಣೆಗಳಿಗಾಗಿ, ಸಾಮಾನ್ಯವಾಗಿ ಗ್ರಹಿಸಲಾಗದಷ್ಟು ಸಣ್ಣ ಪ್ರಮಾಣದ ನಿಖರತೆಯನ್ನು ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳುವುದಾಗಿದೆ.

ಈಗ ಏಕೆ? ಅಂದಾಜು ಕಂಪ್ಯೂಟಿಂಗ್ ಹಿಂದಿನ ಪ್ರೇರಕ ಶಕ್ತಿಗಳು

ಅಂದಾಜು ಕಂಪ್ಯೂಟಿಂಗ್‌ ಕಡೆಗಿನ ಬದಲಾವಣೆಯು ಯಾದೃಚ್ಛಿಕವಲ್ಲ. ಇದು 21ನೇ ಶತಮಾನದಲ್ಲಿ ನಾವು ಎದುರಿಸುತ್ತಿರುವ ಮೂಲಭೂತ ಭೌತಿಕ ಮತ್ತು ತಾಂತ್ರಿಕ ಮಿತಿಗಳಿಗೆ ನೇರ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿದೆ. ಈ ಮಾದರಿಯನ್ನು ಕೇವಲ ಆಸಕ್ತಿದಾಯಕವಲ್ಲ, ಆದರೆ ಅವಶ್ಯಕವಾಗಿಸಲು ಹಲವಾರು ಪ್ರಮುಖ ಅಂಶಗಳು ಒಮ್ಮುಖವಾಗುತ್ತಿವೆ.

ಒಂದು ಯುಗದ ಅಂತ್ಯ: ಮೂರ್ಸ್ ಲಾ ಮತ್ತು ಡೆನಾರ್ಡ್ ಸ್ಕೇಲಿಂಗ್

ದಶಕಗಳ ಕಾಲ, ತಂತ್ರಜ್ಞಾನ ಉದ್ಯಮವು ಎರಡು ನಿರೀಕ್ಷಿತ ಪ್ರವೃತ್ತಿಗಳಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯಿತು. ಮೂರ್ಸ್ ಲಾ ಪ್ರಕಾರ, ಚಿಪ್‌ನಲ್ಲಿನ ಟ್ರಾನ್ಸಿಸ್ಟರ್‌ಗಳ ಸಂಖ್ಯೆಯು ಪ್ರತಿ ಎರಡು ವರ್ಷಗಳಿಗೊಮ್ಮೆ ದ್ವಿಗುಣಗೊಳ್ಳುತ್ತದೆ, ಇದು ಸಂಸ್ಕರಣಾ ಶಕ್ತಿಯಲ್ಲಿ ಘಾತೀಯ ಹೆಚ್ಚಳಕ್ಕೆ ಕಾರಣವಾಯಿತು. ಇದಕ್ಕೆ ಪೂರಕವಾಗಿ ಡೆನಾರ್ಡ್ ಸ್ಕೇಲಿಂಗ್, ಟ್ರಾನ್ಸಿಸ್ಟರ್‌ಗಳು ಚಿಕ್ಕದಾದಂತೆ, ಅವುಗಳ ವಿದ್ಯುತ್ ಸಾಂದ್ರತೆಯು ಸ್ಥಿರವಾಗಿರುತ್ತಿತ್ತು ಎಂದು ಹೇಳುತ್ತದೆ. ಇದರರ್ಥ ಚಿಪ್‌ಗೆ ಅನುಗುಣವಾಗಿ ಹೆಚ್ಚು ಬಿಸಿಯಾಗದೆ ನಾವು ಹೆಚ್ಚು ಟ್ರಾನ್ಸಿಸ್ಟರ್‌ಗಳನ್ನು ಸೇರಿಸಬಹುದಿತ್ತು.

ಸುಮಾರು 2000ದ ದಶಕದ ಮಧ್ಯಭಾಗದಲ್ಲಿ, ಡೆನಾರ್ಡ್ ಸ್ಕೇಲಿಂಗ್ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕೊನೆಗೊಂಡಿತು. ಟ್ರಾನ್ಸಿಸ್ಟರ್‌ಗಳು ಎಷ್ಟು ಚಿಕ್ಕದಾದವೆಂದರೆ ಲೀಕೇಜ್ ಕರೆಂಟ್‌ಗಳು ಒಂದು ದೊಡ್ಡ ಸಮಸ್ಯೆಯಾದವು, ಮತ್ತು ನಾವು ಇನ್ನು ಮುಂದೆ ವೋಲ್ಟೇಜ್ ಅನ್ನು ಪ್ರಮಾಣಾನುಗುಣವಾಗಿ ಕಡಿಮೆ ಮಾಡಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ. ಮೂರ್ಸ್ ಲಾ ನಿಧಾನಗೊಂಡಿದ್ದರೂ, ಅದರ ಮುಖ್ಯ ಸವಾಲು ಈಗ ವಿದ್ಯುತ್ ಆಗಿದೆ. ನಾವು ಇನ್ನೂ ಹೆಚ್ಚಿನ ಟ್ರಾನ್ಸಿಸ್ಟರ್‌ಗಳನ್ನು ಸೇರಿಸಬಹುದು, ಆದರೆ ಚಿಪ್ ಅನ್ನು ಕರಗಿಸದೆ ಅವೆಲ್ಲವನ್ನೂ ಏಕಕಾಲದಲ್ಲಿ ಪೂರ್ಣ ವೇಗದಲ್ಲಿ ಚಾಲನೆ ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ. ಇದನ್ನು "ಡಾರ್ಕ್ ಸಿಲಿಕಾನ್" ಸಮಸ್ಯೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಇದು ಶಕ್ತಿ ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸಲು ಹೊಸ ಮಾರ್ಗಗಳ ತುರ್ತು ಅಗತ್ಯವನ್ನು ಸೃಷ್ಟಿಸಿದೆ.

ಶಕ್ತಿಯ ಗೋಡೆ

ಕ್ಲೌಡ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡುವ ಬೃಹತ್, ನಗರ-ಗಾತ್ರದ ಡೇಟಾ ಕೇಂದ್ರಗಳಿಂದ ಹಿಡಿದು ಇಂಟರ್ನೆಟ್ ಆಫ್ ಥಿಂಗ್ಸ್ (IoT) ನಲ್ಲಿರುವ ಸಣ್ಣ, ಬ್ಯಾಟರಿ-ಚಾಲಿತ ಸಂವೇದಕಗಳವರೆಗೆ, ಶಕ್ತಿಯ ಬಳಕೆಯು ಒಂದು ನಿರ್ಣಾಯಕ ನಿರ್ಬಂಧವಾಗಿದೆ. ಡೇಟಾ ಕೇಂದ್ರಗಳು ಜಾಗತಿಕ ವಿದ್ಯುತ್ ಬಳಕೆಯ ಗಮನಾರ್ಹ ಭಾಗವನ್ನು ಹೊಂದಿವೆ, ಮತ್ತು ಅವುಗಳ ಶಕ್ತಿಯ ಹೆಜ್ಜೆಗುರುತು ಒಂದು ಪ್ರಮುಖ ಕಾರ್ಯಾಚರಣೆಯ ವೆಚ್ಚ ಮತ್ತು ಪರಿಸರ ಕಾಳಜಿಯಾಗಿದೆ. ಮತ್ತೊಂದೆಡೆ, IoT ಸಾಧನದ ಉಪಯುಕ್ತತೆಯನ್ನು ಅದರ ಬ್ಯಾಟರಿ ಅವಧಿಯಿಂದ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗುತ್ತದೆ. ಅಂದಾಜು ಕಂಪ್ಯೂಟಿಂಗ್, ಆಧಾರವಾಗಿರುವ ಹಾರ್ಡ್‌ವೇರ್ ಮತ್ತು ಸಾಫ್ಟ್‌ವೇರ್ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಸರಳಗೊಳಿಸುವ ಮೂಲಕ ಶಕ್ತಿಯ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು ನೇರ ಮಾರ್ಗವನ್ನು ನೀಡುತ್ತದೆ.

