പ്രവർത്തനക്ഷമതയിലും ഊർജ്ജക്ഷമതയിലും വലിയ നേട്ടങ്ങൾക്കായി കൃത്യതയിൽ വിട്ടുവീഴ്ച ചെയ്യുന്ന അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗിനെക്കുറിച്ച് പഠിക്കുക. സാങ്കേതികവിദ്യയുടെ ഭാവിക്കായി ഇതിന്റെ പ്രയോഗങ്ങൾ, രീതികൾ, വെല്ലുവിളികൾ എന്നിവ കണ്ടെത്തുക.
അപൂർണ്ണതയെ സ്വീകരിക്കൽ: അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗും കൃത്യതയിലെ വിട്ടുവീഴ്ചയും ഒരു ആഴത്തിലുള്ള പഠനം
വേഗതയേറിയതും ശക്തവും കൂടുതൽ കാര്യക്ഷമവുമായ കമ്പ്യൂട്ടേഷനായുള്ള നിരന്തരമായ അന്വേഷണത്തിൽ, നമ്മൾ പരമ്പരാഗതമായി ഒരു അടിസ്ഥാന അനുമാനത്തിലാണ് പ്രവർത്തിച്ചിട്ടുള്ളത്: ഓരോ കണക്കുകൂട്ടലും തികച്ചും കൃത്യമായിരിക്കണം. സാമ്പത്തിക ഇടപാടുകൾ മുതൽ ശാസ്ത്രീയ സിമുലേഷനുകൾ വരെ, ബിറ്റ്-പെർഫെക്റ്റ് കൃത്യതയാണ് സുവർണ്ണ നിലവാരമായി കണക്കാക്കപ്പെട്ടിരുന്നത്. എന്നാൽ പൂർണ്ണതയ്ക്കുവേണ്ടിയുള്ള ഈ അന്വേഷണം ഒരു തടസ്സമായി മാറുകയാണെങ്കിലോ? ആധുനിക ആപ്ലിക്കേഷനുകളുടെ ഒരു വലിയ വിഭാഗത്തിന്, 'മതിയായത്ര നല്ലത്' എന്നത് സ്വീകാര്യം മാത്രമല്ല, വളരെ മികച്ചതുമാണെങ്കിലോ?
അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗിന്റെ ലോകത്തേക്ക് സ്വാഗതം. ഇത് നമ്മുടെ പരമ്പരാഗത ശരിയുടെ നിർവചനത്തെ വെല്ലുവിളിക്കുന്ന ഒരു വിപ്ലവകരമായ മാതൃകയാണ്. പ്രകടനം, ഊർജ്ജക്ഷമത, വിഭവ വിനിയോഗം എന്നിവയിൽ കാര്യമായ നേട്ടങ്ങൾ കൈവരിക്കുന്നതിനായി കണക്കുകൂട്ടലുകളിൽ മനഃപൂർവ്വം നിയന്ത്രിതവും കൈകാര്യം ചെയ്യാവുന്നതുമായ പിശകുകൾ വരുത്തുന്ന ഒരു ഡിസൈൻ തത്വശാസ്ത്രമാണിത്. ഇത് തെറ്റായ സിസ്റ്റങ്ങൾ നിർമ്മിക്കുന്നതിനെക്കുറിച്ചല്ല; മറിച്ച് ഇന്ന് ഏറ്റവും പ്രധാനപ്പെട്ട അളവുകളായ വേഗതയിലും ഊർജ്ജ ഉപഭോഗത്തിലും വലിയ മെച്ചപ്പെടുത്തലുകൾക്കായി ചെറിയതും പലപ്പോഴും തിരിച്ചറിയാനാവാത്തതുമായ കൃത്യതയിൽ ബുദ്ധിപരമായി വിട്ടുവീഴ്ച ചെയ്യുന്നതിനെക്കുറിച്ചാണ്.
എന്തുകൊണ്ട് ഇപ്പോൾ? അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗിന് പിന്നിലെ പ്രേരകശക്തികൾ
അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗിലേക്കുള്ള മാറ്റം യാദൃശ്ചികമല്ല. ഇരുപത്തിയൊന്നാം നൂറ്റാണ്ടിൽ നാം അഭിമുഖീകരിക്കുന്ന അടിസ്ഥാനപരമായ ഭൗതികവും സാങ്കേതികവുമായ പരിമിതികളോടുള്ള നേരിട്ടുള്ള പ്രതികരണമാണിത്. ഈ മാതൃകയെ രസകരം എന്നതിലുപരി അത്യാവശ്യമാക്കി മാറ്റുന്ന നിരവധി പ്രധാന ഘടകങ്ങൾ ഒരുമിച്ചു ചേരുന്നുണ്ട്.
ഒരു യുഗത്തിന്റെ അവസാനം: മൂർസ് ലോയും ഡെന്നാർഡ് സ്കെയിലിംഗും
പതിറ്റാണ്ടുകളായി, സാങ്കേതിക വ്യവസായം പ്രവചിക്കാവുന്ന രണ്ട് പ്രവണതകളിൽ നിന്ന് പ്രയോജനം നേടിയിരുന്നു. ഏകദേശം ഓരോ രണ്ട് വർഷത്തിലും ഒരു ചിപ്പിലെ ട്രാൻസിസ്റ്ററുകളുടെ എണ്ണം ഇരട്ടിയാകുന്നു എന്ന് മൂർസ് ലോ നിരീക്ഷിച്ചു, ഇത് പ്രോസസ്സിംഗ് പവറിൽ ഗണ്യമായ വർദ്ധനവിന് കാരണമായി. ഇതിന് അനുബന്ധമായി ഡെന്നാർഡ് സ്കെയിലിംഗ് പ്രസ്താവിച്ചത്, ട്രാൻസിസ്റ്ററുകൾ ചെറുതാകുമ്പോൾ അവയുടെ പവർ ഡെൻസിറ്റി സ്ഥിരമായി നിലനിൽക്കുമെന്നാണ്. ഇതിനർത്ഥം ചിപ്പ് ആനുപാതികമായി ചൂടാകാതെ തന്നെ നമുക്ക് കൂടുതൽ ട്രാൻസിസ്റ്ററുകൾ ഉൾക്കൊള്ളാൻ കഴിയുമെന്നായിരുന്നു.
