Unternehmen verschaffen sich zunehmend Wettbewerbsvorteile durch den Einsatz künstlicher Intelligenz mithilfe verteilter Hybrid-Cloud-Architekturen.
Dies ist auf zwei Faktoren zurückzuführen: Erstens werden am Edge mehr Daten generiert als je zuvor. Tatsächlich wird prognostiziert, dass bis 2025 50 % der von Unternehmen generierten Daten außerhalb traditioneller Rechenzentren oder Cloud Computing verarbeitet werden. Eine aktuelle weltweite Umfrage ergab, dass 78 % der IT-Entscheidungsträger glauben, dass die Verlagerung der IT-Infrastruktur an den digitalen Rand eine zukunftssichere Priorität für ihr Unternehmen ist.
Zweitens bedeutet die Verlagerung großer Datenmengen zur Verarbeitung in eine zentrale KI-Trainingsinfrastruktur-Engine, dass Unternehmen wertvolle Zeit und Kosten aufwenden. Darüber hinaus erfordern Compliance- und Datenschutzbestimmungen häufig, dass die Verarbeitung und Analyse von KI-Daten im Herkunftsland verbleibt, was die Verteilung der Arbeitslast auf mehrere Länder weiter rechtfertigt.
Lassen Sie uns in drei verschiedene Branchenanwendungsfälle eintauchen, in denen verteilte KI Unternehmen dabei hilft, Kosten zu sparen, regulatorische Anforderungen zu erfüllen und neue technologische Fortschritte zu ermöglichen.
Viele große Einzelhändler suchen nach einem Wettbewerbsvorteil durch die Nutzung verteilter digitaler Infrastrukturstrategien. Sie verwenden eine zunehmend beliebte KI-Bereitstellungsstrategie, die kürzlich von IDC identifiziert wurde: KI im Kern entwickeln, beispielsweise in einer Cloud oder einem regionalen Rechenzentrum, und KI-Inferenzmodelle am Rand bereitstellen und sie dann entsprechend mit neuen regionalen Daten trainieren die Anwendung.
Zum Beispiel könnte ein Einzelhändler, der ein verteiltes Hybrid-Cloud-Modell verwendet, zunächst seine In-Store-Kamerainformationen und Bestandsverwaltungsdaten an ein Hosting-Rechenzentrum in einer Metropole senden, um ein regionales KI-Modell zu erstellen und einen föderierten KI-Ansatz zur Integration des regionalen Modells zu nutzen.
Anschließend werden diese optimierten KI-Modelle in den Filialen eingesetzt, um KI-Modellinferenzen mit geringer/prädikativer Latenz durchzuführen und Einblicke in den Lagerbestand, das Schichtmanagement der Mitarbeiter, Prognosen zu Kauftrends der Käufer und Empfehlungen zur Anzeigenplatzierung zu gewinnen.
Der Einsatz von KI-Inferenz-Engines in einem Rechenzentrum in einer Großstadt ist kostengünstiger als die Wartung und Wartung dieser Server an jedem Einzelhandelsstandort. Diese verteilte KI-Infrastruktur ermöglicht es Einzelhändlern, Erkenntnisse in einem Bereich schnell zu verarbeiten und zu analysieren und so letztendlich ihr Endergebnis zu verbessern.
Laut UNCTAD verfügt die Mehrheit (71 %) der Länder der Welt über Gesetze zum Datenschutz und zur Privatsphäre. Verteiltes Datenmanagement und Architekturen für künstliche Intelligenz können eine Schlüsselrolle dabei spielen, Unternehmen dabei zu helfen, Compliance sicherzustellen.
Zum Beispiel könnte ein großes Immobilienverwaltungsunternehmen mit Standorten in mehreren Ballungsräumen auf der ganzen Welt eine verteilte KI-Architektur für seine Hunderte von Sicherheitskameras auf der ganzen Welt nutzen und die Einhaltung lokaler Datenschutzbestimmungen gewährleisten, indem es KI dort einsetzt, wo Daten gesammelt werden. Einhaltung.
Durch zentralisierte Einrichtungen in den verschiedenen Ländern, in denen das Unternehmen tätig ist, wird sichergestellt, dass das Unternehmen nicht gegen lokale Datenschutzgesetze verstößt, indem es Daten in ein anderes Land sendet, in dem möglicherweise nicht die gleichen Compliance-Vorschriften gelten wie in dem Land, in dem die Daten stammen.
Dieses Modell ermöglicht nicht nur die Einhaltung von Datenschutz und Datennutzung, sondern reduziert auch die Kosten, indem es den KI-Inferenzstapel an einem einzigen Standort in der Metropolregion und nicht pro Einrichtung hostet, selbst wenn er sich an jedem von Hunderten von Standorten befindet. Beide verarbeiten Bewegungserkennungsdaten vor Ort.
Es gibt einige Anwendungsfälle, die autonome Fahrzeuge, die durch Advanced Driver Assistance Systems (ADAS) ermöglicht werden, ohne Infrastruktur für künstliche Intelligenz nicht bewältigen können. ADAS erfordert künstliche Intelligenz, um zu entscheiden, wie ein Fahrzeug mit seiner Umgebung interagieren soll, insbesondere wenn es mit gefährdeten Verkehrsteilnehmern wie Radfahrern und Fußgängern interagiert.
Die Datenmenge, die von Testfahrzeugen zum Trainieren von Modellen der künstlichen Intelligenz generiert wird, ist riesig. Bei ADAS der Stufen 2 und 3 (Fahrzeuge können Geschwindigkeit anpassen, bremsen und Entscheidungen basierend auf der Umgebung treffen) ist die Datenmenge, die von jedem Fahrzeug pro generiert wird, enorm Der Tag beträgt 20 TB bis 60 TB. Künstliche Intelligenz ermöglicht es vernetzten Fahrzeugen, diese großen Datensätze aus Testflotten schneller und kostengünstiger zu sammeln und zu verarbeiten als mit herkömmlicher Infrastruktur.
Die verteilte KI-Infrastruktur definiert die Fahrzeugmobilität und Autonomie der nächsten Generation. Vernetzte Fahrzeuge nutzen beispielsweise hochauflösende Karten, um Autos mit Informationen über Beschilderungen und Straßen zu versorgen.
Aber was passiert, wenn über Nacht eine Baustelle oder eine Verkehrsgefahr auftritt? Anstatt zu verlangen, dass jedes Fahrzeug Straßengefahren einzeln bewältigt, ermöglicht die verteilte KI-Infrastruktur, dass diese Gefahren an einen regionalen Ort gesendet werden und die Gefahr dann an alle Fahrzeuge in der Region kommuniziert wird Bereich.
Nichts spürt die Anziehungskraft von Daten mehr als künstliche Intelligenz. Um das Beste aus ihrer KI-Infrastruktur herauszuholen, müssen Unternehmen den Wert einer zentralen, regionalen oder lokalen Bereitstellung bewerten. Dadurch sparen Sie Zeit, Geld und wertvolle Latenz.
Das obige ist der detaillierte Inhalt vonWie Unternehmen künstliche Intelligenz auf die nächste Stufe heben können. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