ದೋಷ-ಸಹಿಷ್ಣು ಅನ್ವಯಗಳ ಉದಯ

ಬಹುಶಃ ಅತ್ಯಂತ ಮಹತ್ವದ ಚಾಲಕವೆಂದರೆ ನಮ್ಮ ಕೆಲಸದ ಹೊರೆಗಳ ಬದಲಾಗುತ್ತಿರುವ ಸ್ವರೂಪ. ಇಂದಿನ ಅತ್ಯಂತ ಪ್ರಮುಖ ಮತ್ತು ಗಣನಾತ್ಮಕವಾಗಿ ತೀವ್ರವಾದ ಅನೇಕ ಅನ್ವಯಗಳು ಸಣ್ಣ ದೋಷಗಳಿಗೆ ಸಹಜವಾದ ಸ್ಥಿತಿಸ್ಥಾಪಕತ್ವವನ್ನು ಹೊಂದಿವೆ. ಪರಿಗಣಿಸಿ:

• ಮಷೀನ್ ಲರ್ನಿಂಗ್ (AI): ಒಂದು ನರಮಂಡಲದ ಜಾಲದ ನಿರ್ಧಾರವು ಒಂದು ಚಿತ್ರವನ್ನು "ಬೆಕ್ಕು" ಅಥವಾ "ನಾಯಿ" ಎಂದು ವರ್ಗೀಕರಿಸಲು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಂಭವನೀಯತೆಗಳನ್ನು ಆಧರಿಸಿದೆ. ಲಕ್ಷಾಂತರ ತೂಕಗಳಲ್ಲಿ ಒಂದರ ಮೌಲ್ಯದಲ್ಲಿನ ಸಣ್ಣ ಬದಲಾವಣೆಯು ಅಂತಿಮ, ಉನ್ನತ ಮಟ್ಟದ ಫಲಿತಾಂಶವನ್ನು ಬದಲಾಯಿಸುವ ಸಾಧ್ಯತೆ ತೀರಾ ಕಡಿಮೆ.
• ಮಲ್ಟಿಮೀಡಿಯಾ ಸಂಸ್ಕರಣೆ: ಮಾನವನ ಗ್ರಹಣಾ ವ್ಯವಸ್ಥೆಯು ಕ್ಷಮಿಸುವಂತಹದ್ದು. 4K ವೀಡಿಯೊದ ಒಂದು ಫ್ರೇಮ್‌ನಲ್ಲಿ ಕೆಲವು ಪಿಕ್ಸೆಲ್‌ಗಳು ಸ್ವಲ್ಪ ಬಣ್ಣ ತಪ್ಪಿದ್ದರೆ ಅಥವಾ ಆಡಿಯೊ ಸ್ಟ್ರೀಮ್‌ನಲ್ಲಿ ಒಂದು ಸಣ್ಣ, ಕೇಳಿಸಲಾಗದ ದೋಷವಿದ್ದರೆ ನೀವು ಗಮನಿಸುವುದಿಲ್ಲ.
• ಬಿಗ್ ಡೇಟಾ ಅನಾಲಿಟಿಕ್ಸ್: ಪ್ರವೃತ್ತಿಗಳನ್ನು ಗುರುತಿಸಲು ವೆಬ್-ಪ್ರಮಾಣದ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವಾಗ, ಫಲಿತಾಂಶದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮಹತ್ವವೇ ಮುಖ್ಯವಾಗಿರುತ್ತದೆ. ಶತಕೋಟಿಗಟ್ಟಲೆ ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳಲ್ಲಿ ಕೆಲವು ವೈಯಕ್ತಿಕ ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳ ನಿಖರ ಮೌಲ್ಯವು ಸಾಮಾನ್ಯವಾಗಿ ಅಪ್ರಸ್ತುತ ಗದ್ದಲವಾಗಿರುತ್ತದೆ.

ಈ ಅನ್ವಯಗಳಿಗೆ, ಬಿಟ್-ಪರ್ಫೆಕ್ಟ್ ನಿಖರತೆಯನ್ನು ಬೇಡುವುದು ಗಣನಾತ್ಮಕವಾಗಿ ಅತಿಯಾದದ್ದು. ಇದು ಫುಟ್‌ಬಾಲ್ ಮೈದಾನವನ್ನು ಅಳೆಯಲು ಮೈಕ್ರೋಮೀಟರ್ ಬಳಸಿದಂತೆ—ಹೆಚ್ಚುವರಿ ನಿಖರತೆಯು ಯಾವುದೇ ಪ್ರಾಯೋಗಿಕ ಮೌಲ್ಯವನ್ನು ನೀಡುವುದಿಲ್ಲ ಮತ್ತು ಸಮಯ ಹಾಗೂ ಶಕ್ತಿಯಲ್ಲಿ ಭಾರಿ ವೆಚ್ಚವನ್ನು ತರುತ್ತದೆ.

ಮೂಲ ತತ್ವ: ನಿಖರತೆ-ಕಾರ್ಯಕ್ಷಮತೆ-ಶಕ್ತಿ ತ್ರಿಕೋನ

ಅಂದಾಜು ಕಂಪ್ಯೂಟಿಂಗ್ ಒಂದು ಸರಳ ಆದರೆ ಶಕ್ತಿಯುತ ಹೊಂದಾಣಿಕೆಯ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಇದನ್ನು ಮೂರು ಶೃಂಗಗಳನ್ನು ಹೊಂದಿರುವ ತ್ರಿಕೋನವೆಂದು ಯೋಚಿಸಿ: ನಿಖರತೆ, ಕಾರ್ಯಕ್ಷಮತೆ (ವೇಗ), ಮತ್ತು ಶಕ್ತಿ. ಸಾಂಪ್ರದಾಯಿಕ ಕಂಪ್ಯೂಟಿಂಗ್‌ನಲ್ಲಿ, ನಿಖರತೆಯನ್ನು 100% ನಲ್ಲಿ ನಿಗದಿಪಡಿಸಲಾಗಿದೆ. ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಲು ಅಥವಾ ಶಕ್ತಿಯ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು, ನಾವು ಇತರ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ (ವಾಸ್ತುಶಿಲ್ಪ ಅಥವಾ ವಸ್ತು ವಿಜ್ಞಾನದಂತಹ) ಹೊಸತನವನ್ನು ತರಬೇಕು, ಇದು ಹೆಚ್ಚು ಕಷ್ಟಕರವಾಗುತ್ತಿದೆ.