2000-കളുടെ മധ്യത്തിൽ, ഡെന്നാർഡ് സ്കെയിലിംഗ് ഫലത്തിൽ അവസാനിച്ചു. ട്രാൻസിസ്റ്ററുകൾ വളരെ ചെറുതായതിനാൽ ലീക്കേജ് കറന്റുകൾ ഒരു വലിയ പ്രശ്നമായി മാറി, വോൾട്ടേജ് ആനുപാതികമായി കുറയ്ക്കാൻ നമുക്ക് കഴിഞ്ഞില്ല. മൂർസ് ലോയുടെ വേഗത കുറഞ്ഞെങ്കിലും, അതിന്റെ പ്രധാന വെല്ലുവിളി ഇപ്പോൾ ഊർജ്ജമാണ്. നമുക്ക് ഇപ്പോഴും കൂടുതൽ ട്രാൻസിസ്റ്ററുകൾ ചേർക്കാൻ കഴിയും, പക്ഷേ ചിപ്പ് ഉരുകാതെ അവയെല്ലാം ഒരേസമയം പൂർണ്ണ വേഗതയിൽ പ്രവർത്തിപ്പിക്കാൻ കഴിയില്ല. ഇത് "ഡാർക്ക് സിലിക്കൺ" പ്രശ്നം എന്നറിയപ്പെടുന്നു, ഇത് ഊർജ്ജ കാര്യക്ഷമത മെച്ചപ്പെടുത്തുന്നതിനുള്ള പുതിയ വഴികളുടെ അടിയന്തിര ആവശ്യം സൃഷ്ടിച്ചു.
ഊർജ്ജ മതിൽ
ക്ലൗഡിനെ ശക്തിപ്പെടുത്തുന്ന നഗര വലുപ്പത്തിലുള്ള ഡാറ്റാ സെന്ററുകൾ മുതൽ ഇന്റർനെറ്റ് ഓഫ് തിംഗ്സിലെ (IoT) ബാറ്ററിയിൽ പ്രവർത്തിക്കുന്ന ചെറിയ സെൻസറുകൾ വരെ, ഊർജ്ജ ഉപഭോഗം ഒരു നിർണായക പരിമിതിയാണ്. ആഗോള വൈദ്യുതി ഉപഭോഗത്തിന്റെ ഒരു പ്രധാന ഭാഗം ഡാറ്റാ സെന്ററുകളാണ്, അവയുടെ ഊർജ്ജ ഉപയോഗം ഒരു പ്രധാന പ്രവർത്തനച്ചെലവും പാരിസ്ഥിതിക ആശങ്കയുമാണ്. മറുവശത്ത്, ഒരു ഐഒടി ഉപകരണത്തിന്റെ പ്രയോജനം പലപ്പോഴും അതിന്റെ ബാറ്ററി ലൈഫാണ് നിർവചിക്കുന്നത്. അടിസ്ഥാനപരമായ ഹാർഡ്വെയർ, സോഫ്റ്റ്വെയർ പ്രവർത്തനങ്ങൾ ലളിതമാക്കുന്നതിലൂടെ ഊർജ്ജ ഉപയോഗം കുറയ്ക്കുന്നതിനുള്ള ഒരു നേരിട്ടുള്ള മാർഗ്ഗം അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗ് വാഗ്ദാനം ചെയ്യുന്നു.
പിശകുകളെ അതിജീവിക്കാൻ കഴിവുള്ള ആപ്ലിക്കേഷനുകളുടെ ഉദയം
ഒരുപക്ഷേ ഏറ്റവും പ്രധാനപ്പെട്ട പ്രേരകശക്തി നമ്മുടെ വർക്ക്ലോഡുകളുടെ മാറുന്ന സ്വഭാവമാണ്. ഇന്നത്തെ ഏറ്റവും പ്രധാനപ്പെട്ടതും കമ്പ്യൂട്ടേഷണലി തീവ്രവുമായ പല ആപ്ലിക്കേഷനുകൾക്കും ചെറിയ പിശകുകളെ അതിജീവിക്കാനുള്ള സഹജമായ കഴിവുണ്ട്. പരിഗണിക്കുക:
- മെഷീൻ ലേണിംഗ് (AI): ഒരു ന്യൂറൽ നെറ്റ്വർക്കിന്റെ ഒരു ചിത്രത്തെ "പൂച്ച" അല്ലെങ്കിൽ "നായ" എന്ന് തരംതിരിക്കാനുള്ള തീരുമാനം സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രോബബിലിറ്റികളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. ദശലക്ഷക്കണക്കിന് വെയ്റ്റുകളിൽ ഒന്നിന്റെ മൂല്യത്തിലെ ഒരു ചെറിയ വ്യതിയാനം അന്തിമവും ഉയർന്ന തലത്തിലുള്ളതുമായ ഫലത്തെ മാറ്റാൻ സാധ്യതയില്ല.
- മൾട്ടിമീഡിയ പ്രോസസ്സിംഗ്: മനുഷ്യന്റെ പെർസെപ്ച്വൽ സിസ്റ്റം ക്ഷമിക്കുന്ന ഒന്നാണ്. ഒരു 4K വീഡിയോയുടെ ഒരു ഫ്രെയിമിലെ കുറച്ച് പിക്സലുകൾക്ക് അല്പം നിറവ്യത്യാസമുണ്ടെങ്കിലോ, ഒരു ഓഡിയോ സ്ട്രീമിൽ കേൾക്കാനാവാത്ത ചെറിയൊരു തകരാറുണ്ടെങ്കിലോ നിങ്ങൾ ശ്രദ്ധിക്കില്ല.
- ബിഗ് ഡാറ്റാ അനലിറ്റിക്സ്: പ്രവണതകൾ തിരിച്ചറിയാൻ വെബ്-സ്കെയിൽ ഡാറ്റാസെറ്റുകൾ വിശകലനം ചെയ്യുമ്പോൾ, ഫലത്തിന്റെ സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രാധാന്യമാണ് പ്രധാനം. കോടിക്കണക്കിന് ഡാറ്റാ പോയിന്റുകളിൽ നിന്ന് ഏതാനും വ്യക്തിഗത ഡാറ്റാ പോയിന്റുകളുടെ കൃത്യമായ മൂല്യം പലപ്പോഴും അപ്രസക്തമായ നോയിസ് ആണ്.
