Risiken von Edge-KI
KI am Edge kann das Geschäft revolutionieren. Was brauchen wir, um unbeabsichtigte Folgen zu verhindern?
Angesichts der wachsenden Nachfrage nach schnelleren Ergebnissen und Erkenntnissen in Echtzeit wenden sich Unternehmen der KI am Edge zu. Edge AI ist eine Art künstlicher Intelligenz, die von Sensoren und Geräten am Rand des Netzwerks gesammelte Daten nutzt, um praktisch in Echtzeit umsetzbare Erkenntnisse zu liefern. Obwohl diese Technologie viele Vorteile bietet, birgt ihr Einsatz auch Risiken.
Am Rande gibt es viele potenzielle Anwendungsfälle für KI. Einige mögliche Anwendungen sind:
- Selbstfahrende Autos: Edge AI verarbeitet von Sensoren gesammelte Daten in Echtzeit, um zu entscheiden, wann und wie gebremst oder beschleunigt wird.
- Intelligente Fabrik: Künstliche Intelligenz von Edge überwacht Industriemaschinen in Echtzeit und erkennt Auffälligkeiten oder Ausfälle. Die Kameras können auch Fehler in der Produktionslinie erkennen.
- Gesundheitswesen: Tragbare Geräte können Herzanomalien erkennen oder postoperative Patienten überwachen.
- Einzelhandel: Sensoren, die die Bewegungen und das Verhalten der Kunden verfolgen.
- Videoanalyse: Künstliche Intelligenz analysiert Videoclips in Echtzeit, um potenzielle Sicherheitsbedrohungen zu erkennen.
- Gesichtserkennung: Edge AI kann Personen anhand von Gesichtsmerkmalen identifizieren.
- Spracherkennung: Edge AI wird jetzt verwendet, um gesprochene Sprache in Echtzeit zu erkennen und zu transkribieren.
- Sensordatenverarbeitung: Edge AI kann von Sensoren gesammelte Daten verarbeiten, um zu entscheiden, wann und wie gebremst oder beschleunigt werden soll.
Edge-KI-Risiken
Verlorene/verworfene Daten
Edge-KI-Risiken umfassen Daten, die nach der Verarbeitung verloren gehen oder verworfen werden können. Einer der Vorteile von Edge AI besteht darin, dass das System Daten nach der Verarbeitung löschen kann und so Geld spart. Die KI stellt fest, dass die Daten nicht mehr nützlich sind und löscht sie.
Das Problem bei diesem Setup besteht darin, dass die Daten nicht unbedingt nutzlos sind. Beispielsweise könnte ein selbstfahrendes Auto auf einer leeren Straße in einer abgelegenen ländlichen Gegend fahren. Möglicherweise hält die KI viele der gesammelten Informationen für nutzlos und verwirft sie.
Daten von leeren Straßen in abgelegenen Gebieten können jedoch je nach Bedarf hilfreich sein. Darüber hinaus können die gesammelten Daten einige nützliche Informationen enthalten, wenn sie zur Speicherung und weiteren Analyse an ein Cloud-Rechenzentrum gesendet werden können. Es könnte beispielsweise Muster der Tierwanderung oder Veränderungen in der Umwelt aufdecken, die andernfalls unentdeckt bleiben würden.
Erhöhte soziale Ungleichheit
Ein weiteres marginales Risiko künstlicher Intelligenz besteht darin, dass sie die soziale Ungleichheit verschärfen kann. Dies liegt daran, dass Edge-KI Daten benötigt, um zu funktionieren. Das Problem ist, dass nicht jeder Zugriff auf die gleichen Daten hat.
Wenn Sie beispielsweise Edge-Künstliche Intelligenz zur Gesichtserkennung nutzen möchten, benötigen Sie eine Datenbank mit Gesichtsfotos. Wenn die einzige Quelle dieser Daten aus sozialen Medien stammt, können nur diejenigen Personen genau identifiziert werden, die in sozialen Medien aktiv sind. Dadurch entsteht ein zweistufiges System, in dem Edge-KI einige Personen genau identifizieren kann, andere jedoch nicht.
Darüber hinaus haben nur bestimmte Gruppen Zugriff auf Geräte mit Sensoren oder Prozessoren, die Daten zur Verarbeitung durch Edge-KI-Algorithmen sammeln und übertragen können. Dies könnte zu größerer sozialer Ungleichheit führen: Wer sich keine Geräte leisten kann oder in ländlichen Gebieten ohne lokale Netzwerke lebt, wird von der Randrevolution der KI ausgeschlossen. Dies kann zu einem Teufelskreis führen, da der Aufbau von Edge-Netzwerken nicht einfach und die Kosten hoch sind. Dies bedeutet, dass die digitale Kluft wahrscheinlich größer wird und benachteiligte Gemeinschaften, Regionen und Länder möglicherweise noch weiter in ihrer Fähigkeit zurückfallen, die Vorteile der Edge-KI zu nutzen.
Schlechte Datenqualität
Wenn die Sensordaten von schlechter Qualität sind, sind wahrscheinlich auch die vom Edge-AI-Algorithmus generierten Ergebnisse von schlechter Qualität. Dies kann zu falsch-positiven oder falsch-negativen Ergebnissen mit katastrophalen Folgen führen. Wenn beispielsweise eine Überwachungskamera mithilfe von Edge-KI potenzielle Bedrohungen erkennt und Fehlalarme auslöst, kann dies dazu führen, dass unschuldige Personen festgenommen oder verhört werden.