ಅಂದಾಜು ಕಂಪ್ಯೂಟಿಂಗ್ ನಿಖರತೆಯನ್ನು ಒಂದು ಹೊಂದಿಕೊಳ್ಳುವ ಚರಾಂಶವನ್ನಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ನಿಖರತೆಯಲ್ಲಿ ಸಣ್ಣ, ನಿಯಂತ್ರಿತ ಕಡಿತವನ್ನು ಅನುಮತಿಸುವ ಮೂಲಕ, ನಾವು ಆಪ್ಟಿಮೈಸೇಶನ್‌ನ ಹೊಸ ಆಯಾಮಗಳನ್ನು ತೆರೆಯುತ್ತೇವೆ:

• ನಿಖರತೆ vs. ವೇಗ: ಸರಳವಾದ ಲೆಕ್ಕಾಚಾರಗಳು ವೇಗವಾಗಿ ಕಾರ್ಯಗತಗೊಳ್ಳುತ್ತವೆ. ಸಂಕೀರ್ಣ ಹಂತಗಳನ್ನು ಬಿಟ್ಟುಬಿಡುವುದರಿಂದ ಅಥವಾ ಕಡಿಮೆ ನಿಖರವಾದ ತರ್ಕವನ್ನು ಬಳಸುವುದರಿಂದ, ನಾವು ಥ್ರೋಪುಟ್ ಅನ್ನು ನಾಟಕೀಯವಾಗಿ ಹೆಚ್ಚಿಸಬಹುದು.
• ನಿಖರತೆ vs. ಶಕ್ತಿ: ಸರಳವಾದ ತರ್ಕ ಸರ್ಕ್ಯೂಟ್‌ಗಳಿಗೆ ಕಡಿಮೆ ಟ್ರಾನ್ಸಿಸ್ಟರ್‌ಗಳು ಬೇಕಾಗುತ್ತವೆ ಮತ್ತು ಕಡಿಮೆ ವೋಲ್ಟೇಜ್‌ಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು, ಇದು ಸ್ಥಿರ ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕ ವಿದ್ಯುತ್ ಬಳಕೆಯಲ್ಲಿ ಗಣನೀಯ ಕಡಿತಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ.
• ನಿಖರತೆ vs. ವಿಸ್ತೀರ್ಣ/ವೆಚ್ಚ: ಅಂದಾಜು ಹಾರ್ಡ್‌ವೇರ್ ಘಟಕಗಳು ಚಿಕ್ಕದಾಗಿರಬಹುದು, ಅಂದರೆ ಒಂದೇ ಚಿಪ್‌ನಲ್ಲಿ ಹೆಚ್ಚು ಸಂಸ್ಕರಣಾ ಘಟಕಗಳು ಹೊಂದಿಕೊಳ್ಳಬಹುದು, ಇದು ಉತ್ಪಾದನಾ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಸಮಾನಾಂತರತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.

ಪ್ರತಿ ಅನ್ವಯಕ್ಕೂ "ಸ್ವೀಟ್ ಸ್ಪಾಟ್" ಅನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಗುರಿಯಾಗಿದೆ—ಅಂದರೆ, ಕನಿಷ್ಠ, ಸ್ವೀಕಾರಾರ್ಹ ಗುಣಮಟ್ಟದ ನಷ್ಟಕ್ಕೆ ಗರಿಷ್ಠ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಶಕ್ತಿ ಲಾಭಗಳನ್ನು ನಾವು ಸಾಧಿಸುವ ಬಿಂದು.

ಇದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ: ಅಂದಾಜು ಕಂಪ್ಯೂಟಿಂಗ್‌ನಲ್ಲಿನ ತಂತ್ರಗಳು

ಅಂದಾಜನ್ನು ಕಂಪ್ಯೂಟಿಂಗ್ ಸ್ಟಾಕ್‌ನ ಪ್ರತಿಯೊಂದು ಹಂತದಲ್ಲಿ ಅಳವಡಿಸಬಹುದು, ಪ್ರೊಸೆಸರ್‌ನಲ್ಲಿನ ಮೂಲಭೂತ ತರ್ಕ ದ್ವಾರಗಳಿಂದ ಹಿಡಿದು ಅಪ್ಲಿಕೇಶನ್‌ನಲ್ಲಿನ ಉನ್ನತ-ಮಟ್ಟದ ಅಲ್ಗಾರಿದಮ್‌ಗಳವರೆಗೆ. ಈ ತಂತ್ರಗಳನ್ನು ಅವುಗಳ ಪ್ರಯೋಜನಗಳನ್ನು ಗರಿಷ್ಠಗೊಳಿಸಲು ಸಂಯೋಜನೆಯಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ.

ಹಾರ್ಡ್‌ವೇರ್-ಮಟ್ಟದ ಅಂದಾಜುಗಳು

ಈ ತಂತ್ರಗಳು ಕಂಪ್ಯೂಟರ್‌ನ ಭೌತಿಕ ಘಟಕಗಳನ್ನು ಅಂತರ್ಗತವಾಗಿ ಅನಿಖರವಾಗಿರುವಂತೆ ಮರುವಿನ್ಯಾಸಗೊಳಿಸುವುದನ್ನು ಒಳಗೊಂಡಿವೆ.