ഈ ആപ്ലിക്കേഷനുകൾക്ക്, ബിറ്റ്-പെർഫെക്റ്റ് കൃത്യത ആവശ്യപ്പെടുന്നത് കമ്പ്യൂട്ടേഷണൽ ഓവർകിൽ ആണ്. ഇത് ഒരു ഫുട്ബോൾ ഫീൽഡ് അളക്കാൻ ഒരു മൈക്രോമീറ്റർ ഉപയോഗിക്കുന്നത് പോലെയാണ് - അധിക കൃത്യത പ്രായോഗികമായ ഒരു മൂല്യവും നൽകുന്നില്ല, മാത്രമല്ല സമയത്തിലും ഊർജ്ജത്തിലും വലിയ ചിലവ് വരുന്നു.
പ്രധാന തത്വം: കൃത്യത-പ്രകടനം-ഊർജ്ജ ത്രികോണം
അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗ് ലളിതവും എന്നാൽ ശക്തവുമായ ഒരു വിട്ടുവീഴ്ചയിലാണ് പ്രവർത്തിക്കുന്നത്. കൃത്യത, പ്രകടനം (വേഗത), ഊർജ്ജം എന്നീ മൂന്ന് കോണുകളുള്ള ഒരു ത്രികോണമായി ഇതിനെ കരുതുക. പരമ്പരാഗത കമ്പ്യൂട്ടിംഗിൽ, കൃത്യത 100% ൽ നിശ്ചയിച്ചിരിക്കുന്നു. പ്രകടനം മെച്ചപ്പെടുത്തുന്നതിനോ ഊർജ്ജ ഉപയോഗം കുറയ്ക്കുന്നതിനോ, മറ്റ് മേഖലകളിൽ (ആർക്കിടെക്ചർ അല്ലെങ്കിൽ മെറ്റീരിയൽ സയൻസ് പോലുള്ളവ) നവീകരണം നടത്തണം, അത് കൂടുതൽ ബുദ്ധിമുട്ടായിക്കൊണ്ടിരിക്കുകയാണ്.
അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗ് കൃത്യതയെ ഒരു അയവുള്ള വേരിയബിളാക്കി മാറ്റുന്നു. കൃത്യതയിൽ ചെറിയ, നിയന്ത്രിത കുറവ് അനുവദിക്കുന്നതിലൂടെ, ഒപ്റ്റിമൈസേഷന്റെ പുതിയ തലങ്ങൾ നമുക്ക് തുറക്കാൻ കഴിയും:
- വേഗതയും കൃത്യതയും: ലളിതമായ കണക്കുകൂട്ടലുകൾ വേഗത്തിൽ നടക്കുന്നു. സങ്കീർണ്ണമായ ഘട്ടങ്ങൾ ഒഴിവാക്കുകയോ അല്ലെങ്കിൽ കുറഞ്ഞ കൃത്യതയുള്ള ലോജിക് ഉപയോഗിക്കുകയോ ചെയ്യുന്നതിലൂടെ, നമുക്ക് ത്രൂപുട്ട് ഗണ്യമായി വർദ്ധിപ്പിക്കാൻ കഴിയും.
- ഊർജ്ജവും കൃത്യതയും: ലളിതമായ ലോജിക് സർക്യൂട്ടുകൾക്ക് കുറച്ച് ട്രാൻസിസ്റ്ററുകൾ മതി, അവയ്ക്ക് കുറഞ്ഞ വോൾട്ടേജിൽ പ്രവർത്തിക്കാനും കഴിയും, ഇത് സ്റ്റാറ്റിക്, ഡൈനാമിക് പവർ ഉപഭോഗത്തിൽ കാര്യമായ കുറവുണ്ടാക്കുന്നു.
- ഏരിയ/ചെലവും കൃത്യതയും: അപ്രോക്സിമേറ്റ് ഹാർഡ്വെയർ ഘടകങ്ങൾ ചെറുതായിരിക്കാം, അതായത് കൂടുതൽ പ്രോസസ്സിംഗ് യൂണിറ്റുകൾ ഒരൊറ്റ ചിപ്പിൽ ഉൾക്കൊള്ളാൻ കഴിയും, ഇത് നിർമ്മാണച്ചെലവ് കുറയ്ക്കുകയും സമാന്തരത്വം വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു.
ഓരോ ആപ്ലിക്കേഷനും ഏറ്റവും അനുയോജ്യമായ "സ്വീറ്റ് സ്പോട്ട്" കണ്ടെത്തുക എന്നതാണ് ലക്ഷ്യം - അതായത് ഗുണനിലവാരത്തിൽ കുറഞ്ഞതും എന്നാൽ സ്വീകാര്യവുമായ നഷ്ടത്തിന് പരമാവധി പ്രകടനവും ഊർജ്ജ നേട്ടങ്ങളും കൈവരിക്കുന്ന പോയിന്റ്.
അതെങ്ങനെ പ്രവർത്തിക്കുന്നു: അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗിലെ സാങ്കേതിക വിദ്യകൾ
പ്രോസസറിലെ അടിസ്ഥാന ലോജിക് ഗേറ്റുകൾ മുതൽ ഒരു ആപ്ലിക്കേഷനിലെ ഉയർന്ന തലത്തിലുള്ള അൽഗോരിതങ്ങൾ വരെ, കമ്പ്യൂട്ടിംഗ് സ്റ്റാക്കിന്റെ എല്ലാ തലങ്ങളിലും അപ്രോക്സിമേഷൻ നടപ്പിലാക്കാൻ കഴിയും. ഈ സാങ്കേതിക വിദ്യകൾ പലപ്പോഴും അവയുടെ പ്രയോജനങ്ങൾ വർദ്ധിപ്പിക്കുന്നതിന് സംയോജിപ്പിച്ച് ഉപയോഗിക്കുന്നു.
ഹാർഡ്വെയർ തലത്തിലുള്ള അപ്രോക്സിമേഷനുകൾ
ഈ സാങ്കേതിക വിദ്യകളിൽ ഒരു കമ്പ്യൂട്ടറിന്റെ ഭൗതിക ഘടകങ്ങൾ സഹജമായി കൃത്യമല്ലാത്ത രീതിയിൽ പുനർരൂപകൽപ്പന ചെയ്യുന്നത് ഉൾപ്പെടുന്നു.
