Изучите основы Edge AI и его растущее значение в области искусственного интеллекта.

Edge AI описывает класс архитектуры ML, в котором алгоритмы AI обрабатываются локально на устройствах (на границе сети). Устройство, использующее Edge AI, не требует подключения для правильной работы и может обрабатывать данные и принимать решения самостоятельно без подключения. Узнайте, почему это становится все более важным в современных приложениях ИИ.

Типичная архитектура машинного обучения

Тот, который должен быть вам знаком, будет включать модель машинного обучения, созданную с любовью, обученную и размещенную в облачной инфраструктуре, на которую с устройств отправляются запросы на прогнозирование. Эти запросы включают отправку запроса к облачному API и получение ответа через Интернет.

Эти запросы включают отправку запроса в облачный API, а затем получение ответа через Интернет. Как правило, это успешный метод, когда передаваемые данные небольшие, например, фрагменты текста, но когда он разбивается, это большие данные, такие как высококачественные фотографии или видео. Даже умеренные объемы данных могут представлять проблему в районах с плохим (или отсутствующим) покрытием сети.

Пограничный ИИ

Идея Edge AI заключается в том, чтобы модель вместо этого жила на устройствах на границе (отсюда и название) сети. Алгоритмы ИИ затем обрабатываются локально на устройстве, исключая необходимость подключения к Интернету для обработки данных и получения полезных результатов.

В 2020 году Deloitte предсказывает, что будет продано более 750 миллионов чипов Edge AI, которые выполняют или ускоряют задачи машинного обучения на устройстве, а не в удаленном центре обработки данных, что принесет доход в размере 2,6 миллиарда долларов США.

Преимущества работы на грани

Edge AI предлагает множество улучшений по сравнению с традиционными архитектурами машинного обучения. Прежде всего устраняется задержка, связанная с любой сетевой передачей, что может быть критически важным в некоторых случаях использования. Разрядка батареи, связанная с потоковой передачей данных, больше не является проблемой, что позволяет увеличить срок службы батареи и значительно сократить связанные с этим расходы на передачу данных.

Это очень полезно для ряда случаев использования. Датчики в удаленных местах, таких как оффшорные ветряные электростанции, могут поставляться с предварительно загруженными алгоритмами, которые позволяют им принимать решения без сложной инфраструктуры для их подключения к Интернету.

Точно так же этот подход используется для мониторинга скорости потока в подземных газопроводах, где облачная стратегия невозможна. Датчики измеряют скорость потока и давление, чтобы определить исправность трубопровода, а клапаны могут быть перекрыты при обнаружении признаков утечки.

Другие реальные приложения Edge AI

Edge AI не является эксклюзивным для удаленных мест, он уже внедряется ближе к дому на главной улице.

Британский косметический бренд Lush применил подход Edge AI с новой инициативой; функция Lush Lens недавно была добавлена ​​в их приложение Lush Labs.

Объектив, разработанный для того, чтобы уменьшить потребность в упаковке, используется для сканирования продукта с помощью камеры вашего смартфона. Под капотом находится модель распознавания изображений, живущая в приложении, использующая преимущества Edge AI для снижения потребления батареи и требований к сети. При правильной идентификации продукта пользователю предоставляется подробная информация о продукте без необходимости упаковки.

Узнайте больше о том, как Lush Lens использует искусственный интеллект для уменьшения упаковки здесь.

Наконец, чипы Edge AI, вероятно, найдут свое применение во все большем числе потребительских устройств, таких как смартфоны высокого класса, планшеты, умные колонки, носимые устройства и биоимпланты. Они также будут использоваться на многих корпоративных рынках: роботы, камеры, датчики и другие устройства IoT.

Есть ли недостатки?

Сложные модели машинного обучения часто бывают довольно большими по размеру, и в некоторых случаях невозможно перенести эти модели на небольшие устройства. Модели необходимо упрощать, что неизбежно снижает точность.

Вычислительная мощность на периферийных устройствах ограничена, что еще больше ограничивает возможности выполнения задач ИИ.

Пограничный ИИ часто предполагает развертывание модели на самых разных типах устройств (и версиях операционных систем), и это может увеличить вероятность сбоев. Поэтому обычно требуется много испытаний, прежде чем чип будет готов к распространению.

Следующие шаги

1. Узнайте больше от ARM, ведущего производителя чипов Edge AI.

2. Узнайте больше о Ancoris Data, Analytics & AI

3. Свяжитесь с автором