• ಅಂದಾಜು ಅಂಕಗಣಿತದ ಸರ್ಕ್ಯೂಟ್‌ಗಳು: ಸಿಪಿಯು ನಿರ್ಮಾಣದ ಬ್ಲಾಕ್‌ಗಳು ಅಂಕಗಣಿತದ ಸರ್ಕ್ಯೂಟ್‌ಗಳಾದ ಆಡರ್‌ಗಳು ಮತ್ತು ಮಲ್ಟಿಪ್ಲೈಯರ್‌ಗಳು. ನಿಖರವಾದ 32-ಬಿಟ್ ಮಲ್ಟಿಪ್ಲೈಯರ್ ಒಂದು ಸಂಕೀರ್ಣ, ಶಕ್ತಿ-ಬಾಕ ಪೀಸ್ ಆಫ್ ಲಾಜಿಕ್. ಅಂದಾಜು ಮಲ್ಟಿಪ್ಲೈಯರ್ ಅನ್ನು ಕಡಿಮೆ ಮಹತ್ವದ ಬಿಟ್‌ಗಳಿಗಾಗಿ ಗಣನೆಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಬಹುದು. ಇದು ಗಣನೀಯವಾಗಿ ಚಿಕ್ಕದಾದ, ವೇಗವಾದ ಮತ್ತು ಹೆಚ್ಚು ಶಕ್ತಿ-ದಕ್ಷ ಸರ್ಕ್ಯೂಟ್‌ಗೆ ಕಾರಣವಾಗುತ್ತದೆ, ಆದರೆ ಅಂತಿಮ ಉತ್ಪನ್ನದಲ್ಲಿ ಕೇವಲ ಸಣ್ಣ ದೋಷವನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ.
• ವೋಲ್ಟೇಜ್ ಓವರ್-ಸ್ಕೇಲಿಂಗ್ (VOS): ಪ್ರತಿ ಚಿಪ್ ಕನಿಷ್ಠ ಸುರಕ್ಷಿತ ಆಪರೇಟಿಂಗ್ ವೋಲ್ಟೇಜ್ ಅನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಇದರ ಕೆಳಗೆ, ಸಿಗ್ನಲ್‌ಗಳು ಸರ್ಕ್ಯೂಟ್‌ಗಳ ಮೂಲಕ ಸಮಯಕ್ಕೆ ಸರಿಯಾಗಿ ಪ್ರಸಾರವಾಗಲು ಸಾಕಷ್ಟು ಶಕ್ತಿ ಇಲ್ಲದ ಕಾರಣ ಸಮಯದ ದೋಷಗಳು ಸಂಭವಿಸಬಹುದು. VOS ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಚಿಪ್ ಅನ್ನು ಈ ಸುರಕ್ಷಿತ ವೋಲ್ಟೇಜ್‌ಗಿಂತ ಕೆಳಗೆ ಚಲಾಯಿಸುತ್ತದೆ. ಇದು ಶಕ್ತಿಯನ್ನು ತೀವ್ರವಾಗಿ ಉಳಿಸುತ್ತದೆ, ಆದರೆ ಸಾಂದರ್ಭಿಕ ಸಮಯದ ದೋಷಗಳನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ. ಅಂದಾಜು ಸಂದರ್ಭದಲ್ಲಿ, ಅಂತಿಮ ಔಟ್‌ಪುಟ್ ಮೇಲೆ ಅವುಗಳ ಪ್ರಭಾವವು ನಗಣ್ಯವಾಗಿದ್ದರೆ ಈ ಯಾದೃಚ್ಛಿಕ, ಅಪರೂಪದ ದೋಷಗಳು ಸ್ವೀಕಾರಾರ್ಹ.
• ಅಂದಾಜು ಮೆಮೊರಿ: SRAM ಮತ್ತು DRAM ನಂತಹ ಮೆಮೊರಿ ಸಿಸ್ಟಮ್‌ಗಳು ಪ್ರಮುಖ ವಿದ್ಯುತ್ ಗ್ರಾಹಕಗಳಾಗಿವೆ. ಅಂದಾಜು ಮೆಮೊರಿ ವಿನ್ಯಾಸಗಳು ಶಕ್ತಿಯನ್ನು ಉಳಿಸಲು ಹೆಚ್ಚಿನ ದೋಷ ದರಗಳನ್ನು ಅನುಮತಿಸುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, DRAM ಸೆಲ್‌ಗಳ ರಿಫ್ರೆಶ್ ದರವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು, ಕೆಲವು ಬಿಟ್‌ಗಳು ಫ್ಲಿಪ್ ಆಗುವ ಅಪಾಯದಲ್ಲಿ ಶಕ್ತಿಯನ್ನು ಉಳಿಸಬಹುದು. ಮೆಮೊರಿಯಲ್ಲಿ ಸಂಗ್ರಹವಾಗಿರುವ ಚಿತ್ರಕ್ಕಾಗಿ, ಕೆಲವು ಫ್ಲಿಪ್ ಆದ ಬಿಟ್‌ಗಳು ಗಮನಕ್ಕೆ ಬಾರದ 'ಸ್ಪಾರ್ಕಲ್' ಶಬ್ದವಾಗಿ ಪ್ರಕಟವಾಗಬಹುದು.

ಸಾಫ್ಟ್‌ವೇರ್-ಮಟ್ಟದ ಅಂದಾಜುಗಳು

ಈ ತಂತ್ರಗಳನ್ನು ಯಾವುದೇ ವಿಶೇಷ ಹಾರ್ಡ್‌ವೇರ್ ಇಲ್ಲದೆ ಅಳವಡಿಸಬಹುದು, ಇದು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಡೆವಲಪರ್‌ಗಳಿಗೆ ಲಭ್ಯವಾಗುವಂತೆ ಮಾಡುತ್ತದೆ.

• ಲೂಪ್ ಪರ್ಫೊರೇಷನ್: ಅನೇಕ ಅಲ್ಗಾರಿದಮ್‌ಗಳಲ್ಲಿ, ಅತ್ಯಂತ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ ಭಾಗವೆಂದರೆ ಲಕ್ಷಾಂತರ ಅಥವಾ ಶತಕೋಟಿ ಪುನರಾವರ್ತನೆಗಳಿಗಾಗಿ ಚಲಿಸುವ ಲೂಪ್. ಲೂಪ್ ಪರ್ಫೊರೇಷನ್ ವ್ಯವಸ್ಥಿತವಾಗಿ ಈ ಪುನರಾವರ್ತನೆಗಳ ನಿರ್ದಿಷ್ಟ ಸಂಖ್ಯೆಯನ್ನು ಬಿಟ್ಟುಬಿಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಇಮೇಜ್ ಫಿಲ್ಟರ್‌ನಲ್ಲಿ ಪ್ರತಿಯೊಂದು ಪಿಕ್ಸೆಲ್ ಅನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಬದಲು, ಅಲ್ಗಾರಿದಮ್ ಪ್ರತಿ ಎರಡನೇ ಪಿಕ್ಸೆಲ್ ಅನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬಹುದು ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಇಂಟರ್ಪೋಲೇಟ್ ಮಾಡಬಹುದು. ಇದು ದೃಶ್ಯ ಗುಣಮಟ್ಟದ ಮೇಲೆ ಕನಿಷ್ಠ ಪರಿಣಾಮದೊಂದಿಗೆ ಕಾರ್ಯಗತಗೊಳಿಸುವ ಸಮಯವನ್ನು ಸುಮಾರು ಅರ್ಧದಷ್ಟು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
• ನಿಖರತೆಯ ಸ್ಕೇಲಿಂಗ್ (ಕ್ವಾಂಟೈಸೇಶನ್): ಆಧುನಿಕ ಕಂಪ್ಯೂಟರ್‌ಗಳು ಸಾಮಾನ್ಯವಾಗಿ 64-ಬಿಟ್ (ಡಬಲ್-ಪ್ರೆಸಿಶನ್) ಅಥವಾ 32-ಬಿಟ್ (ಸಿಂಗಲ್-ಪ್ರೆಸಿಶನ್) ಫ್ಲೋಟಿಂಗ್-ಪಾಯಿಂಟ್ ಸಂಖ್ಯೆಗಳನ್ನು ಪೂರ್ವನಿಯೋಜಿತವಾಗಿ ಬಳಸುತ್ತವೆ. ಆದಾಗ್ಯೂ, ಅನೇಕ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ಈ ಮಟ್ಟದ ನಿಖರತೆಯ ಅಗತ್ಯವಿಲ್ಲ. 16-ಬಿಟ್ ಹಾಫ್-ಪ್ರೆಸಿಶನ್ ಫ್ಲೋಟ್‌ಗಳು ಅಥವಾ 8-ಬಿಟ್ ಇಂಟಿಜರ್‌ಗಳಂತಹ ಚಿಕ್ಕ ಡೇಟಾ ಪ್ರಕಾರಗಳನ್ನು ಬಳಸುವ ಮೂಲಕ, ನಾವು ಮೆಮೊರಿ ಫುಟ್‌ಪ್ರಿಂಟ್ ಅನ್ನು ಗಣನೀಯವಾಗಿ ಕಡಿಮೆ ಮಾಡಬಹುದು, ಮೆಮೊರಿ ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್ ಅವಶ್ಯಕತೆಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು ಮತ್ತು ವಿಶೇಷ ಹಾರ್ಡ್‌ವೇರ್‌ನಲ್ಲಿ (ಜಿಪಿಯುಗಳು ಮತ್ತು ಎಐ ವೇಗವರ್ಧಕಗಳಂತಹ) ವೇಗದ ಗಣನೆಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಬಹುದು.
• ಟಾಸ್ಕ್ ಸ್ಕಿಪ್ಪಿಂಗ್: ನೈಜ-ಸಮಯದ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ, ಕೆಲವೊಮ್ಮೆ ಎಲ್ಲವನ್ನೂ ವಿಳಂಬ ಮಾಡುವುದಕ್ಕಿಂತ ಒಂದು ಕಾರ್ಯವನ್ನು ಕೈಬಿಡುವುದು ಉತ್ತಮ. ಸ್ವಯಂ ಚಾಲಿತ ಕಾರಿನ ಗ್ರಹಿಕೆ ವ್ಯವಸ್ಥೆಯನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ಒಂದೇ ಸೆನ್ಸರ್ ಫ್ರೇಮ್ ಅನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಹೆಚ್ಚು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತಿದ್ದರೆ ಮತ್ತು ಹೊಸ, ಹೆಚ್ಚು ಸಂಬಂಧಿತ ಫ್ರೇಮ್ ಬಂದಿದ್ದರೆ, ಹಳೆಯದನ್ನು ಬಿಟ್ಟು ಪ್ರಸ್ತುತ ಡೇಟಾದ ಮೇಲೆ ಕೆಲಸ ಮಾಡುವುದು ನೈಜ-ಸಮಯದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಲು ಉತ್ತಮವಾಗಿದೆ.
• ಅಂದಾಜಿನೊಂದಿಗೆ ಮೆಮೊಯೈಸೇಶನ್: ಮೆಮೊಯೈಸೇಶನ್ ಒಂದು ಕ್ಲಾಸಿಕ್ ಆಪ್ಟಿಮೈಸೇಶನ್ ತಂತ್ರವಾಗಿದ್ದು, ಇದರಲ್ಲಿ ದುಬಾರಿ ಫಂಕ್ಷನ್ ಕರೆಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ಕ್ಯಾಶ್ ಮಾಡಲಾಗುತ್ತದೆ. ಅಂದಾಜು ಮೆಮೊಯೈಸೇಶನ್ ಇದನ್ನು 'ಸಾಕಷ್ಟು ಹತ್ತಿರ' ಇನ್‌ಪುಟ್‌ಗೆ ಕ್ಯಾಶ್ ಮಾಡಿದ ಫಲಿತಾಂಶವನ್ನು ಹಿಂಪಡೆಯಲು ಅನುಮತಿಸುವ ಮೂಲಕ ವಿಸ್ತರಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, `f(2.001)` ಅನ್ನು ವಿನಂತಿಸಿದರೆ ಮತ್ತು `f(2.0)` ಈಗಾಗಲೇ ಕ್ಯಾಶ್‌ನಲ್ಲಿದ್ದರೆ, ಸಿಸ್ಟಮ್ ಸಂಗ್ರಹಿಸಿದ ಫಲಿತಾಂಶವನ್ನು ಹಿಂತಿರುಗಿಸಬಹುದು, ದುಬಾರಿ ಮರು-ಗಣನೆಯನ್ನು ಉಳಿಸುತ್ತದೆ.