- അപ്രോക്സിമേറ്റ് അരിത്മെറ്റിക് സർക്യൂട്ടുകൾ: ഒരു സിപിയുവിന്റെ നിർമ്മാണ ഘടകങ്ങൾ ആഡറുകളും മൾട്ടിപ്ലയറുകളും പോലുള്ള അരിത്മെറ്റിക് സർക്യൂട്ടുകളാണ്. ഒരു കൃത്യമായ 32-ബിറ്റ് മൾട്ടിപ്ലയർ സങ്കീർണ്ണവും ഊർജ്ജം ആവശ്യമുള്ളതുമായ ഒരു ലോജിക് ഭാഗമാണ്. ഒരു അപ്രോക്സിമേറ്റ് മൾട്ടിപ്ലയർ ഏറ്റവും പ്രാധാന്യം കുറഞ്ഞ ബിറ്റുകൾക്കായുള്ള കണക്കുകൂട്ടലുകൾ അവഗണിക്കാൻ രൂപകൽപ്പന ചെയ്തിരിക്കാം. ഇത് വളരെ ചെറുതും വേഗതയേറിയതും ഊർജ്ജക്ഷമവുമായ ഒരു സർക്യൂട്ടിൽ കലാശിക്കുന്നു, അതേസമയം അന്തിമ ഉൽപ്പന്നത്തിൽ വളരെ ചെറിയ ഒരു പിശക് മാത്രമേ ഉണ്ടാക്കുന്നുള്ളൂ.
- വോൾട്ടേജ് ഓവർ-സ്കെയിലിംഗ് (VOS): ഓരോ ചിപ്പിനും സുരക്ഷിതമായ ഒരു മിനിമം ഓപ്പറേറ്റിംഗ് വോൾട്ടേജ് ഉണ്ട്. ഇതിന് താഴെ, സിഗ്നലുകൾക്ക് സർക്യൂട്ടുകളിലൂടെ സമയബന്ധിതമായി സഞ്ചരിക്കാൻ ആവശ്യമായ ഊർജ്ജം ഇല്ലാത്തതിനാൽ ടൈമിംഗ് പിശകുകൾ സംഭവിക്കാം. VOS മനഃപൂർവ്വം ഈ സുരക്ഷിത വോൾട്ടേജിന് താഴെ ചിപ്പ് പ്രവർത്തിപ്പിക്കുന്നു. ഇത് ഊർജ്ജം ഗണ്യമായി ലാഭിക്കുന്നു, പക്ഷേ ഇടയ്ക്കിടെ ടൈമിംഗ് പിശകുകൾ ഉണ്ടാക്കുന്നു. ഒരു അപ്രോക്സിമേറ്റ് പശ്ചാത്തലത്തിൽ, ഈ ക്രമരഹിതവും അപൂർവ്വവുമായ പിശകുകൾ അന്തിമ ഔട്ട്പുട്ടിൽ അവയുടെ സ്വാധീനം നിസ്സാരമാണെങ്കിൽ സ്വീകാര്യമാണ്.
- അപ്രോക്സിമേറ്റ് മെമ്മറി: SRAM, DRAM പോലുള്ള മെമ്മറി സിസ്റ്റങ്ങൾ പ്രധാന ഊർജ്ജ ഉപഭോക്താക്കളാണ്. അപ്രോക്സിമേറ്റ് മെമ്മറി ഡിസൈനുകൾ ഊർജ്ജം ലാഭിക്കാൻ ഉയർന്ന പിശക് നിരക്കുകൾ അനുവദിക്കുന്നു. ഉദാഹരണത്തിന്, DRAM സെല്ലുകളുടെ റിഫ്രഷ് നിരക്ക് കുറയ്ക്കാം, ചില ബിറ്റുകൾ ഫ്ലിപ്പ് ചെയ്യാനുള്ള സാധ്യതയുണ്ടെങ്കിലും ഊർജ്ജം ലാഭിക്കാം. മെമ്മറിയിൽ സംഭരിച്ചിരിക്കുന്ന ഒരു ചിത്രത്തിന്, ഫ്ലിപ്പ് ചെയ്ത കുറച്ച് ബിറ്റുകൾ ശ്രദ്ധിക്കപ്പെടാത്ത 'സ്പാർക്കിൾ' നോയിസായി പ്രകടമായേക്കാം.
സോഫ്റ്റ്വെയർ തലത്തിലുള്ള അപ്രോക്സിമേഷനുകൾ
ഈ സാങ്കേതിക വിദ്യകൾ പലപ്പോഴും പ്രത്യേക ഹാർഡ്വെയർ ഇല്ലാതെ തന്നെ നടപ്പിലാക്കാൻ കഴിയും, ഇത് വിശാലമായ ഡെവലപ്പർമാർക്ക് പ്രാപ്യമാക്കുന്നു.
- ലൂപ്പ് പെർഫൊറേഷൻ: പല അൽഗോരിതങ്ങളിലും, ദശലക്ഷക്കണക്കിനോ കോടിക്കണക്കിനോ തവണ പ്രവർത്തിക്കുന്ന ഒരു ലൂപ്പാണ് ഏറ്റവും കൂടുതൽ സമയമെടുക്കുന്ന ഭാഗം. ലൂപ്പ് പെർഫൊറേഷൻ ഈ ആവർത്തനങ്ങളിൽ ഒരു നിശ്ചിത എണ്ണം വ്യവസ്ഥാപിതമായി ഒഴിവാക്കുന്നു. ഉദാഹരണത്തിന്, ഒരു ഇമേജ് ഫിൽട്ടറിലെ എല്ലാ പിക്സലും പ്രോസസ്സ് ചെയ്യുന്നതിനു പകരം, അൽഗോരിതം ഒന്നിടവിട്ട പിക്സലുകൾ പ്രോസസ്സ് ചെയ്യുകയും ഫലങ്ങൾ ഇന്റർപോളേറ്റ് ചെയ്യുകയും ചെയ്തേക്കാം. ഇത് വിഷ്വൽ ക്വാളിറ്റിയിൽ കുറഞ്ഞ സ്വാധീനത്തോടെ എക്സിക്യൂഷൻ സമയം പകുതിയോളം കുറയ്ക്കും.