Wenn andererseits die Datenqualität aufgrund schlechter Sensorwartung schlecht ist, kann dies dazu führen, dass Chancen verpasst werden. Selbstfahrende Autos sind beispielsweise mit modernster künstlicher Intelligenz ausgestattet, die Sensordaten verarbeitet, um zu entscheiden, wann und wie gebremst oder beschleunigt werden soll. Daten von geringer Qualität können dazu führen, dass das Auto schlechte Entscheidungen trifft und Unfälle verursachen.
Ineffizienz
In einem typischen Edge-Computing-Setup sind Edge-Geräte nicht so leistungsstark wie die Rechenzentrumsserver, mit denen sie verbunden sind. Diese begrenzte Rechenleistung kann dazu führen, dass Edge-KI-Algorithmen weniger effizient sind, da sie auf Geräten mit weniger Speicher und Rechenleistung ausgeführt werden müssen.
Sicherheitslücken
Edge-KI-Anwendungen sind verschiedenen Sicherheitsbedrohungen ausgesetzt, wie etwa Datenschutzlecks, gegnerischen Angriffen und Vertraulichkeitsangriffen.
Eines der größten Risiken der künstlichen Edge-Intelligenz ist der Verlust des Datenschutzes. Edge Clouds speichern und verarbeiten große Datenmengen, darunter auch sensible personenbezogene Daten, was sie zu einem attraktiven Ziel für Angreifer macht.
Ein weiteres inhärentes Risiko von Edge-KI sind gegnerische Angriffe. Bei diesem Angriff verfälscht der Angreifer die Eingaben in das KI-System, was dazu führt, dass das System falsche Entscheidungen trifft oder falsche Ergebnisse liefert. Dies könnte schwerwiegende Folgen haben, etwa zum Absturz selbstfahrender Autos.
Schließlich sind Edge-KI-Systeme auch anfällig für Vertraulichkeits- oder Inferenzangriffe. Bei diesem Angriff versucht der Angreifer, die Details des Algorithmus preiszugeben und ihn zurückzuentwickeln. Sobald die Trainingsdaten oder der Algorithmus korrekt abgeleitet wurden, kann der Angreifer zukünftige Eingaben vorhersagen. Edge-KI-Systeme sind außerdem anfällig für eine Vielzahl anderer Risiken, wie etwa Viren, Malware, Insider-Bedrohungen und Denial-of-Service-Angriffe.
Risiken und Chancen abwägen
Edge Künstliche Intelligenz hat sowohl Vorteile als auch Risiken. Diese Risiken können jedoch durch sorgfältige Planung und Umsetzung reduziert werden. Bei der Entscheidung, ob Sie Edge-KI in Ihrem Unternehmen einsetzen möchten, müssen wir die potenziellen Vorteile und Risiken abwägen, um herauszufinden, was Ihren spezifischen Anforderungen und Zielen entspricht.
Das obige ist der detaillierte Inhalt vonRisiken von Edge-KI. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
Heiße KI -Werkzeuge
Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos
AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.
Undress AI Tool
Ausziehbilder kostenlos
Clothoff.io
KI-Kleiderentferner
AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.
Heißer Artikel
Heiße Werkzeuge
Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor
SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen
Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung
Dreamweaver CS6
Visuelle Webentwicklungstools
SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)
Heiße Themen
1376
52
Bytedance Cutting führt SVIP-Supermitgliedschaft ein: 499 Yuan für ein fortlaufendes Jahresabonnement, das eine Vielzahl von KI-Funktionen bietet
Jun 28, 2024 am 03:51 AM
Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen
Kontexterweiterter KI-Codierungsassistent mit Rag und Sem-Rag
Jun 10, 2024 am 11:08 AM
Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird
Sieben coole technische Interviewfragen für GenAI und LLM
Jun 07, 2024 am 10:06 AM
Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren
Kann LLM durch Feinabstimmung wirklich neue Dinge lernen: Die Einführung neuen Wissens kann dazu führen, dass das Modell mehr Halluzinationen hervorruft
Jun 11, 2024 pm 03:57 PM
Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert
Um ein neues wissenschaftliches und komplexes Frage-Antwort-Benchmark- und Bewertungssystem für große Modelle bereitzustellen, haben UNSW, Argonne, die University of Chicago und andere Institutionen gemeinsam das SciQAG-Framework eingeführt
Jul 25, 2024 am 06:42 AM
Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten
Fünf Schulen des maschinellen Lernens, die Sie nicht kennen
Jun 05, 2024 pm 08:51 PM
Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist
SOTA Performance, eine multimodale KI-Methode zur Vorhersage der Protein-Ligand-Affinität in Xiamen, kombiniert erstmals molekulare Oberflächeninformationen
Jul 17, 2024 pm 06:37 PM
Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S
GlobalFoundries erschließt Märkte wie KI und erwirbt die Galliumnitrid-Technologie von Tagore Technology und zugehörige Teams
Jul 15, 2024 pm 12:21 PM
Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