ನೈಜ-ಪ್ರಪಂಚದ ಅನ್ವಯಗಳು: ಅಪೂರ್ಣತೆ ಎಲ್ಲಿ ಹೊಳೆಯುತ್ತದೆ

ಅಂದಾಜು ಕಂಪ್ಯೂಟಿಂಗ್‌ನ ಸೈದ್ಧಾಂತಿಕ ಪ್ರಯೋಜನಗಳು ನೈಜ-ಪ್ರಪಂಚದ ಸಮಸ್ಯೆಗಳಿಗೆ ಅನ್ವಯಿಸಿದಾಗ ಸ್ಪಷ್ಟವಾಗುತ್ತವೆ. ಇದು ಭವಿಷ್ಯದ ಪರಿಕಲ್ಪನೆಯಲ್ಲ; ಇದನ್ನು ಈಗಾಗಲೇ ಜಾಗತಿಕವಾಗಿ ಪ್ರಮುಖ ತಂತ್ರಜ್ಞಾನ ಕಂಪನಿಗಳು ನಿಯೋಜಿಸುತ್ತಿವೆ.

ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಮತ್ತು ಎಐ

ಇದು ಅಂದಾಜು ಕಂಪ್ಯೂಟಿಂಗ್‌ನ ಕಿಲ್ಲರ್ ಅಪ್ಲಿಕೇಶನ್ ಎಂದು ವಾದಿಸಬಹುದು. ದೊಡ್ಡ ನರಮಂಡಲದ ಜಾಲಗಳನ್ನು ತರಬೇತಿಗೊಳಿಸುವುದು ಮತ್ತು ಚಲಾಯಿಸುವುದು ನಂಬಲಾಗದಷ್ಟು ಸಂಪನ್ಮೂಲ-ತೀವ್ರವಾಗಿದೆ. ಗೂಗಲ್ (ಅವರ ಟೆನ್ಸರ್ ಪ್ರೊಸೆಸಿಂಗ್ ಯುನಿಟ್‌ಗಳು, ಅಥವಾ TPUಗಳೊಂದಿಗೆ) ಮತ್ತು NVIDIA (ಅವರ ಜಿಪಿಯುಗಳಲ್ಲಿನ ಟೆನ್ಸರ್ ಕೋರ್‌ಗಳೊಂದಿಗೆ) ನಂತಹ ಕಂಪನಿಗಳು ಕಡಿಮೆ-ನಿಖರತೆಯ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಗುಣಾಕಾರಗಳಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ವಿಶೇಷ ಹಾರ್ಡ್‌ವೇರ್ ಅನ್ನು ನಿರ್ಮಿಸಿವೆ. Bfloat16 ಅಥವಾ INT8 ನಂತಹ ಕಡಿಮೆ ನಿಖರತೆಯ ಫಾರ್ಮ್ಯಾಟ್‌ಗಳನ್ನು ಬಳಸುವುದರಿಂದ ಮಾದರಿ ನಿಖರತೆಯಲ್ಲಿ ಸ್ವಲ್ಪವೂ ನಷ್ಟವಿಲ್ಲದೆ ತರಬೇತಿ ಮತ್ತು ಇನ್ಫರೆನ್ಸ್ ಅನ್ನು ನಾಟಕೀಯವಾಗಿ ವೇಗಗೊಳಿಸಬಹುದು ಎಂದು ಅವರು ಪ್ರದರ್ಶಿಸಿದ್ದಾರೆ, ಇದು ನಾವು ಇಂದು ನೋಡುತ್ತಿರುವ ಎಐ ಕ್ರಾಂತಿಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿದೆ.