- പ്രിസിഷൻ സ്കെയിലിംഗ് (ക്വാണ്ടൈസേഷൻ): ആധുനിക കമ്പ്യൂട്ടറുകൾ പലപ്പോഴും 64-ബിറ്റ് (ഡബിൾ-പ്രിസിഷൻ) അല്ലെങ്കിൽ 32-ബിറ്റ് (സിംഗിൾ-പ്രിസിഷൻ) ഫ്ലോട്ടിംഗ്-പോയിന്റ് നമ്പറുകൾ ഡിഫോൾട്ടായി ഉപയോഗിക്കുന്നു. എന്നിരുന്നാലും, പല ആപ്ലിക്കേഷനുകൾക്കും ഈ നിലയിലുള്ള കൃത്യത ആവശ്യമില്ല. 16-ബിറ്റ് ഹാഫ്-പ്രിസിഷൻ ഫ്ലോട്ടുകൾ അല്ലെങ്കിൽ 8-ബിറ്റ് ഇന്റിജറുകൾ പോലുള്ള ചെറിയ ഡാറ്റാ ടൈപ്പുകൾ ഉപയോഗിക്കുന്നതിലൂടെ, നമുക്ക് മെമ്മറി ഫുട്പ്രിന്റ് ഗണ്യമായി കുറയ്ക്കാനും മെമ്മറി ബാൻഡ്വിഡ്ത്ത് ആവശ്യകതകൾ കുറയ്ക്കാനും പ്രത്യേക ഹാർഡ്വെയറുകളിൽ (ജിപിയുകളും എഐ ആക്സിലറേറ്ററുകളും പോലുള്ളവ) വേഗതയേറിയ കണക്കുകൂട്ടലുകൾ പ്രാപ്തമാക്കാനും കഴിയും.
- ടാസ്ക് സ്കിപ്പിംഗ്: റിയൽ-ടൈം സിസ്റ്റങ്ങളിൽ, ചിലപ്പോൾ എല്ലാം വൈകിപ്പിക്കുന്നതിനേക്കാൾ ഒരു ടാസ്ക് ഉപേക്ഷിക്കുന്നതാണ് നല്ലത്. ഒരു സ്വയം ഓടിക്കുന്ന കാറിന്റെ പെർസെപ്ഷൻ സിസ്റ്റം സങ്കൽപ്പിക്കുക. ഒരൊറ്റ സെൻസർ ഫ്രെയിം പ്രോസസ്സ് ചെയ്യാൻ വളരെയധികം സമയമെടുക്കുകയും പുതിയതും കൂടുതൽ പ്രസക്തവുമായ ഒരു ഫ്രെയിം വരികയും ചെയ്താൽ, പഴയത് ഉപേക്ഷിച്ച് നിലവിലെ ഡാറ്റയിൽ പ്രവർത്തിക്കുന്നതാണ് റിയൽ-ടൈം റെസ്പോൺസീവ്നസ് നിലനിർത്താൻ നല്ലത്.
- അപ്രോക്സിമേഷനോടു കൂടിയ മെമ്മോയിസേഷൻ: വിലയേറിയ ഫംഗ്ഷൻ കോളുകളുടെ ഫലങ്ങൾ കാഷെ ചെയ്യുന്ന ഒരു ക്ലാസിക് ഒപ്റ്റിമൈസേഷൻ ടെക്നിക്കാണ് മെമ്മോയിസേഷൻ. അപ്രോക്സിമേറ്റ് മെമ്മോയിസേഷൻ ഇത് വികസിപ്പിക്കുന്നത്, 'മതിയായത്ര അടുത്തുള്ള' ഇൻപുട്ടിന് ഒരു കാഷെ ചെയ്ത ഫലം വീണ്ടെടുക്കാൻ അനുവദിച്ചുകൊണ്ടാണ്. ഉദാഹരണത്തിന്, `f(2.001)` അഭ്യർത്ഥിക്കുകയും `f(2.0)` ഇതിനകം കാഷെയിൽ ഉണ്ടെങ്കിൽ, സിസ്റ്റത്തിന് സംഭരിച്ച ഫലം തിരികെ നൽകാൻ കഴിയും, ഇത് ചെലവേറിയ പുനർ-കണക്കുകൂട്ടൽ ലാഭിക്കുന്നു.
യഥാർത്ഥ ലോകത്തിലെ പ്രയോഗങ്ങൾ: എവിടെയാണ് അപൂർണ്ണത തിളങ്ങുന്നത്
യഥാർത്ഥ ലോക പ്രശ്നങ്ങളിൽ പ്രയോഗിക്കുമ്പോൾ അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗിന്റെ സൈദ്ധാന്തിക നേട്ടങ്ങൾ വ്യക്തമാകും. ഇതൊരു ഭാവിലോക സങ്കൽപ്പമല്ല; ആഗോളതലത്തിൽ പ്രമുഖ സാങ്കേതിക കമ്പനികൾ ഇത് ഇതിനകം തന്നെ ഉപയോഗിക്കുന്നുണ്ട്.
മെഷീൻ ലേണിംഗും എഐയും
ഇതാണ് അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗിന്റെ ഏറ്റവും പ്രധാനപ്പെട്ട പ്രയോഗം എന്ന് വാദിക്കാം. വലിയ ന്യൂറൽ നെറ്റ്വർക്കുകളെ പരിശീലിപ്പിക്കുന്നതും പ്രവർത്തിപ്പിക്കുന്നതും അങ്ങേയറ്റം വിഭവങ്ങൾ ആവശ്യമുള്ള ഒന്നാണ്. ഗൂഗിൾ (അവരുടെ ടെൻസർ പ്രോസസ്സിംഗ് യൂണിറ്റുകൾ അഥവാ ടിപിയു-കൾ ഉപയോഗിച്ച്), എൻവിഡിയ (അവരുടെ ജിപിയു-കളിലെ ടെൻസർ കോറുകൾ ഉപയോഗിച്ച്) പോലുള്ള കമ്പനികൾ കുറഞ്ഞ കൃത്യതയുള്ള മാട്രിക്സ് ഗുണനങ്ങളിൽ മികച്ചുനിൽക്കുന്ന പ്രത്യേക ഹാർഡ്വെയർ നിർമ്മിച്ചിട്ടുണ്ട്. Bfloat16 അല്ലെങ്കിൽ INT8 പോലുള്ള കുറഞ്ഞ പ്രിസിഷൻ ഫോർമാറ്റുകൾ ഉപയോഗിക്കുന്നത് മോഡലിന്റെ കൃത്യതയിൽ കാര്യമായ നഷ്ടം കൂടാതെ പരിശീലനവും ഇൻഫറൻസും നാടകീയമായി ത്വരിതപ്പെടുത്തുമെന്ന് അവർ തെളിയിച്ചിട്ടുണ്ട്, ഇത് നാം ഇന്ന് കാണുന്ന എഐ വിപ്ലവത്തിന് വഴിയൊരുക്കുന്നു.
മൾട്ടിമീഡിയ പ്രോസസ്സിംഗ്
നിങ്ങൾ YouTube-ലോ Netflix-ലോ ഒരു വീഡിയോ സ്ട്രീം ചെയ്യുമ്പോഴെല്ലാം, നിങ്ങൾ അപ്രോക്സിമേഷനുമായി ബന്ധപ്പെട്ട തത്വങ്ങളിൽ നിന്ന് പ്രയോജനം നേടുന്നു. വീഡിയോ കോഡെക്കുകൾ (H.264 അല്ലെങ്കിൽ AV1 പോലുള്ളവ) അടിസ്ഥാനപരമായി 'ലോസി' ആണ്. അവിശ്വസനീയമായ കംപ്രഷൻ അനുപാതം കൈവരിക്കുന്നതിനായി മനുഷ്യന്റെ കണ്ണിന് ശ്രദ്ധിക്കാൻ സാധ്യതയില്ലാത്ത വിഷ്വൽ വിവരങ്ങൾ അവ ഉപേക്ഷിക്കുന്നു. കുറഞ്ഞ പവറുള്ള മൊബൈൽ ഉപകരണങ്ങളിൽ റിയലിസ്റ്റിക് ആയി കാണുന്നതിന് ആവശ്യമായ കൃത്യതയോടെ നിറങ്ങളോ ലൈറ്റിംഗോ കണക്കാക്കുന്നതിലൂടെ അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗിന് ഇതിനെ കൂടുതൽ മുന്നോട്ട് കൊണ്ടുപോകാൻ കഴിയും.
ബിഗ് ഡാറ്റാ അനലിറ്റിക്സും സയന്റിഫിക് കമ്പ്യൂട്ടിംഗും
ഒരു വലിയ ജീനോമിക് ഡാറ്റാബേസിൽ ഒരു പ്രത്യേക ജീൻ സീക്വൻസിനായി തിരയുമ്പോഴോ അല്ലെങ്കിൽ ഒരു പാർട്ടിക്കിൾ ആക്സിലറേറ്ററിൽ നിന്നുള്ള പെറ്റാബൈറ്റ് കണക്കിന് സെൻസർ ഡാറ്റ വിശകലനം ചെയ്യുമ്പോഴോ അപ്രോക്സിമേഷൻ വിലമതിക്കാനാവാത്തതാണ്. വാഗ്ദാനമായ മേഖലകൾ വേഗത്തിൽ തിരിച്ചറിയാൻ ഒരു പ്രാരംഭ, വേഗതയേറിയ 'അപ്രോക്സിമേറ്റ് സെർച്ച്' നടത്താൻ അൽഗോരിതങ്ങൾ രൂപകൽപ്പന ചെയ്യാൻ കഴിയും, അതിനുശേഷം അവ പൂർണ്ണ കൃത്യതയോടെ വിശകലനം ചെയ്യാം. ഈ ശ്രേണീപരമായ സമീപനം ധാരാളം സമയം ലാഭിക്കുന്നു.
ഇന്റർനെറ്റ് ഓഫ് തിംഗ്സും (IoT) എഡ്ജ് ഉപകരണങ്ങളും
ഒരു ബാറ്ററിയിൽ പ്രവർത്തിക്കുന്ന പരിസ്ഥിതി സെൻസറിന്, ദീർഘായുസ്സാണ് എല്ലാം. അന്തരീക്ഷ താപനില റിപ്പോർട്ട് ചെയ്യുക എന്നതാണ് ഉപകരണത്തിന്റെ ലക്ഷ്യം. അത് 22.5°C റിപ്പോർട്ട് ചെയ്യുന്നതും 22.51°C റിപ്പോർട്ട് ചെയ്യുന്നതും തമ്മിൽ വ്യത്യാസമുണ്ടോ? തീർച്ചയായും ഇല്ല. അപ്രോക്സിമേറ്റ് സർക്യൂട്ടുകളും ആക്രമണാത്മക പവർ-സേവിംഗ് ടെക്നിക്കുകളും ഉപയോഗിക്കുന്നതിലൂടെ, ആ സെൻസറിന്റെ ബാറ്ററി ലൈഫ് മാസങ്ങളിൽ നിന്ന് വർഷങ്ങളായി നീട്ടാൻ കഴിയും, ഇത് സ്മാർട്ട് സിറ്റികൾ, കൃഷി, പരിസ്ഥിതി നിരീക്ഷണം എന്നിവയ്ക്കായി വലിയ, കുറഞ്ഞ പരിപാലന ആവശ്യമുള്ള സെൻസർ നെറ്റ്വർക്കുകൾ വിന്യസിക്കുന്നതിൽ ഒരു ഗെയിം ചേഞ്ചറാണ്.
അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗിന്റെ വെല്ലുവിളികളും അതിരുകളും
വാഗ്ദാനം വളരെ വലുതാണെങ്കിലും, വ്യാപകമായ ഉപയോഗത്തിലേക്കുള്ള പാത കാര്യമായ തടസ്സങ്ങളില്ലാത്തതല്ല. ഇത് അക്കാദമിയയിലും വ്യവസായത്തിലും ഗവേഷണത്തിന്റെ സജീവവും ആവേശകരവുമായ ഒരു മേഖലയാണ്.