ಮಲ್ಟಿಮೀಡಿಯಾ ಸಂಸ್ಕರಣೆ

ನೀವು ಯೂಟ್ಯೂಬ್ ಅಥವಾ ನೆಟ್‌ಫ್ಲಿಕ್ಸ್‌ನಲ್ಲಿ ವೀಡಿಯೊವನ್ನು ಸ್ಟ್ರೀಮ್ ಮಾಡಿದಾಗಲೆಲ್ಲಾ, ನೀವು ಅಂದಾಜಿಗೆ ಸಂಬಂಧಿಸಿದ ತತ್ವಗಳಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯುತ್ತಿದ್ದೀರಿ. ವೀಡಿಯೊ ಕೊಡೆಕ್‌ಗಳು (H.264 ಅಥವಾ AV1 ನಂತಹ) ಮೂಲಭೂತವಾಗಿ 'ಲಾಸ್ಸಿ' ಆಗಿರುತ್ತವೆ. ನಂಬಲಾಗದ ಸಂಕೋಚನ ಅನುಪಾತಗಳನ್ನು ಸಾಧಿಸಲು ಮಾನವನ ಕಣ್ಣು ಗಮನಿಸದ ದೃಶ್ಯ ಮಾಹಿತಿಯನ್ನು ಅವು ತಿರಸ್ಕರಿಸುತ್ತವೆ. ಅಂದಾಜು ಕಂಪ್ಯೂಟಿಂಗ್ ಇದನ್ನು ಮತ್ತಷ್ಟು ಮುಂದಕ್ಕೆ ತಳ್ಳಬಹುದು, ಕಡಿಮೆ-ಶಕ್ತಿಯ ಮೊಬೈಲ್ ಸಾಧನಗಳಲ್ಲಿ ಬಣ್ಣಗಳನ್ನು ಅಥವಾ ಬೆಳಕನ್ನು ಕೇವಲ ವಾಸ್ತವಿಕವಾಗಿ ಕಾಣುವಷ್ಟು ನಿಖರವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಮೂಲಕ ನೈಜ-ಸಮಯದ ವೀಡಿಯೊ ರೆಂಡರಿಂಗ್ ಮತ್ತು ಪರಿಣಾಮಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.

ಬಿಗ್ ಡೇಟಾ ಅನಾಲಿಟಿಕ್ಸ್ ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಕಂಪ್ಯೂಟಿಂಗ್

ಬೃಹತ್ ಜೀನೋಮಿಕ್ ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಜೀನ್ ಅನುಕ್ರಮವನ್ನು ಹುಡುಕುವಾಗ ಅಥವಾ ಕಣ ವೇಗವರ್ಧಕದಿಂದ ಪೆಟಾಬೈಟ್‌ಗಳಷ್ಟು ಸಂವೇದಕ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವಾಗ, ಅಂದಾಜು ಅಮೂಲ್ಯವಾಗಿರುತ್ತದೆ. ಭರವಸೆಯ ಪ್ರದೇಶಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಗುರುತಿಸಲು ಆರಂಭಿಕ, ವೇಗದ 'ಅಂದಾಜು ಹುಡುಕಾಟ' ವನ್ನು ನಿರ್ವಹಿಸಲು ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಬಹುದು, ನಂತರ ಅದನ್ನು ಪೂರ್ಣ ನಿಖರತೆಯೊಂದಿಗೆ ವಿಶ್ಲೇಷಿಸಬಹುದು. ಈ ಕ್ರಮಾನುಗತ ವಿಧಾನವು ಅಪಾರ ಪ್ರಮಾಣದ ಸಮಯವನ್ನು ಉಳಿಸುತ್ತದೆ.

ಇಂಟರ್ನೆಟ್ ಆಫ್ ಥಿಂಗ್ಸ್ (IoT) ಮತ್ತು ಎಡ್ಜ್ ಸಾಧನಗಳು

ಬ್ಯಾಟರಿ-ಚಾಲಿತ ಪರಿಸರ ಸಂವೇದಕಕ್ಕಾಗಿ, ದೀರ್ಘಾಯುಷ್ಯವೇ ಎಲ್ಲವೂ. ಸಾಧನದ ಉದ್ದೇಶವು ಸುತ್ತುವರಿದ ತಾಪಮಾನವನ್ನು ವರದಿ ಮಾಡುವುದು. ಅದು 22.5°C ಎಂದು ವರದಿ ಮಾಡುವುದಕ್ಕೂ 22.51°C ಎಂದು ವರದಿ ಮಾಡುವುದಕ್ಕೂ ವ್ಯತ್ಯಾಸವಿದೆಯೇ? ಖಂಡಿತ ಇಲ್ಲ. ಅಂದಾಜು ಸರ್ಕ್ಯೂಟ್‌ಗಳು ಮತ್ತು ಆಕ್ರಮಣಕಾರಿ ಶಕ್ತಿ-ಉಳಿಸುವ ತಂತ್ರಗಳನ್ನು ಬಳಸುವ ಮೂಲಕ, ಆ ಸಂವೇದಕದ ಬ್ಯಾಟರಿ ಅವಧಿಯನ್ನು ತಿಂಗಳುಗಳಿಂದ ವರ್ಷಗಳವರೆಗೆ ವಿಸ್ತರಿಸಬಹುದು, ಇದು ಸ್ಮಾರ್ಟ್ ನಗರಗಳು, ಕೃಷಿ, ಮತ್ತು ಪರಿಸರ ಮೇಲ್ವಿಚಾರಣೆಗಾಗಿ ಬೃಹತ್, ಕಡಿಮೆ-ನಿರ್ವಹಣೆಯ ಸಂವೇದಕ ಜಾಲಗಳನ್ನು ನಿಯೋಜಿಸಲು ಗೇಮ್-ಚೇಂಜರ್ ಆಗಿದೆ.

ಅಂದಾಜು ಕಂಪ್ಯೂಟಿಂಗ್‌ನ ಸವಾಲುಗಳು ಮತ್ತು ಗಡಿಗಳು

ಭರವಸೆ ಅಪಾರವಾಗಿದ್ದರೂ, ವ್ಯಾಪಕ ಅಳವಡಿಕೆಯ ಹಾದಿಯು ಗಮನಾರ್ಹ ಅಡೆತಡೆಗಳಿಲ್ಲದೆ ಇಲ್ಲ. ಇದು ಅಕಾಡೆಮಿ ಮತ್ತು ಉದ್ಯಮ ಎರಡರಲ್ಲೂ ಸಂಶೋಧನೆಯ ಸಕ್ರಿಯ ಮತ್ತು ಉತ್ತೇಜಕ ಕ್ಷೇತ್ರವಾಗಿದೆ.