- ഗുണനിലവാര നിയന്ത്രണവും പിശക് പരിധിയും: ഏറ്റവും വലിയ വെല്ലുവിളി അപ്രോക്സിമേഷൻ കൈകാര്യം ചെയ്യുക എന്നതാണ്. പിശക് സ്വീകാര്യമായ ഒരു പരിധി കവിയുകയില്ലെന്ന് നമുക്ക് എങ്ങനെ ഉറപ്പ് നൽകാൻ കഴിയും? പിശക് വിശകലനം ചെയ്യാനും പരിധി നിർണ്ണയിക്കാനും നമുക്ക് ശക്തമായ രീതികൾ ആവശ്യമാണ്, ഒരു ചെറിയ, നിയന്ത്രിത അപ്രോക്സിമേഷൻ സിസ്റ്റത്തിലൂടെ പടർന്ന് ഒരു വലിയ പരാജയത്തിലേക്ക് നയിക്കില്ലെന്ന് ഉറപ്പാക്കണം. അമിതമായ അപ്രോക്സിമേഷൻ കാരണം ഒരു സ്വയം ഓടിക്കുന്ന കാർ ഒരു സ്റ്റോപ്പ് ചിഹ്നം തെറ്റായി തരംതിരിക്കുന്നത് അസ്വീകാര്യമായ ഒരു ഫലമാണ്.
- പ്രോഗ്രാമർ, ടൂൾ പിന്തുണയുടെ അഭാവം: നിലവിലെ പ്രോഗ്രാമിംഗ് ഇക്കോസിസ്റ്റം കൃത്യതയ്ക്കായാണ് നിർമ്മിച്ചിരിക്കുന്നത്. 'അപ്രോക്സിമബിലിറ്റി' എളുപ്പത്തിൽ വ്യക്തമാക്കാൻ ഡെവലപ്പർമാർക്ക് ഭാഷകളോ, കംപൈലറുകളോ, ഡീബഗ്ഗറുകളോ ഇല്ല. ഒരു പ്രോഗ്രാമർക്ക് ഒരു ഫംഗ്ഷനോ ഡാറ്റാ ഘടനയോ 'അപ്രോക്സിമേറ്റ്' എന്ന് അടയാളപ്പെടുത്താനും കംപൈലറും റൺടൈം സിസ്റ്റവും സ്വയമേവ വിട്ടുവീഴ്ചകൾ കൈകാര്യം ചെയ്യാനും അനുവദിക്കുന്ന ഉപകരണങ്ങൾ നമുക്ക് ആവശ്യമാണ്.
- ഡീബഗ്ഗിംഗും വെരിഫിക്കേഷനും: വ്യത്യാസമുള്ളതോ അല്പം തെറ്റായതോ ആയ ഫലങ്ങൾ ഉത്പാദിപ്പിക്കാൻ രൂപകൽപ്പന ചെയ്തിട്ടുള്ള ഒരു പ്രോഗ്രാം നിങ്ങൾ എങ്ങനെ ഡീബഗ് ചെയ്യും? പരമ്പരാഗത ഡീബഗ്ഗിംഗ് പുനരുൽപ്പാദിപ്പിക്കാവുന്നതും ഡിറ്റർമിനിസ്റ്റിക് സ്വഭാവത്തെയും ആശ്രയിച്ചിരിക്കുന്നു. അപ്രോക്സിമേറ്റ് പ്രോഗ്രാമുകൾ ഡീബഗ് ചെയ്യുന്നതിന് മനോഭാവത്തിൽ ഒരു അടിസ്ഥാനപരമായ മാറ്റം ആവശ്യമാണ്, കൃത്യമായ മൂല്യങ്ങൾക്ക് പകരം സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രോപ്പർട്ടികളിലും ഔട്ട്പുട്ട് ക്വാളിറ്റി ഡിസ്ട്രിബ്യൂഷനുകളിലും ശ്രദ്ധ കേന്ദ്രീകരിക്കേണ്ടതുണ്ട്.
- പോർട്ടബിലിറ്റിയും പ്രെഡിക്റ്റബിലിറ്റിയും: ഒരു അപ്രോക്സിമേറ്റ് പ്രോഗ്രാം ഒരു തരം ഹാർഡ്വെയറിൽ ഉയർന്ന നിലവാരമുള്ള ഫലം നൽകിയേക്കാം, എന്നാൽ മറ്റൊന്നിൽ അസ്വീകാര്യമായ മോശം ഫലം നൽകിയേക്കാം. വ്യത്യസ്ത പ്ലാറ്റ്ഫോമുകളിൽ പ്രവചിക്കാവുന്ന ഒരു ക്വാളിറ്റി ഓഫ് സർവീസ് (QoS) ഉറപ്പാക്കുന്നത് സോഫ്റ്റ്വെയർ ഡെവലപ്പർമാർക്കും സിസ്റ്റം ആർക്കിടെക്റ്റുകൾക്കും ഒരു പ്രധാന വെല്ലുവിളിയാണ്.
ഭാവി അപ്രോക്സിമേറ്റ് ആണ്: പ്രൊഫഷണലുകൾക്കുള്ള പ്രായോഗിക ഉൾക്കാഴ്ചകൾ
അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗ് ഒരു മാതൃകാപരമായ മാറ്റത്തെ പ്രതിനിധീകരിക്കുന്നു, അത് സാങ്കേതികവിദ്യയുടെ എല്ലാ മേഖലകളിലുമുള്ള പ്രൊഫഷണലുകളെ ബാധിക്കും. അതിന്റെ തത്വങ്ങൾ മനസ്സിലാക്കുന്നത് മത്സരത്തിൽ മുന്നിൽ നിൽക്കാൻ നിർണായകമായിക്കൊണ്ടിരിക്കുകയാണ്.
സോഫ്റ്റ്വെയർ ഡെവലപ്പർമാർക്കും ഡാറ്റാ സയന്റിസ്റ്റുകൾക്കും:
നിങ്ങളുടെ ആപ്ലിക്കേഷനുകളെ പിശകുകളെ അതിജീവിക്കാനുള്ള കഴിവിന്റെ അടിസ്ഥാനത്തിൽ ചിന്തിക്കാൻ തുടങ്ങുക. കൃത്യത നിർണായകമായ മോഡ്യൂളുകളും (ഉദാഹരണത്തിന്, സാമ്പത്തിക കണക്കുകൂട്ടലുകൾ, സുരക്ഷ) അല്ലാത്തവയും (ഉദാഹരണത്തിന്, യുഐ ആനിമേഷനുകൾ, സ്റ്റാറ്റിസ്റ്റിക്കൽ ഡാറ്റാ പ്രോസസ്സിംഗ്) തിരിച്ചറിയുക. നിങ്ങളുടെ മെഷീൻ ലേണിംഗ് മോഡലുകളിൽ കുറഞ്ഞ കൃത്യതയുള്ള ഡാറ്റാ ടൈപ്പുകൾ ഉപയോഗിച്ച് പരീക്ഷിക്കുക. കമ്പ്യൂട്ടേഷണൽ ഹോട്ട്സ്പോട്ടുകൾ കണ്ടെത്താൻ നിങ്ങളുടെ കോഡ് പ്രൊഫൈൽ ചെയ്യുക, എന്നിട്ട് ചോദിക്കുക, "ഈ ഭാഗം തികഞ്ഞതായിരിക്കേണ്ടതില്ലെങ്കിൽ എന്ത്?"
ഹാർഡ്വെയർ ആർക്കിടെക്റ്റുകൾക്കും ചിപ്പ് ഡിസൈനർമാർക്കും:
പ്രത്യേക ഹാർഡ്വെയറിന്റെ ഭാവി അപ്രോക്സിമേഷനെ ആശ്ലേഷിക്കുന്നതിലാണ്. എഐ, സിഗ്നൽ പ്രോസസ്സിംഗ്, അല്ലെങ്കിൽ കമ്പ്യൂട്ടർ വിഷൻ എന്നിവയ്ക്കായി അടുത്ത തലമുറ എസിക്സ് (ASICs) അല്ലെങ്കിൽ എഫ്പിജിഎ-കൾ (FPGAs) രൂപകൽപ്പന ചെയ്യുമ്പോൾ, അപ്രോക്സിമേറ്റ് അരിത്മെറ്റിക് യൂണിറ്റുകൾ ഉൾപ്പെടുത്തുക. കുറഞ്ഞ പവറിനും ഉയർന്ന ഡെൻസിറ്റിക്കുമായി ചെറിയ, തിരുത്താവുന്ന പിശക് നിരക്കിന് പകരമായി പുതിയ മെമ്മറി ആർക്കിടെക്ചറുകൾ പര്യവേക്ഷണം ചെയ്യുക. അപ്രോക്സിമേഷനുചുറ്റും ഹാർഡ്വെയറും സോഫ്റ്റ്വെയറും ഒരുമിച്ച് രൂപകൽപ്പന ചെയ്യുന്നതിലൂടെയാവും ഏറ്റവും വലിയ പെർഫോമൻസ്-പെർ-വാട്ട് നേട്ടങ്ങൾ വരുന്നത്.
ബിസിനസ്സ് നേതാക്കൾക്കും ടെക്നോളജി സ്ട്രാറ്റജിസ്റ്റുകൾക്കും:
"മതിയായത്ര നല്ലത്" കമ്പ്യൂട്ടിംഗ് ഒരു ശക്തമായ മത്സര നേട്ടമാണെന്ന് തിരിച്ചറിയുക. ഇത് നിർമ്മിക്കാൻ ചെലവ് കുറഞ്ഞതും വേഗത്തിൽ പ്രവർത്തിക്കുന്നതും കൂടുതൽ സുസ്ഥിരവുമായ ഉൽപ്പന്നങ്ങളിലേക്ക് നയിച്ചേക്കാം. എഐ ആധിപത്യത്തിനായുള്ള മത്സരത്തിലും ഐഒടിയുടെ വികാസത്തിലും, കൃത്യത-കാര്യക്ഷമത വിട്ടുവീഴ്ചയിൽ വൈദഗ്ദ്ധ്യം നേടുന്ന കമ്പനികളായിരിക്കും ആഗോള വിപണിയിലേക്ക് ഏറ്റവും നൂതനവും ചെലവ് കുറഞ്ഞതുമായ പരിഹാരങ്ങൾ നൽകുന്നത്.
ഉപസംഹാരം: "ശരി" എന്നതിന്റെ പുതിയ നിർവചനം സ്വീകരിക്കൽ
അപ്രോക്സിമേറ്റ് കമ്പ്യൂട്ടിംഗ് എന്നാൽ തെറ്റായ ഫലങ്ങൾ സ്വീകരിക്കുക എന്നല്ല. അത് ആപ്ലിക്കേഷന്റെ പശ്ചാത്തലത്തിൽ ശരിയെ പുനർനിർവചിക്കുന്നതിനെക്കുറിച്ചാണ്. ഇത് കമ്പ്യൂട്ടേഷന്റെ ഭൗതിക പരിമിതികളോടുള്ള പ്രായോഗികവും ബുദ്ധിപരവുമായ പ്രതികരണമാണ്, 'പിശക്' എന്ന ആശയത്തെ ഒഴിവാക്കേണ്ട ഒരു പ്രശ്നത്തിൽ നിന്ന് കൈകാര്യം ചെയ്യേണ്ട ഒരു വിഭവമാക്കി മാറ്റുന്നു. നമുക്ക് ആവശ്യമില്ലാത്ത കൃത്യത വിവേകപൂർവ്വം ത്യജിക്കുന്നതിലൂടെ, നാം തീവ്രമായി ആഗ്രഹിക്കുന്ന പ്രകടനവും കാര്യക്ഷമതയും നമുക്ക് നേടാനാകും.
ഡാറ്റാ-ഇന്റൻസീവ്, പെർസെപ്ഷൻ-ഡ്രിവൺ ആപ്ലിക്കേഷനുകൾ ആധിപത്യം സ്ഥാപിക്കുന്ന ഒരു യുഗത്തിലേക്ക് നാം നീങ്ങുമ്പോൾ, 'കൃത്യമായി' കമ്പ്യൂട്ട് ചെയ്യാനുള്ള കഴിവ് അത്യാധുനികവും സുസ്ഥിരവുമായ സാങ്കേതികവിദ്യയുടെ മുഖമുദ്രയായിരിക്കും. കമ്പ്യൂട്ടിംഗിന്റെ ഭാവി, പല തരത്തിൽ, തികച്ചും കൃത്യമായിരിക്കില്ല, പക്ഷേ അത് അവിശ്വസനീയമാംവിധം സ്മാർട്ടായിരിക്കും.