• ಗುಣಮಟ್ಟ ನಿಯಂತ್ರಣ ಮತ್ತು ದೋಷ ನಿರ್ಬಂಧ: ಅತಿದೊಡ್ಡ ಸವಾಲು ಎಂದರೆ ಅಂದಾಜನ್ನು ನಿರ್ವಹಿಸುವುದು. ದೋಷವು ಸ್ವೀಕಾರಾರ್ಹ ಮಿತಿಯನ್ನು ಮೀರುವುದಿಲ್ಲ ಎಂದು ನಾವು ಹೇಗೆ ಖಾತರಿಪಡಿಸುತ್ತೇವೆ? ದೋಷವನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಮತ್ತು ನಿರ್ಬಂಧಿಸಲು ನಮಗೆ ದೃಢವಾದ ವಿಧಾನಗಳು ಬೇಕು, ಸಣ್ಣ, ನಿಯಂತ್ರಿತ ಅಂದಾಜು ವ್ಯವಸ್ಥೆಯ ಮೂಲಕ ಹರಡಿ, ದುರಂತ ವೈಫಲ್ಯಕ್ಕೆ ಕಾರಣವಾಗುವುದಿಲ್ಲ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು. ಅತಿಯಾದ ಅಂದಾಜಿನಿಂದಾಗಿ ಸ್ವಯಂ-ಚಾಲಿತ ಕಾರು ಸ್ಟಾಪ್ ಚಿಹ್ನೆಯನ್ನು ತಪ್ಪಾಗಿ ವರ್ಗೀಕರಿಸುವುದು ಸ್ವೀಕಾರಾರ್ಹವಲ್ಲದ ಫಲಿತಾಂಶ.
• ಪ್ರೋಗ್ರಾಮರ್ ಮತ್ತು ಟೂಲ್ ಬೆಂಬಲದ ಕೊರತೆ: ಪ್ರಸ್ತುತ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯನ್ನು ನಿಖರತೆಗಾಗಿ ನಿರ್ಮಿಸಲಾಗಿದೆ. 'ಅಂದಾಜು ಸಾಧ್ಯತೆ'ಯನ್ನು ಸುಲಭವಾಗಿ ನಿರ್ದಿಷ್ಟಪಡಿಸಲು ಡೆವಲಪರ್‌ಗಳಿಗೆ ಭಾಷೆಗಳು, ಕಂಪೈಲರ್‌ಗಳು ಮತ್ತು ಡೀಬಗ್ಗರ್‌ಗಳ ಕೊರತೆಯಿದೆ. ಪ್ರೋಗ್ರಾಮರ್‌ಗೆ ಕೇವಲ ಒಂದು ಫಂಕ್ಷನ್ ಅಥವಾ ಡೇಟಾ ರಚನೆಯನ್ನು 'ಅಂದಾಜು' ಎಂದು ಗುರುತಿಸಲು ಮತ್ತು ಕಂಪೈಲರ್ ಮತ್ತು ರನ್‌ಟೈಮ್ ಸಿಸ್ಟಮ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹೊಂದಾಣಿಕೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಅನುಮತಿಸುವ ಸಾಧನಗಳು ನಮಗೆ ಬೇಕು.
• ಡೀಬಗ್ ಮಾಡುವುದು ಮತ್ತು ಪರಿಶೀಲನೆ: ಬದಲಾಗುವ ಅಥವಾ ಸ್ವಲ್ಪ ತಪ್ಪಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ನೀವು ಹೇಗೆ ಡೀಬಗ್ ಮಾಡುತ್ತೀರಿ? ಸಾಂಪ್ರದಾಯಿಕ ಡೀಬಗ್ ಮಾಡುವುದು ಪುನರುತ್ಪಾದಿಸಬಹುದಾದ, ನಿರ್ಣಾಯಕ ನಡವಳಿಕೆಯನ್ನು ಅವಲಂಬಿಸಿದೆ. ಅಂದಾಜು ಪ್ರೋಗ್ರಾಂಗಳನ್ನು ಡೀಬಗ್ ಮಾಡಲು ಮನಸ್ಥಿತಿಯಲ್ಲಿ ಮೂಲಭೂತ ಬದಲಾವಣೆಯ ಅಗತ್ಯವಿದೆ, ನಿಖರ ಮೌಲ್ಯಗಳಿಗಿಂತ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಗುಣಲಕ್ಷಣಗಳು ಮತ್ತು ಔಟ್‌ಪುಟ್ ಗುಣಮಟ್ಟದ ವಿತರಣೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವುದು.
• ಪೋರ್ಟಬಿಲಿಟಿ ಮತ್ತು ಮುನ್ಸೂಚನೆ: ಅಂದಾಜು ಪ್ರೋಗ್ರಾಂ ಒಂದು ರೀತಿಯ ಹಾರ್ಡ್‌ವೇರ್‌ನಲ್ಲಿ ಉತ್ತಮ-ಗುಣಮಟ್ಟದ ಫಲಿತಾಂಶವನ್ನು ನೀಡಬಹುದು ಆದರೆ ಇನ್ನೊಂದರಲ್ಲಿ ಸ್ವೀಕಾರಾರ್ಹವಲ್ಲದ ಕಳಪೆ ಫಲಿತಾಂಶವನ್ನು ನೀಡಬಹುದು. ವಿವಿಧ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳಲ್ಲಿ ನಿರೀಕ್ಷಿತ ಸೇವಾ ಗುಣಮಟ್ಟವನ್ನು (QoS) ಖಚಿತಪಡಿಸುವುದು ಸಾಫ್ಟ್‌ವೇರ್ ಡೆವಲಪರ್‌ಗಳು ಮತ್ತು ಸಿಸ್ಟಮ್ ಆರ್ಕಿಟೆಕ್ಟ್‌ಗಳಿಗೆ ಒಂದು ದೊಡ್ಡ ಸವಾಲಾಗಿದೆ.

ಭವಿಷ್ಯವು ಅಂದಾಜು: ವೃತ್ತಿಪರರಿಗೆ ಕ್ರಿಯಾತ್ಮಕ ಒಳನೋಟಗಳು

ಅಂದಾಜು ಕಂಪ್ಯೂಟಿಂಗ್ ತಂತ್ರಜ್ಞಾನದ ಸ್ಪೆಕ್ಟ್ರಮ್‌ನಾದ್ಯಂತ ವೃತ್ತಿಪರರ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಒಂದು ಮಾದರಿ ಬದಲಾವಣೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಸ್ಪರ್ಧಾತ್ಮಕವಾಗಿ ಉಳಿಯಲು ಅದರ ತತ್ವಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ನಿರ್ಣಾಯಕವಾಗುತ್ತಿದೆ.

ಸಾಫ್ಟ್‌ವೇರ್ ಡೆವಲಪರ್‌ಗಳು ಮತ್ತು ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳಿಗೆ:

ನಿಮ್ಮ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ಬಗ್ಗೆ ದೋಷ ಸಹಿಷ್ಣುತೆಯ ದೃಷ್ಟಿಯಿಂದ ಯೋಚಿಸಲು ಪ್ರಾರಂಭಿಸಿ. ನಿಖರತೆ ನಿರ್ಣಾಯಕವಾಗಿರುವ ಮಾಡ್ಯೂಲ್‌ಗಳನ್ನು (ಉದಾ., ಹಣಕಾಸಿನ ಲೆಕ್ಕಾಚಾರಗಳು, ಭದ್ರತೆ) ಮತ್ತು ಇಲ್ಲದಿರುವವುಗಳನ್ನು (ಉದಾ., UI ಅನಿಮೇಷನ್‌ಗಳು, ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಡೇಟಾ ಸಂಸ್ಕರಣೆ) ಗುರುತಿಸಿ. ನಿಮ್ಮ ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಮಾದರಿಗಳಲ್ಲಿ ಕಡಿಮೆ-ನಿಖರತೆಯ ಡೇಟಾ ಪ್ರಕಾರಗಳೊಂದಿಗೆ ಪ್ರಯೋಗ ಮಾಡಿ. ಗಣನಾತ್ಮಕ ಹಾಟ್‌ಸ್ಪಾಟ್‌ಗಳನ್ನು ಹುಡುಕಲು ನಿಮ್ಮ ಕೋಡ್ ಅನ್ನು ಪ್ರೊಫೈಲ್ ಮಾಡಿ ಮತ್ತು ಕೇಳಿ, "ಈ ಭಾಗವು ಪರಿಪೂರ್ಣವಾಗಿರಬೇಕಾಗಿಲ್ಲದಿದ್ದರೆ ಏನು?"

ಹಾರ್ಡ್‌ವೇರ್ ಆರ್ಕಿಟೆಕ್ಟ್‌ಗಳು ಮತ್ತು ಚಿಪ್ ವಿನ್ಯಾಸಕರಿಗೆ:

ವಿಶೇಷ ಹಾರ್ಡ್‌ವೇರ್‌ನ ಭವಿಷ್ಯವು ಅಂದಾಜನ್ನು ಅಪ್ಪಿಕೊಳ್ಳುವುದರಲ್ಲಿದೆ. AI, ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸಿಂಗ್, ಅಥವಾ ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿಗಾಗಿ ಮುಂದಿನ ಪೀಳಿಗೆಯ ASIC ಗಳು ಅಥವಾ FPGA ಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವಾಗ, ಅಂದಾಜು ಅಂಕಗಣಿತದ ಘಟಕಗಳನ್ನು ಅಳವಡಿಸಿ. ಕಡಿಮೆ ವಿದ್ಯುತ್ ಮತ್ತು ಹೆಚ್ಚಿನ ಸಾಂದ್ರತೆಗಾಗಿ ಸಣ್ಣ, ಸರಿಪಡಿಸಬಹುದಾದ ದೋಷ ದರವನ್ನು ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳುವ ಹೊಸ ಮೆಮೊರಿ ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳನ್ನು ಅನ್ವೇಷಿಸಿ. ಪ್ರತಿ-ವ್ಯಾಟ್‌ಗೆ ಅತಿದೊಡ್ಡ ಕಾರ್ಯಕ್ಷಮತೆಯ ಲಾಭಗಳು ಅಂದಾಜಿನ ಸುತ್ತ ಹಾರ್ಡ್‌ವೇರ್ ಮತ್ತು ಸಾಫ್ಟ್‌ವೇರ್ ಅನ್ನು ಸಹ-ವಿನ್ಯಾಸಗೊಳಿಸುವುದರಿಂದ ಬರುತ್ತವೆ.

ವ್ಯಾಪಾರ ನಾಯಕರು ಮತ್ತು ತಂತ್ರಜ್ಞಾನ ತಂತ್ರಜ್ಞರಿಗೆ:

"ಸಾಕಷ್ಟು ಉತ್ತಮ" ಕಂಪ್ಯೂಟಿಂಗ್ ಒಂದು ಶಕ್ತಿಯುತ ಸ್ಪರ್ಧಾತ್ಮಕ ಪ್ರಯೋಜನ ಎಂದು ಗುರುತಿಸಿ. ಇದು ನಿರ್ಮಿಸಲು ಅಗ್ಗವಾದ, ಚಲಾಯಿಸಲು ವೇಗವಾದ ಮತ್ತು ಹೆಚ್ಚು ಸುಸ್ಥಿರವಾದ ಉತ್ಪನ್ನಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು. AI ಪ್ರಾಬಲ್ಯಕ್ಕಾಗಿ ಮತ್ತು IoT ಯ ವಿಸ್ತರಣೆಯ ಓಟದಲ್ಲಿ, ನಿಖರತೆ-ದಕ್ಷತೆಯ ಹೊಂದಾಣಿಕೆಯನ್ನು ಕರಗತ ಮಾಡಿಕೊಂಡ ಕಂಪನಿಗಳೇ ಜಾಗತಿಕ ಮಾರುಕಟ್ಟೆಗೆ ಅತ್ಯಂತ ನವೀನ ಮತ್ತು ವೆಚ್ಚ-ಪರಿಣಾಮಕಾರಿ ಪರಿಹಾರಗಳನ್ನು ನೀಡುವವು.

ತೀರ್ಮಾನ: "ಸರಿ"ಯ ಹೊಸ ವ್ಯಾಖ್ಯಾನವನ್ನು ಅಪ್ಪಿಕೊಳ್ಳುವುದು

ಅಂದಾಜು ಕಂಪ್ಯೂಟಿಂಗ್ ಎಂದರೆ ದೋಷಪೂರಿತ ಫಲಿತಾಂಶಗಳನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುವುದಲ್ಲ. ಇದು ಅಪ್ಲಿಕೇಶನ್‌ನ ಸಂದರ್ಭದಲ್ಲಿ ನಿಖರತೆಯನ್ನು ಮರು ವ್ಯಾಖ್ಯಾನಿಸುವುದು. ಇದು ಗಣನೆಯ ಭೌತಿಕ ಮಿತಿಗಳಿಗೆ ಒಂದು ಪ್ರಾಯೋಗಿಕ ಮತ್ತು ಬುದ್ಧಿವಂತ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿದೆ, 'ದೋಷ' ಎಂಬ ಪರಿಕಲ್ಪನೆಯನ್ನು ತೊಡೆದುಹಾಕಬೇಕಾದ ಸಮಸ್ಯೆಯಿಂದ ನಿರ್ವಹಿಸಬೇಕಾದ ಸಂಪನ್ಮೂಲವಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ನಮಗೆ ಅಗತ್ಯವಿಲ್ಲದ ನಿಖರತೆಯನ್ನು ವಿವೇಚನೆಯಿಂದ ತ್ಯಾಗ ಮಾಡುವ ಮೂಲಕ, ನಾವು ಹತಾಶೆಯಿಂದ ಬಯಸುವ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಅನ್ಲಾಕ್ ಮಾಡಬಹುದು.

ನಾವು ಡೇಟಾ-ತೀವ್ರ, ಗ್ರಹಿಕೆ-ಚಾಲಿತ ಅನ್ವಯಗಳಿಂದ ಪ್ರಾಬಲ್ಯ ಹೊಂದಿರುವ ಯುಗಕ್ಕೆ ಸಾಗುತ್ತಿರುವಾಗ, 'ಸರಿಯಾದ ಮಟ್ಟಿಗೆ' ಗಣನೆ ಮಾಡುವ ಸಾಮರ್ಥ್ಯವು ಅತ್ಯಾಧುನಿಕ ಮತ್ತು ಸುಸ್ಥಿರ ತಂತ್ರಜ್ಞಾನದ ಹೆಗ್ಗುರುತಾಗಿರುತ್ತದೆ. ಕಂಪ್ಯೂಟಿಂಗ್‌ನ ಭವಿಷ್ಯವು, ಹಲವು ವಿಧಗಳಲ್ಲಿ, ಸಂಪೂರ್ಣವಾಗಿ ನಿಖರವಾಗಿರುವುದಿಲ್ಲ, ಆದರೆ ಅದು ನಂಬಲಾಗದಷ್ಟು ಬುದ್ಧಿವಂತವಾಗಿರುತ್ತದೆ.